大部分基于卷积神经网络的双目立体匹配算法往往将双目图像对的像素级别特征作为匹配代价进行计算,缺乏将全局特征信息结合到立体匹配算法的能力,导致不适定区域(如弱纹理区域、反光表面、细长结构、视差不连续区域等)的匹配精度差,进而影响整体立体匹配精度。针对这个问题,提出一种基于多维特征融合(MDFF)的立体匹配算法,该算法主要由三个模块组成:残差开端(Inception-ResNet)模块、空间金字塔池化(SPP)模块和堆叠沙漏网络(SHN)模块。Inception-ResNet模块主要提取图像对局部特征信息;SPP模块主要提取图像对全局特征信息,构建匹配代价卷;SHN模块用来规则化匹配代价卷。在KITTI2012和KITTI2015数据集上进行验证,可得本文算法的三像素平均误匹配率为1.62%和1.78%,超过了国内外大部分先进算法;此外,本文提出的立体匹配算法在Apollo数据集和Middlebury数据集上也表现较好。

书名：Close-Range Photogrammetry and 3D Imaging - 3rd Edition 作者: Thomas Luhmann,Stuart Robson,Stephen Kyle,Jan Boehm 简介：《近景摄影测量与三维成像》，书中对双目立体视觉系统做了精度分析。在一个三维测量项目中，如果采用立体视觉方案，首先，要根据测量需求（精度、测量范围、速度等），确定立体视觉的硬件方案。Thomas Luhmann在他的《Close-Range Photogrammetry and 3D Imaging》（2014）中，给出立体视觉系统的简化分析方法。

基于双目视觉和yolov5的目标检测系统，python代码

针对室内复杂的非结构化环境和机器人动态变化的服务任务,提出基于快速识读码(QR code)技术的室内环境空间认知手段.在双目视觉获得深度信息的前提下,基于DSmT证据理论构建信息不确定数学模型,形成描述体素占有/空闲概率的三维栅格地图.在构建三维地图的同时,利用粘贴在大物品上的基于QR code技术的人工物标,为环境中的大物品添加语义标签,并基于大物品的尺寸更新对应的体素占空值,形成含大物品功能属性和归属关系描述的三维栅格语义地图.通过实验与其它信息融合算法进行对比,并对人工物标的识读准确性进行分析,证明该方法的有效性和可行性.

双目视觉万字总结原版markdown文件，最好使用可以打开markdown文件的软件，我使用的是typora，博客链接参考：https://blog.csdn.net/m0_46384757/article/details/125036675

双目视觉中，已经进行了摄像机的标定，那么根据摄像机的参数和左右图片，生成矫正图，确定视差图，并根据视差图计算出三维点云坐标并生成点云数据。用Halcon实现，路径请自行修改。

双目视觉根据标定版计算摄像机内参（Halcon代码实现），需要自己买Halcon专用的标定版并且拍照和标定。

双目视觉测距原理

三种标定方法的介绍与公式推导： 1.传统的两步法 2.Ma的Self-calibration 3.Lei的Self-calibration 包含背景与基本知识，实验与比较

单目视觉程序 通过对摄像机进行简单标定求出世界坐标犀利图像坐标系转换的必要参数，进而实现对固定平面内物体的位置定位及长度测量。针对该方法的特点，本文选取了4个点为标定点.