[发明专利]视差图像优化方法及装置

说明书

提供了一种视差图像中的目标边界优化方法和装置。所述方法包括：确定视差图像中与目标边界对应的像素区域；对该像素区域中的像素进行验证，以滤除低置信度的像素；利用被滤除像素周围像素的视差值向被滤除像素填充视差值，其中对于由被滤除像素形成的像素块，按照从小视差值像素向大视差值像素传播的方式对该像素块中的各像素填充视差值。该目标边界优化方法通过滤除低置信度的像素随后有方向地进行填充，能够获得清晰准确的目标边界。

技术领域

本发明总体涉及图像处理，更具体地，涉及视差图像中的目标边界优化方法和装置。

背景技术

立体匹配是一种用于获得视差图像的基本技术。立体匹配的基本原理是对通过例如立体相机拍摄的两个或更多个不同视角下同一物体的图像(参考图像和目标图像)进行比较，通过寻找对应像素来计算图像的像素点之间的位置偏差，从而得到视差图像。通过立体匹配获得的视差图像在诸如机器人、监控以及智能车辆等众多领域有着广泛的应用。例如，以智能车辆为例，通过由立体匹配获得的视差图像，可以容易地检测路面、白线和栅栏，进而检测例如行人和车辆等目标并对目标进行分类，由此能够全面掌控车辆的整体行驶状况。而视差图像中清晰而准确的目标边界对于如上所述的目标检测和目标分类是至关重要的。

然而，在采用诸如块匹配、传播、半全局匹配等传统的立体匹配算法计算得到的视差图像中，目标边界通常都是模糊的，即前景目标会变胖，这会导致随后的目标检测和目标分类的结果变差。

图1(a)和1(b)示出了车辆行驶场景的示例性灰度图以及使用传统的立体匹配算法获得的对应的视差图像。具体的，图1(a)示出了车辆行驶场景的灰度图以及该灰度图中用方框框选的车辆以及竖杆的放大图；图1(b)示出了图1(a)中的灰度图对应的视差图像以及该视差图像中用方框框选的车辆以及竖杆的放大图。可以看出，在采用传统的立体匹配算法获得在视差图像中，作为目标的车辆和竖杆的边界模糊，导致其与目标的实际尺寸相比变胖。

针对这一问题，目前研究人员已经提出了一些改善视差图像中的目标边界的方法。其中一种改进方法是在立体匹配过程中不采用像素周围固定形状的区域(例如矩形)作为支持区域，而是根据灰度/彩色信息选择像素周围一个自适应形状作为支持区域，以保证该支持区域不穿过目标边界，由此提高计算得到的视差图像中的目标边界的清晰度。然而，在该方法中，只利用灰度/彩色信息来调整支持区域，因此对于目标与背景灰度/彩色相似的情况效果不佳。

发明内容

根据本发明的实施例，提供了一种视差图像中的目标边界优化方法，包括：确定视差图像中与目标边界对应的像素区域；对该像素区域中的像素进行验证，以滤除低置信度的像素；利用被滤除像素周围像素的视差值向被滤除像素填充视差值，其中对于由被滤除像素形成的像素块，按照从小视差值像素向大视差值像素传播的方式对该像素块中的各像素填充视差值。

根据本发明的另一实施例，提供了一种视差图像中的目标边界优化装置，包括：检测部件，用于确定视差图像中与目标边界对应的像素区域；滤除部件，对该像素区域中的像素进行验证，以滤除低置信度的像素；填充部件，利用被滤除像素周围像素的视差值向被滤除像素填充视差值，其中对于由被滤除像素形成的像素块，按照从小视差值像素向大视差值像素传播的方式对该像素块中的各像素填充视差值。

根据本发明实施例的视差图像中的目标边界优化技术通过滤除低置信度的像素随后有方向地进行填充，能够获得清晰准确的目标边界。

附图说明

图1(a)和1(b)分别示出了车辆行驶场景的示例性灰度图和使用传统的立体匹配算法获得的对应的视差图像。

图2例示了根据本发明实施例的视差图像中的目标边界优化方法的示意性流程图。

图3例示了在根据本发明实施例的目标边界优化方法中考虑灰度(彩色)信息和视差信息两者来确定像素区域的处理过程的流程图。

图4例示了与目标边界对应的像素区域的示意图。