4.2 立体匹配及目标定位
　　标定完成后，在同样的拍摄环境下拍摄一段视频，选择视频中的行人为定位目标，对左摄像机中的行人进行目标跟踪，并选取跟踪算法中的目标区域为模板，采用基于灰度相关性的立体匹配算法，在右摄像机中对同一行人进行目标匹配。同时在匹配正确的情况下，记录目标在定点的图像坐标值，并计算其深度信息，以实现目标定位。
　　软件平台采用VS2005，基于C++语言进行编程，具体算法步骤如下：
　　（1）采集左右图像，对图像进行预处理；（2）在左图像中对目标进行跟踪，并确定模板区域，利用文章算法在右图像中与待测区域进行比较，比较值满足阈值相似性条件认为是匹配点；（3）若是比较值不满足阈值相似性条件，则移动同一极线上的待测区域中心点，重复步骤（2）；（4）记录在定点处目标的坐标值利用式（2），计算出相应的深度信息。
　　立体匹配的实验结果如图4所示。
　　图4中，为视频中第100帧的立体匹配情况，其中左图中的的目标区域是由跟踪算法确定的，右图中的目标区域是由立体匹配算法确定的，从试验结果可以看出，右图的立体匹配比较准确。
　　为了检验文中目标定位的准确性，在视频拍摄之前选定了若干行走路线上的确定点，并手工测量了其深度值。在双目视觉的目标定位算法实验中，以行人到摄像机拍摄平面的距离为实际深度，算法实验得到的相应确定点的深度数据与手工测量的深度数据如表2所示。
　　表2中1号数据对应图4。由表2中的数据计算得到的平均相对误差为1.95%，可以看出采用双目视觉方法的运动目标定位是可以实现的，定位精度能够满足一般要求。
　　对实验过程进行分析，发现误差产生原因主要有以下两个方面：
　　（1）在计算深度的过程中使用的某些数据，如焦距f，像素点实际对应尺寸等存在误差，导致深度计算中出现二次误差；
　　（2）由于立体匹配算法本身存在缺陷，导致匹配的图像坐标产生误差，最终对深度信息造成影响。
　　针对上述原因造成的误差，文章提出一些改进的建议：
　　（1）对最终的深度计算结果进行参数补偿，以减小绝对误差；
　　（2）在立体匹配过程中，选取匹配图像前后的多帧图像，分别进行匹配并及计算深度，取平均值作为该帧目标的深度；
　　（3）改进立体匹配算法，使之能够更好地应用于运动目标系统。
　　5 结束语
　　运动目标的位置确定是计算机视觉领域的重要研究内容，文章首先对双目视觉的基本原理进行介绍，然后深入研究了双目视觉关键技术中的摄像机标定和立体匹配方法，采用传统标定方法及基于灰度相关性的立体匹配算法，设计了双目标定及目标定位实验，实验结果表明，文中采用的算法能够实现一般应用需求中的运动目标的定位问题。
　　参考文献
　　[1]马颂德，张正友.计算机视觉-计算理论与算法基础[M].北京：科学出版社，1998.
　　[2]颜卓.基于双目视觉的运动物体检测系统研究[D].沈阳：沈阳大学，2012.
　　[3]Gary Bradski，Adrian Kaehler.学习OpenCV[M].北京：清华大学出版社，2009.
　　[4]时洪光.基于双目视觉的运动目标定位研究[D].青岛：青岛大学，2010.
　　[5]王逸林.基于区域匹配算法的双目立体匹配技术的研究[D].大连：大连海事学院，2012.

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。