双目视觉图像立体匹配技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 双目立体匹配的基本技术 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12页 |
| 1.4 存在的问题及挑战 | 第12-15页 |
| 1.5 基于GPU的通用目的计算 | 第15-17页 |
| 1.5.1 GPU的优势及其局限性 | 第16-17页 |
| 1.6 研究内容 | 第17-19页 |
| 第二章 双目立体匹配原理及算法分类 | 第19-30页 |
| 2.1 相机的成像模型 | 第19-22页 |
| 2.2 立体视觉模型 | 第22-23页 |
| 2.3 双目立体匹配算法概述 | 第23-28页 |
| 2.3.1 局部立体匹配算法 | 第24-25页 |
| 2.3.2 全局立体匹配算法 | 第25-28页 |
| 2.4 评价标准 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于快速全局导向滤波的立体匹配 | 第30-96页 |
| 3.1 快速全局导向滤波器的优势 | 第30-31页 |
| 3.2 快速全局导向滤波器的原理 | 第31-37页 |
| 3.2.1 求解一维全局导向滤波 | 第32-34页 |
| 3.2.2 求解二维全局导向滤波 | 第34-37页 |
| 3.3 常用代价值计算方法 | 第37-44页 |
| 3.3.1 参数型匹配代价计算方法 | 第38-40页 |
| 3.3.2 非参数型匹配代价计算方法 | 第40-44页 |
| 3.4 本文提出的立体匹配框架 | 第44-49页 |
| 3.4.1 匹配代价值计算 | 第44-45页 |
| 3.4.2 基于加权最小二乘的代价值聚合 | 第45-46页 |
| 3.4.3 基于导向图的加权中值滤波后处理算法 | 第46-49页 |
| 3.5 实验结果与验证 | 第49-95页 |
| 3.5.1 代价计算方法的实验与验证 | 第49-85页 |
| 3.5.2 代价聚合算法的实验与验证 | 第85-95页 |
| 3.6 本章小结 | 第95-96页 |
| 第四章 基于GPU的立体匹配算法优化 | 第96-118页 |
| 4.1 常用的基于GPU的实验平台 | 第96-102页 |
| 4.1.1 OpenGL平台 | 第96-97页 |
| 4.1.2 CUDA平台 | 第97-99页 |
| 4.1.3 OpenCL平台 | 第99-102页 |
| 4.2 本文使用的实验平台及分析 | 第102-104页 |
| 4.3 本文的并行实现方法及实验结果 | 第104-117页 |
| 4.3.1 并行图像灰度变换 | 第104-111页 |
| 4.3.2 X方向sobel算子的并行 | 第111-117页 |
| 4.4 本章小结 | 第117-118页 |
| 第五章 总结与展望 | 第118-120页 |
| 参考文献 | 第120-127页 |
| 致谢 | 第127-129页 |
| 作者攻读学位期间发表的学术论文目录 | 第129页 |
