什么参数调整可以使视差结果正确？在 opencv 中使用 cv2.StereoBM

Question

resultleftright

   import numpy as np
   import cv2

   imgL = cv2.imread("C:/Users/admin/jupyter/car/challenge_pictrue/right/right2.jpg ",0)
   imgR = cv2.imread("C:/Users/admin/jupyter/car/challenge_pictrue/left/left2.jpg ",0)

   cv2.imshow('imgL', imgL)
   cv2.imshow('imgR', imgR)

   stereo = cv2.StereoBM_create(numDisparities=16, blockSize=17)
   disparity = stereo.compute(imgL, imgR)
   disparity = cv2.normalize(disparity, disparity, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, 
   dtype=cv2.CV_8U)
   cv2.imshow('disparity', disparity)
   cv2.waitKey(0)
   cv2.destroyAllWindows()

“我应该调整什么参数才能使结果正确？”

Answer 1

错误的方法。 BM 仅适用于动态测量范围低的简单室内使用。对于室内图像，您只需要调整思维导图和显示数量和窗口大小。

对于户外，它更复杂。也许你才刚刚开始。 BM 和其他基于全局的方法效果不佳。要么是因为过拟合而毁容，要么是由于局部相似性错误造成的条纹效应。

传统 CV 的当前最新技术是 HH 提出的基于 SGM 的方法。对于基于深度学习的方法，没有最佳案例，因案例/数据集到数据集而异。 lecun Žbontar 的作品《Stereo Matching by Training a Convolutional Neural Network》是我经常用来比较的。

对于高级任务，尽量不要使用太便宜/低复杂度的算法。而且，如果您将其用于实际的驾驶动作控制（因为我看到了您的其他 Vdispary 问题），您将被杀死。我已经在不同的地方对此进行了测试。这不是正确的方法。使用激光雷达或其他主动测距以提高安全性

这是我使用 SGM 进行人口普查的结果。你可以参考这个链接 https://docs.opencv.org/trunk/d3/d14/tutorial_ximgproc_disparity_filtering.html转载。

白点表示靠近的物体。通过 Vdispaity，当没有对象时，它会说有靠近的对象。从而导致汽车突然停车。你可以参考我在 NTU 的论文来了解如何删除它们。并记得正确引用它们

问候

袁生海博士