3.1  CCD种类 12

3.1.1  线阵CCD 12

3.1.2  面阵CCD 12

3.2  线面比较 12

3.3  线阵CCD系统介绍 14

3.3.1  设计目标 14

3.3.2  系统总体结构及软件处理流程 14

3.3.3  器件选择 14

4  图像立体匹配技术研究与对比分析 15

4.1  图像立体匹配算法分类及比较 15

4.1.1  局部匹配算法 15

4.1.2  全局匹配方法 16

4.2  算法介绍 17

4.2.1  sift算法 17

4.2.2  程序介绍 22

5  测距算法 23

5.1  传统测距算法 23

5.2  本实验所采用的测距算法 24

6  实验结果与分析 25

6.1  实验效果图 25

6.2 实验结果分析 26

结  论 28

致 谢 30

参考文献 31

1  绪论

现实生活中存在着很多种的可以被我们所感知的信号，其中90%左右的信息来源是视觉系统。人类和高等动物都有着发达的视觉系统，人类的视觉系统是迄今为止最完善的视觉系统。人类通过人眼获取图像之后，运用大脑处理图像信息，对两眼看到的图像信息的差别加以分析和融合之后最终在我们的眼前展示出一个具有深度干的立体的三维的世界。在信号处理理论与计算机出现以后，人们试图用摄像机获取环境图像并将其转换成数字信号，用计算机实现对视觉信息处理的全过程，这样，就形成了一门新兴的学科—计算机视觉[1]。如果人类可以用机器很好的模拟生物体的视觉系统完成信息处理，将在工业检测、机器人导航、医学机器成像、控制与检测位姿、以及在军事和航空测绘上等众多领域得到广泛的应用，而双目立体视觉是计算机视觉的一个重要分支。

1.1  选题背景

计算机视觉领域的突出特点是其多样性与不完善性。这一领域的先驱可追溯到更早的时候，但是直到20世纪70年代后期，当计算机的性能提高到足以处理诸如图像这样的大规模数据时，计算机视觉才得到了正式的关注和发展。然而这些发展往往起源于其他不同领域的需要，因而何谓“计算机视觉问题”始终没有得到正式定义，因此“计算机视觉问题”应当被如何解决也没有成型的公式。80年代美国麻省理工学院人工智能实验室的Marr提出了一种视觉计算理论并应用在双眼匹配上使两张有视差的平面图产生有深度的立体图形奠定了双目立体视觉发展的理论基础[2]。

如今人们已开始掌握部分解决具体计算机视觉任务的方法，但这些方法通常都仅适用于一群狭隘的目标（如：脸孔、指纹、文字等），因而无法被广泛地应用于不同场合。在这里，计算机视觉系统作为一个感知器，为决策提供信息。另外一些研究方向包括模式识别和机器学习（这也隶属于人工智能领域，但与计算机视觉有着重要联系），也由此，计算机视觉时常被看作人工智能与计算机科学的一个分支。