机器人图像匹配的常用方法：极线约束,唯一性约束,视差连续性约束,顺序一致性约束

由于噪声、光照变化、遮挡和透视畸变等因素的影响，空间同一点投影到 两个摄像机的图像平面上形成的对应点的特性可能不同，对在一幅图像中的 一个特征点或者一小块子图像，在另一幅图像中可能存在好几个相似的候选 匹配。因此需要另外的信息或者约束作为辅助判断，以便能得到W一准确的 匹配。一般采用的约束有如下几种：

(1)极线约束：在此约束下，匹配点一定位于两幅图像中相应的极线上。

(2)W一性约束：两幅图像中的对应的匹配点应该有且仅有一个。

(3)视差连续性约束：除了遮挡区域和视差不连续区域外，视差的变化应 该都是平滑的。

(4)顺序一致性约束：位于一幅图像上的极线上的一系列点，在另外一幅 图像中的极线上具有相同的顺序。

在双目立体视觉测量中，图像匹配的目的是给定在一幅图像上的已知点 (或称为源匹配点)后，在另一幅图像上寻求与之相对应的目标匹配点(或称为 同名像点)。图像匹配的方法通常有基于图像灰度(区域)的匹配、基于图像特 征和基于解释的匹配或者多种方法相结合的匹配。

基于灰度的区域匹配方法，其基本原理是在其中一幅图像中选取一个子 窗口图像，然后在另外一幅图像中的一个区域内，根据某种匹配准则，寻找与 子窗口图像Z为相似的子图像。目前常用的匹配准则有Z大互相关准则、Z 小均方差准则等。区域匹配差需要进行相关计算，主要用于表面非常平滑的 图像(如卫星、航空照片的匹配),以及具有明显纹理特征的立体图像。区域匹配能够直接获得稠密偏差图，但当图像缺乏纹理特征或者图像深度不连续时， 容易出错。这种方法的计算量很大，且误差匹配概率较高，匹配精度较差。 特征匹配方式是基于图像的几何特征(如边缘轮廓、拐点、几何基元的形 状及参数化的几何模型等),而不是基于简单的图像纹理信息进行相似度的比 较。由于几何特征本身的稀疏性和不连续性，特征匹配方式只能获得稀疏的 深度图，需要各种内插方法才能Z后完成整幅深度图的提取工作。特征匹配 方式需要对两幅图像进行特征提取，相应地会增加计算量。特征匹配具有如 下优点：

(1)参与匹配的点(或特征)少于区域匹配所需要的点，因此速度较快。

(2)几何特征提取可达到“子像素”J精度，因此特征匹配精度较高。

(3)匹配元素为物体的几何特征，因此特征匹配对照明变化不敏感。