本公開涉及立體圖像領域，且更具體地，涉及一種用于選擇用于視差計算的參數(shù)組的優(yōu)選值的方法和系統(tǒng)。
背景技術：
：視差計算、或者稱為立體匹配的基本原理是對兩個(雙目)或更多不同視角下對同一物體拍攝的圖像(例如，左圖像和右圖像)進行比較，通過尋找對應像素并計算圖像的像素點之間的位置偏差，來得到視差圖。常用的視差計算或立體匹配算法可分成三類：局部算法(如，塊匹配(參考D.Scharstein&R.Szeliski.“Ataxonomyandevaluationofdensetwo-framestereocorrespondencealgorithms”.IJCV.47(1-3):7-42.2002))，其特點是高效率，但效果差；全局算法(如，動態(tài)規(guī)劃(參考“A.F.Bobick&S.S.Intille.Largeocclusionstereo”.IJCV.33(3):181-200.1999))，其特點是效果好，但效率低；半全局算法(如，SemiGlobalMatching，SGM(參考Hirschmuller,H.:“Accurateande_cientstereoprocessingbysemi-globalmatchingandmutualinformation”.InProc.IEEEInt.Conf.ComputerVisionPatternRecognition(CVPR),2(2005)807-814))具有相對高的效率和相對好的效果，在實際應用中經(jīng)常用到。當前算法普遍存在的一個問題是缺乏自適應性，即在某種場景下，它們可能會取得好的效果，但如果遇到其它場景，效果也許并不理想；此外，當前算法都需要進行一些參數(shù)優(yōu)化，通過參數(shù)調(diào)整，可能會具備這種自適應性，但是手動調(diào)整參數(shù)需要耗費大量精力，不切實際。現(xiàn)有技術中也提出了一些立體匹配的方法。例如，2012年1月17日授權的美國專利號US8098276B2，題為“STEREOVISIONSYSTEMANDCONTROLMETHODTHEREOF”中描述了通過對左/右圖像的亮度控制與校正來增強立體匹配的精度，其最核心的部分是“匹配結果評估單元”，通過對深度圖提取高頻信號來計算匹配程度，進而反饋到“圖像校正單元”來重新校正左/右圖像重復上述過程，進而得到高精度深度圖并 對變化的環(huán)境具有適應性。該專利提取結果深度圖的信息，以此作為反饋來進行圖像校正，為了得到高精度深度圖并對變化的環(huán)境具有適應性。但是該專利只考慮圖像級別的信息，某一場景的整體深度圖像效果有可能并不理想。在技術文章“LearningtoDetectGroundControlPointsforImprovingtheAccuracyofStereoMatching”(CVPR,2014)中描述了一種有監(jiān)督的學習方法，提取若干像素級別的特征，利用隨機森林來預測匹配的正確性，其特征包括匹配代價、到圖像邊界距離、最大間隔等。在測試階段，預測每個匹配的正確程度，估計出一個置信圖(可靠視差點)，并結合到基于MRF的立體匹配算法中。該文章通過學習得到一個模型，并用來預測每個像素的匹配正確性，從而得到可靠視差點，進而提高立體匹配的精度；該文章只考慮像素級別的信息，視差圖的整體效果有可能并不理想。本公開的目的是提供一種用于選擇用于視差計算的參數(shù)組的優(yōu)選值的方法和系統(tǒng)，能夠在不同場景下自適應地取得良好的視差計算效果。技術實現(xiàn)要素：根據(jù)本公開的一個方面，提供一種用于選擇用于視差計算的參數(shù)組的優(yōu)選值的方法，包括如下步驟：獲得訓練圖像和對應的真實視差圖；定義用于所述參數(shù)組中的各參數(shù)的初始取值范圍；通過劃分所述初始取值范圍，生成所述各參數(shù)的參數(shù)取值組合；用每個參數(shù)取值組合對所述訓練圖像計算得到的各個計算視差圖；針對每個參數(shù)取值組合，確定各個計算視差圖與真實視差圖之間的整體接近程度和分布接近程度；選擇對應于該訓練圖像的所述參數(shù)組的更優(yōu)選的取值范圍，其中，所述選擇所述參數(shù)組的更優(yōu)選的取值范圍的步驟包括：以所述整體接近程度和所述分布接近程度為特征在所述參數(shù)組的參數(shù)空間中進行分割，以得到更優(yōu)選的取值范圍，使得所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第一預定閾值，所述分布接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第二預定閾值,且在所述更優(yōu)選的取值范圍內(nèi)的中心整體接近程度大于第三預定閾值。根據(jù)本公開的另一方面，提供一種用于選擇用于視差計算的參數(shù)組的優(yōu)選值的系統(tǒng)，包括：獲得裝置，被配置為獲得訓練圖像和對應的真實視差圖；定義裝置，被配置為定義用于所述參數(shù)組中的各參數(shù)的初始取值范圍；生成裝置，被配置為通過劃分所述初始取值范圍，生成所述各參數(shù)的參數(shù)取值組 合；計算裝置，被配置為用每個參數(shù)取值組合對所述訓練圖像計算得到的各個計算視差圖；確定裝置，被配置為針對每個參數(shù)取值組合，確定各個計算視差圖與真實視差圖之間的整體接近程度和分布接近程度；選擇裝置，被配置為選擇對應于該訓練圖像的所述參數(shù)組的更優(yōu)選的取值范圍，其中，所述選擇裝置被配置為以所述整體接近程度和所述分布接近程度為特征在所述參數(shù)組的參數(shù)空間中進行分割，以得到更優(yōu)選的取值范圍，使得所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第一預定閾值，所述分布接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第二預定閾值,且在所述更優(yōu)選的取值范圍內(nèi)的中心整體接近程度大于第三預定閾值。本公開的技術是一種基于學習的技術，在給定視差計算算法的情況下，從各種場景的訓練圖像中提取多層次信息，包括至少每幅訓練圖像的全局信息、可選地局部信息、并可選地考慮了大多數(shù)訓練圖像的信息、并可選地進行迭代計算，從而選出視差計算算法的最優(yōu)參數(shù)；該技術更具有適應性，利用具有最優(yōu)參數(shù)的視差計算算法所得到的視差圖像也會更準確。本技術可以應用到很多場合，例如，機器人、監(jiān)控以及智能車輛等。通過立體匹配技術得到的視差信息(深度信息)可用來估量攝像機和場景之間的相對距離。以智能車輛為例，基于一幅魯棒的視差圖像，能很容易地檢測到路面、白線和柵欄，進而檢測目標并對目標進行分類，在這里目標主要是指行人和其它車輛，車輛的整個行駛狀況也因此能夠得到全面掌控。附圖說明圖1是示出應用本發(fā)明的實施例的應用場景的功能框圖。圖2是示出應用本發(fā)明的實施例的應用場景的硬件框圖。圖3是示出根據(jù)本發(fā)明的一個實施例的用于選擇用于視差計算的參數(shù)組的優(yōu)選值的方法的流程圖。圖4(a)和4(b)分別示出參考圖像和對應的真實視差圖的示例。圖5是示出根據(jù)真實視差圖和計算視差圖的比較而計算整體接近程度(例如正確率)的過程的示意圖。圖6(a)和6(b)是示出例如正確率的整體接近程度的局部平滑性的示意圖。圖7是示出分布接近程度(例如錯誤像素掩碼圖)的示意圖。圖8(a)-8(c)是示出例如錯誤像素掩碼圖的分布接近程度的局部平滑性的 示意圖。圖9是示出例如二維參數(shù)空間分割的示意圖。圖10是示出在存在多個訓練圖像的情況下根據(jù)大多數(shù)原則進行投票的示意圖。圖11是示出根據(jù)本發(fā)明的一個實施例的用于選擇用于視差計算的參數(shù)組的優(yōu)選值的系統(tǒng)的方框圖。具體實施方式現(xiàn)在將詳細參照本發(fā)明的具體實施例，在附圖中例示了本發(fā)明的例子。盡管將結合具體實施例描述本發(fā)明，但將理解，不是想要將本發(fā)明限于所述的實施例。相反，想要覆蓋由所附權利要求限定的在本發(fā)明的精神和范圍內(nèi)包括的變更、修改和等價物。應注意，這里描述的方法步驟都可以由任何功能塊或功能布置來實現(xiàn)，且任何功能塊或功能布置可被實現(xiàn)為物理實體或邏輯實體、或者兩者的組合。為了使本領域技術人員更好地理解本發(fā)明，下面結合附圖和具體實施方式對本發(fā)明作進一步詳細說明。圖1是示出應用本發(fā)明的實施例的應用場景的功能框圖。應用本發(fā)明的實施例的視差計算包括兩個部分：訓練和測試。在訓練階段，以訓練參考圖像和訓練目標圖像(簡稱訓練圖像)、真實視差值(或真實視差圖)和視差算法的參數(shù)為輸入，經(jīng)過視差計算算法的模塊和應用本發(fā)明的實施例的基于學習的方法的模塊，輸出最優(yōu)選的參數(shù)(的取值或取值范圍)。在測試階段，以測試參考圖像和測試目標圖像(簡稱測試圖像)、在訓練階段得到的最優(yōu)選的參數(shù)為輸入，經(jīng)過視差計算算法的模塊，輸出測試圖像的視差圖像。參考圖像和目標圖像可以由立體相機拍攝得到，可以選擇立體相機系統(tǒng)中左相機拍攝到的左圖像為參考圖像，也可以選擇右相機拍攝到的右圖像為參考圖像，選定好參考圖像，另外一個相機拍攝到的圖像即為目標圖像。每張訓練參考圖像都有真實視差值信息，例如，所有像素或者一部分像素的正確視差值，如圖4所示。注意，在訓練和測試階段，該視差計算算法可以是已知的，且保持不變，在此不對視差計算算法做詳細的說明，因為本公開的技術可以應用于任何視 差計算算法，只要該視差計算算法涉及一個或多個待定參數(shù)。例如如下的E(D)是全局立體匹配算法要優(yōu)化的視差計算算法的函數(shù)，其中P1和P2即為待調(diào)整的參數(shù)。E(D)＝Edata(D)+Esmooth(D)，Esmooth(D)＝Σ<p，q>∈Ns(p，q)s(p,q)=0ifdp=dqPiif|dp-dq|=1P2if|dp-dq|>1]]>。注意，根據(jù)本發(fā)明的實施例通常應用于訓練階段中的基于學習的方法的模塊，來得到視差計算算法中涉及的一個或多個待定參數(shù)的優(yōu)選的取值或取值范圍。圖2是示出應用本發(fā)明的實施例的應用場景的硬件框圖。如圖2所示，應用本發(fā)明的實施例的應用場景的硬件包括輸入設備201、處理器202、輸出設備203、存儲器204。其中處理器202連接輸入設備201、輸出設備203和存儲器204。輸入設備201包括立體相機和解碼器等，立體相機可以對場景進行拍攝得到左右圖像，作為參考圖像和目標圖像。存儲器204中可以存儲處理器202所需的數(shù)據(jù)(例如真實視差圖)和得到的中間數(shù)據(jù)。在輸入設備201輸入訓練圖像的情況下，根據(jù)本發(fā)明的實施例所提出的方法可以在處理器202上運行。輸出設備203可以輸出計算的參數(shù)組的優(yōu)選取值或取值范圍作為輸出結果。在輸入設備201輸入測試圖像下，如果處理器202中已經(jīng)運行了根據(jù)本發(fā)明的實施例所提出的方法且在存儲器204中實現(xiàn)存儲了所計算的參數(shù)組的優(yōu)選取值或取值范圍，則輸出設備203可以直接以視差圖像作為輸出結果。圖3是示出根據(jù)本發(fā)明的一個實施例的用于選擇用于視差計算的參數(shù)組的優(yōu)選值的方法300的流程圖。圖3所示的一種用于選擇用于視差計算的參數(shù)組的優(yōu)選值的方法300包括如下步驟：步驟S301，獲得訓練圖像和對應的真實視差圖；步驟S302，定義用于所述參數(shù)組中的各參數(shù)的初始取值范圍；步驟S303，通過劃分所述初始取值范圍，生成所述各參數(shù)的參數(shù)取值組合；步驟S304，用每個參數(shù)取值組合對所述訓練圖像計算得到的各個計算視差圖；步驟S305，針對每個參數(shù)取值組合，確定各個計算視差圖與真實視差圖之間的整體接近程度和分布接 近程度；步驟S306，選擇對應于該訓練圖像的所述參數(shù)組的更優(yōu)選的取值范圍，其中，所述選擇所述參數(shù)組的更優(yōu)選的取值范圍的步驟包括：以所述整體接近程度和所述分布接近程度為特征在所述參數(shù)組的參數(shù)空間中進行分割，以得到更優(yōu)選的取值范圍，使得所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第一預定閾值，所述分布接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第二預定閾值,且在所述更優(yōu)選的取值范圍內(nèi)的中心整體接近程度大于第三預定閾值。訓練圖像的個數(shù)可以是一個或多個。具體地，在步驟S301中，包括訓練參考圖像和訓練目標圖像的訓練圖像可以由立體相機拍攝得到，可以選擇立體相機系統(tǒng)中左相機拍攝到的左圖像為參考圖像，也可以選擇右相機拍攝到的右圖像為參考圖像，選定好參考圖像，另外一個相機拍攝到的圖像即為目標圖像。每張訓練參考圖像都可以有真實視差值信息，例如，所有像素或者一部分像素的正確視差值，如圖4所示。圖4(a)和4(b)分別示出參考圖像和對應的真實視差圖的示例。本方法并不限定具體的視差計算算法，而是可以應用于任何視差計算算法。對于給定的視差計算算法，其有若干參數(shù)需要進行優(yōu)化，例如，有兩個參數(shù)作為一個參數(shù)組、包括p1參數(shù)和p2參數(shù)。在步驟S302中，可以例如定義各參數(shù)的初始的取值范圍如下：表1參數(shù)取值范圍參數(shù)p1p2范圍[1,N1][1,N2]在步驟S303中，通過劃分所述初始取值范圍，生成所述各參數(shù)的參數(shù)取值組合。以下表2是根據(jù)表1的參數(shù)取值范圍進行劃分得到的參數(shù)取值組合，其中，n＝(N1/S1)*(N2/S2)，S1和S2分別是參數(shù)p1和p2的搜索步長。表2參數(shù)取值組合在步驟S304中，對每個參數(shù)取值組合計算視差圖，得到計算視差圖。具體地，對于上述參考/目標圖像對，給定了已知的視差計算算法，用一個參數(shù)取值組合即可得到一個計算視差圖。而用n個參數(shù)取值組合，可以得到n個計算視差圖。而如前所述，真實視差圖是已經(jīng)獲得了的一個視差圖。在步驟S305中，針對每個參數(shù)取值組合，確定該n個計算視差圖與真實視差圖之間的n個整體接近程度。即，一個計算視差圖與真實視差圖之間存在一個整體接近程度，而另一個計算視差圖與真實視差圖之間存在另一個整體接近程度。整體接近程度可以用來從整體上(或全局上)評價該計算視差圖與真實視差圖之間的接近程度(或差異程度)，即，整體接近程度可以從整體上考察所有像素處的計算視差值是否接近于真實視差值。整體接近程度的例子可以包括但不限于：在整個訓練圖像中的所有像素處的計算視差與真實視差相同(或相差較小)的像素的個數(shù)、或在整個訓練圖像中的所有像素處的計算視差與真實視差相同(或相匹配)的像素的個數(shù)與總像素的比值、或者在整個訓練圖像中的所有像素處的計算視差與真實視差相同(或相差較小)的像素的個數(shù)與計算視差有效的像素的個數(shù)的比值等等。當然，本領域技術人員還可以用相同的原理構思其他整體接近程度的例子。如此，該計算視差圖與真實視差圖之間的整體接近程度越高(或差異程度越小)，則該計算視差圖所對應的參數(shù)取值組合PCi越優(yōu)選。在一個實施例中，所述整體接近程度可以用正確率(CorrectRate，CR)來表示，所述正確率可以與在所有像素處的計算視差達到真實視差的正確的總數(shù)相關。在此，“計算視差達到真實視差”可以通過計算視差與真實視差的差值小于一個閾值∈來實現(xiàn)。在一個實施例中，所述正確率CR可以用如下公式來表示：Ng＝||{(x，y)：（x，y)∈R，dg(x，y)＞0}||Nc＝||{(x，y)：(x，y)∈R，dg(x，y)＞0，dc(x，y)＞0，|dg(x，y)-dc(x，y)|＜∈}||CR=NcNg]]>……公式(1)其中，R是訓練圖像,x，y是訓練圖像中的像素的橫坐標和縱坐標，dg是真實視差值,dc是計算得到的視差值，∈為設定的閾值，CR為正確率，其中，所述正確率越大，所述整體接近程度越大。當然，本領域技術人員還可以構思除了上述正確率的公式以外的其他的評價整體接近程度的方式，例如僅用上述Nc來評價、或不局限于計算視差值大于0且真實視差值大于0的有效像素的個數(shù)Nc等等，在此不一一贅述。圖5是示出根據(jù)真實視差圖和計算視差圖的比較而計算整體接近程度(例如正確率)的過程的示意圖。例如，圖5所示，對一個參數(shù)取值組合PCi所對應的計算視差圖和真實視差圖來說，計算得到的正確率CR假設為0.604，即表示在計算視差和真實視差都大于0的所有像素中計算視差和真實視差之間的差異的絕對值小于∈的像素的個數(shù)與真實視差大于0的所有像素的個數(shù)的比值。也就是說，該正確率CR是從整體上(例如，像素總數(shù)上)評價計算視差圖和真實視差圖之間的接近程度。圖6(a)和6(b)是示出例如正確率的整體接近程度的局部平滑性的示意圖。局部平滑性意味著該參數(shù)取值組合具有穩(wěn)定性，即，如果參數(shù)取值組合中的參數(shù)值在小范圍內(nèi)波動，所計算得到的視差圖的效果不會受到很大影響。首先，若某個參數(shù)取值組合PCi是較優(yōu)選的，從正確率CR上來看，從參數(shù)取值組合PCi到其鄰近參數(shù)取值組合不應該有劇烈下降。圖6(a)和6(b)示出了以兩個參數(shù)p1和p2為例的正確率CR的局部平滑性的示意圖，其中三維空間的x、y軸分別表示參數(shù)p1和p2的各個取值，而z軸表示用某個參數(shù)取值組合PCi(即特定的p1的值和特定的p2的值)所計算得到的正確率CR的值。在圖6(a)中，從三維空間曲面的較高點(即正確率CR較高的參數(shù)取值組合)到其近鄰有劇烈下降(即，該較高的正確率CR與近鄰處的正確率之間的變化較大)，則該曲面較高點不具有局部平滑性，而不應該作為優(yōu)選的參數(shù)取值組合；而在圖6(b)中，從較高點到其近鄰沒有劇烈下降發(fā)生，而是緩慢下降(即，該較高的正確率與近鄰處的正確率之間的變化較小)，即圖6(b)中的曲面較高點所表示的參數(shù)取值組合(即正確率較高的參數(shù)取值組合)具有局部平滑性。因此，步驟S306，選擇對應于該訓練圖像的所述參數(shù)組的更優(yōu)選的取值 范圍，其中，所述選擇所述參數(shù)組的更優(yōu)選的取值范圍的步驟包括：以所述整體接近程度和所述分布接近程度為特征在所述參數(shù)組的參數(shù)空間中進行分割，以得到更優(yōu)選的取值范圍，使得所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第一預定閾值，所述分布接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第二預定閾值,且在所述更優(yōu)選的取值范圍內(nèi)的中心整體接近程度大于第三預定閾值。從而，滿足整體接近程度和局部接近程度都在所述更優(yōu)選的取值范圍內(nèi)具有局部平滑性。在此，添加中心整體接近程度(例如中心正確率CR)大于一定閾值θ的條件可以進一步保證用于投票的該取值范圍的類所對應的正確率是較高的，因此可以進一步保證與真實視差圖的接近、以及所得到的取值范圍的準確性。在一個實施例中，在步驟S306中，所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化可以用所述正確率之間的差表示，其中，所述差越小，所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化越小。即，為了衡量正確率的變化，直接采用正確率之間的差來表示。當然，這僅是簡單的衡量整體接近程度的變化的一種方式，而本領域技術人員還可以構思其他的衡量變化的方式，例如差的絕對值、或差的平方等，在此不一一贅述。以上通過從整體上考慮各個參數(shù)取值組合所計算的視差圖與真實視差圖之間的接近程度是否較大以及該接近程度的變化是否平滑(即是否具有局部平滑性)，來選擇了具有局部平滑性的整體接近程度所對應的參數(shù)取值組合，從而獲得了更優(yōu)選的參數(shù)取值組合(具體的值或范圍)，從而能夠?qū)⑦@種參數(shù)取值組合代入已知的視差計算算法中，來得到視差計算更接近于真實視差結果的具體視差計算算法，從而能夠利用該具體視差計算算法來對雙目相機拍攝的參考圖像和目標圖像進行視差計算，來獲得更準確的視差圖。當然，上述整體接近程度是從整體上評價利用各種參數(shù)取值組合得到的視差計算是否算更接近于真實視差結果，而如果再加上從像素分布上考慮利用各種參數(shù)取值組合得到的視差計算是否算更接近于真實視差結果，則可以更加準確地得到更優(yōu)選的參數(shù)取值組合。分布接近程度可以從像素分布上考察每個像素處的計算視差值是否接近于真實視差值。在一個實施例中，所述分布接近程度可以用錯誤像素掩碼(ErrorPixelMask，EPM)圖來表示，所述錯誤像素掩碼圖可以表示在各像素處的計算視 差是否未達到真實視差。在一個實施例中，所述錯誤像素掩碼圖可以用如下公式表示：EPM(x,y)=255ifdg(x,y)>0,dc(x,y)=0255ifdg(x,y)>0,dc(x,y)>0,|dg(x,y)-dc(x,y)|≥ϵ0else]]>……公式(2)其中，x，y是訓練圖像中的像素的橫坐標和縱坐標，dg是真實視差值,dc是計算得到的視差值，∈為設定的閾值，EPM(x，y)表示在訓練圖像的各像素(x，y)處的錯誤像素掩碼。即，在訓練圖像的每個像素分布上，將計算視差值與真實視差值之間的差的絕對值大于或等于∈的像素標為黑色(即，灰度為0)，而將計算視差值與真實視差值之間的差的絕對值大于或等于∈的像素以及具有無效計算視差值的像素標為白色(即灰度為255)。如圖7所示。圖7是示出分布接近程度(例如錯誤像素掩碼圖)的示意圖。從圖7可以看出，在每個像素處該計算視差值是否接近于真實視差值，可見圖7中的白色的像素處都是計算視差值錯誤(即計算視差值與真實視差值之間的差的絕對值大于或等于∈或計算視差值為0)的地方。同樣，若某個參數(shù)取值組合PCi是最優(yōu)的，從錯誤像素掩碼圖上來看，從參數(shù)取值組合PCi的掩碼到其鄰近參數(shù)取值組合的掩碼不應該有較大差別。圖8(a)-8(c)是示出例如錯誤像素掩碼圖的分布接近程度的局部平滑性的示意圖。圖8(a)與圖8(b)的掩碼之間具有較小差別，而圖8(a)與圖8(c)的掩碼之間具有較大差別；圖8(a)中的掩碼是對一個參數(shù)取值組合計算得到的，而圖8(b)與圖8(c)的掩碼是由對該參數(shù)取值組合鄰近的兩個不同的參數(shù)取值組合計算得到的兩個視差圖像分別與圖4(b)中的真實視差圖比較得到的。如圖8(a)-8(c)所示，與鄰近的參數(shù)取值組合計算的錯誤掩碼1(如圖8(b)所示)差別較小的該參數(shù)取值組合更優(yōu)選。因此，在步驟S306中，除了考慮整體接近程度(例如正確率)的局部平滑性以外還考慮分布接近程度(例如錯誤像素掩碼圖)的局部平滑性兩者來對各參數(shù)的參數(shù)空間進行分割，以得到更優(yōu)選的取值范圍，使得所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)具有較大值、且所述整體接近程度和所述分布接近程度的變化都小于各自的預定閾值。具體地，如下表3所示，對于一個或多個訓練圖像j的每個(如果只有一個訓練圖像，則j為1)，對于每個參數(shù)取值組合PCi，計算正確率CR和錯誤像素掩碼圖EPM，得到一個特征(CRj,i,EPMj,i)。表3特征訓練圖像1訓練圖像2.訓練圖像j訓練圖像mPC1*****PC2*****.*****PCi***(CRj，i，EPMj，i)*.*****PCn*****然后，對每張訓練圖像的參數(shù)空間進行分割。對于一個或多個訓練圖像j的每個，以(CRj,i,EPMj,i)作為特征對其特征空間進行分割。在一個實施例中，所述分布接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化(即，與鄰近的參數(shù)取值組合計算的錯誤掩碼差別)可以用差別率表示，所述差別率可以與各錯誤像素掩碼圖之間的在各像素處的差別相關。正確率CR是用數(shù)值來表示的，所以很容易衡量兩個正確率之間的相似度，例如兩個正確率之間的差的絕對值、差的平方等。而錯誤像素掩碼圖是一幅圖像，為考慮每個訓練圖像的分布信息，可以定義差別率(DifferentialRate，DR)來衡量兩個錯誤像素掩碼圖之間的相似度：所述差別率DR可以用如下公式表示：Nall＝||{(x，y):(x，y)∈EPMj，i}||Ndiff＝||{(x，y):(x，y)∈EPMj，i，EPMj，i(x，y)≠EPMj，neigh(x，y)}||DR=NdiffNall]]>……公式(3)其中，DR表示在兩個錯誤像素掩碼之間的差別率，j表示多個訓練圖像中的第j個訓練圖像(如果只有一個訓練圖像，則忽略該j)，i表示第i個參數(shù)取值組合，EPMj,neigh(x，y)表示在j個訓練圖像的各像素(x，y)處的、對于第j個訓練圖像、對于第i個參數(shù)取值組合鄰近的參數(shù)取值組合的錯誤像 素掩碼。所述差別率越小，所述分布接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化越小，即與鄰近的參數(shù)取值組合計算的錯誤掩碼的差別越小。當然，該差別率僅是描述兩個錯誤像素掩碼圖之間的相似度的一種方式，本領域技術人員還可以構思其他方式，例如只考慮上述Ndiff，或者利用兩個錯誤像素掩碼圖的一一對應像素處的差、差的絕對值、差的平方、等等，在此不一一贅述。在一個實施例中，該中心整體接近程度可以是如下中的一種：在所述更優(yōu)選的取值范圍內(nèi)的所有整體接近程度的平均值；以及在所述更優(yōu)選的取值范圍內(nèi)的所有整體接近程度的中值。當然，中心整體接近程度不限于上述舉例的例子，而是可以是表現(xiàn)該更優(yōu)選的取值范圍內(nèi)的整體接近程度的分布、大小等，例如四分位值等。在一個實施例中，所述以特征在所述參數(shù)組的參數(shù)空間中進行分割的步驟306可以通過以特征在所述參數(shù)空間中以各自的預定閾值進行聚類的方式來實現(xiàn)。具體地，對于一個或多個訓練圖像j的每個，經(jīng)過對其參數(shù)空間進行分割，參數(shù)取值組合被聚類成nj類：Cj，k，k＝1，2，...，nj每個類別有一個中心正確率CRj,k。圖9是示出例如二維參數(shù)空間分割的示意圖。如圖9所示，特征空間被分割(聚類)成三類Cj,1、Cj,2、Cj,3。在此，聚類算法是本領域的公知技術，只要確定了閾值即可以實現(xiàn)。一個好的聚類是：同一個類中的對象盡可能相互接近或相關，而不同的類中的對象盡可能遠離或不同。使用這個基本思想的算法有：K-MEANS算法、K-MEDOIDS算法、CLARANS算法。在此不贅述其具體過程。當然，為了以特征在所述參數(shù)組的參數(shù)空間中進行分割，還可以采用除了聚類算法以外的方式，例如區(qū)域生長等，在此不一一舉例。如此，用整體接近程度(例如正確率)的和分布接近程度(例如錯誤像素掩碼圖)兩者作為特征來對各參數(shù)的參數(shù)空間進行分割，以得到更優(yōu)選的取值范圍，使得所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)具有較大值、且所述整體接近程度和所述分布接近程度的變化都小于各自的預定閾值。上通過結合從像素分布上的各個參數(shù)取值組合所計算的視差圖與真實視 差圖之間的接近程度的變化是否平滑(即是否具有局部平滑性)以及先前提到的整體接近程度的較大值和局部平滑性，來選擇了整體接近程度和分布接近程度都具有局部平滑性的所對應的參數(shù)取值組合，從而獲得了更加優(yōu)選的參數(shù)取值組合(具體的值或范圍)，從而能夠?qū)⑦@種參數(shù)取值組合代入已知的視差計算算法中，來得到視差計算更加接近于真實視差結果的具體視差計算算法，從而能夠利用該具體視差計算算法來對雙目相機拍攝的參考圖像和目標圖像進行視差計算，來獲得更加準確的視差圖。如上所述，訓練圖像的個數(shù)可以是一個或多個，在訓練圖像的個數(shù)是一個的情況下，以上的各個實施例已經(jīng)可以得到一定程度優(yōu)選的參數(shù)取值組合(具體的值或范圍)了，但是如果存在多個訓練圖像(例如m個)，則可以進一步優(yōu)化參數(shù)取值組合(具體的值或范圍)，如下詳細描述的。在一個實施例中，圖3所示的方法300還可以包括：在存在多個訓練圖像的情況下：確定參與投票的各個取值范圍，所述參與投票的各個取值范圍是在對應于多個訓練圖像的各自的更優(yōu)選的取值范圍；根據(jù)大多數(shù)原則，在參與投票的各個取值范圍內(nèi)進行投票，以確定在大多數(shù)訓練圖像中被確定為更優(yōu)選的取值范圍的取值范圍作為進一步優(yōu)選的取值范圍。如上所述，對單個訓練圖像所選擇的更優(yōu)選的取值范圍考慮了中心正確率大于預定閾值，因此，對于每個訓練圖像(樣本)j，分割后的每個類的中心正確率CRj,k(例如但不限于，該類中的所有正確率的平均值、或中值等)都大于一定閾值θ：CRj，k＞θ如此，保證了在特征空間中被投票的取值范圍的例如正確率的整體接近程度是較大的。對所有訓練圖像(樣本)進行投票，根據(jù)大多數(shù)原則，可在特征空間中確定在大多數(shù)訓練圖像中都被選擇為更優(yōu)選的取值范圍的最優(yōu)參數(shù)候選取值范圍。如圖10所示，圖10是示出在存在多個訓練圖像的情況下根據(jù)大多數(shù)原則進行投票的示意圖。因為對于每個訓練圖像，都可以選擇出一個或多個滿足整體接近程度和分布接近程度的局部平滑性的參數(shù)取值組合(具體的值或范圍)，如此，對于所有這些參數(shù)取值組合(具體的值或范圍)中的中心正確率大于一定閾值θ的參數(shù)取值組合進行投票，即，出現(xiàn)在大多數(shù)(例如大于數(shù)量m’個)訓練圖 像中的選擇的參數(shù)取值組合(具體的值或范圍)(例如圖10中的PC10)被投票為進一步優(yōu)選的取值范圍。這樣，獲得對于多個訓練圖像的大多數(shù)優(yōu)選的取值范圍，可以進一步保證參數(shù)取值組合的準確性，從而得到進一步接近于真實視差結果的具體視差計算算法，從而能夠利用該具體視差計算算法來對雙目相機拍攝的參考圖像和目標圖像進行視差計算，來獲得進一步準確的視差圖。到此，可以獲得在這一輪計算中的不同準確程度的優(yōu)選的參數(shù)取值范圍。但是，為了進一步加強優(yōu)選的參數(shù)取值范圍的準確度并得到最終的最優(yōu)參數(shù)取值，還可以通過如下迭代的方式。具體地，在一個實施例中，圖3所示的方法300還可以包括：將所述優(yōu)選的取值范圍或所述進一步優(yōu)選的取值范圍作為所述初始取值范圍，進行預定次數(shù)的迭代計算，以得到最優(yōu)的取值范圍。在迭代過程中，每一輪參數(shù)的取值范圍和搜索步長都可以是由上一步結果決定的。通過由粗到精的搜索，最終可以得到最優(yōu)參數(shù)。例如，在參數(shù)p1和p2的初始取值范圍[1,N1]和[1,N2]中，利用S1和S2的搜索步長，來生成所述各參數(shù)的參數(shù)取值組合。假設，在第一輪迭代中，選擇得到優(yōu)選的參數(shù)取值范圍為[N1’,N1”]和[N2’,N2”]，則可以利用S1’和S2’的更小的搜索步長，來生成下一輪迭代的各參數(shù)的參數(shù)取值組合，其中q為q＝(N1”-N1’/S1’)*(N2”-N2’/S2’)。表4參數(shù)取值組合在利用上述各參數(shù)的參數(shù)取值組合來進行第二輪迭代，以此類推?？梢栽O定迭代的預定次數(shù)閾值，或設定參數(shù)取值組合的閾值等來確定迭代的終止條件。從而能夠通過由粗到精的搜索，最終得到最優(yōu)參數(shù)取值組合的值或范圍。注意，以上描述的示例僅是一個具體的例子，而不作為限制本發(fā)明的實施例必須為如下具體的步驟、數(shù)值、條件、數(shù)據(jù)、順序等等。本領域技術人員可以通過閱讀本說明書來運用本發(fā)明的構思來構造本說明書中未提到的更多實施例。圖11是示出根據(jù)本發(fā)明的一個實施例的用于選擇用于視差計算的參數(shù)組的優(yōu)選值的系統(tǒng)1100的方框圖。圖11所示的系統(tǒng)1100包括：一種用于選擇用于視差計算的參數(shù)組的優(yōu)選值的系統(tǒng)，包括：獲得裝置1101，被配置為獲得訓練圖像和對應的真實視差圖；定義裝置1102，被配置為定義用于所述參數(shù)組中的各參數(shù)的初始取值范圍；生成裝置1103，被配置為通過劃分所述初始取值范圍，生成所述各參數(shù)的參數(shù)取值組合；計算裝置1104，被配置為用每個參數(shù)取值組合對所述訓練圖像計算得到的各個計算視差圖；確定裝置1105，被配置為針對每個參數(shù)取值組合，確定各個計算視差圖與真實視差圖之間的整體接近程度和分布接近程度；選擇裝置1106，被配置為選擇對應于該訓練圖像的所述參數(shù)組的更優(yōu)選的取值范圍，其中，所述選擇裝置1106被配置為以所述整體接近程度和所述分布接近程度為特征在所述參數(shù)組的參數(shù)空間中進行分割，以得到更優(yōu)選的取值范圍，使得所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第一預定閾值，所述分布接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化小于第二預定閾值,且在所述更優(yōu)選的取值范圍內(nèi)的中心整體接近程度大于第三預定閾值。在一個實施例中，該系統(tǒng)1100還包括：在存在多個訓練圖像的情況下：確定參與投票的各個取值范圍，所述參與投票的各個取值范圍是在對應于多個訓練圖像的各自的更優(yōu)選的取值范圍的裝置；根據(jù)大多數(shù)原則，在參與投票的各個取值范圍內(nèi)進行投票，以確定在大多數(shù)訓練圖像中被確定為更優(yōu)選的取值范圍的取值范圍作為進一步優(yōu)選的取值范圍的裝置。在一個實施例中，該系統(tǒng)1100還包括：將所述優(yōu)選的取值范圍或所述進 一步優(yōu)選的取值范圍作為所述初始取值范圍，進行預定次數(shù)的迭代計算，以得到最優(yōu)的取值范圍的裝置。在一個實施例中，所述整體接近程度可以用正確率來表示，所述正確率可以與在所有像素處的計算視差達到真實視差的正確的總數(shù)相關。所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化可以用所述正確率之間的差表示，其中，所述差越小，所述整體接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化越小。在一個實施例中，所述正確率可以用如下公式來表示：Ng＝||{(x，y):(x，y)∈R，dg(x，y)＞0}||Nc＝||{(x，y):(x，y)∈R，dg(x，y)＞0，dc(x，y)＞0，|dg(x，y)-dc(x，y)|＜∈}||CR=NcNg]]>……公式(1)其中，R是訓練圖像,x，y是訓練圖像中的像素的橫坐標和縱坐標，dg是真實視差值,dc是計算得到的視差值，∈為設定的閾值，CR為正確率，其中，所述正確率越大，所述整體接近程度越大。在一個實施例中，所述分布接近程度可以用錯誤像素掩碼圖來表示，所述錯誤像素掩碼圖可以表示在各像素處的計算視差是否未達到真實視差。所述分布接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化可以用差別率表示，所述差別率可以與各錯誤像素掩碼圖之間的在各像素處的差別相關。所述差別率越小，所述分布接近程度在所述更優(yōu)選的取值范圍內(nèi)的變化越小。在一個實施例中，所述錯誤像素掩碼圖可以用如下公式表示：EPM(x,y)=255ifdg(x,y)>0,dc(x,y)=0255ifdg(x,y)>0,dc(x,y)>0,|dg(x,y)-dc(x,y)|≥ϵ0else]]>……公式(2)其中，x，y是訓練圖像中的像素的橫坐標和縱坐標，dg是真實視差值,dc是計算得到的視差值，∈為設定的閾值，EPM(x，y)表示在訓練圖像的各像素(x，y)處的錯誤像素掩碼。所述差別率可以用如下公式表示：Nall＝||{x，y):(x，y)∈EPMj，i}||Ndiff＝||{(x，y):(x，y)∈EPMj，i，EPMj，i(x，y)≠EPMj，neigh(x，y)}||DR=NdiffNall]]>……公式(3)其中，DR表示在兩個錯誤像素掩碼之間的差別率，j表示多個訓練圖像中的第j個訓練圖像，i表示第i個參數(shù)取值組合，EPMj,neigh(x，y)表示在j個訓練圖像的各像素(x，y)處的、對于第j個訓練圖像、對于第i個參數(shù)取值組合鄰近的參數(shù)取值組合的錯誤像素掩碼。在一個實施例中，該中心整體接近程度可以是如下中的一種：在所述更優(yōu)選的取值范圍內(nèi)的所有整體接近程度的平均值；以及在所述更優(yōu)選的取值范圍內(nèi)的所有整體接近程度的中值。在一個實施例中，所述以特征在所述參數(shù)組的參數(shù)空間中進行分割的步驟可以通過以特征在所述參數(shù)空間中以各自的預定閾值進行聚類的方式來實現(xiàn)。如此，可以獲得不同準確程度的優(yōu)選的參數(shù)取值的值或范圍，從而得到不同準確程度的接近于真實視差結果的具體視差計算算法，從而能夠利用該具體視差計算算法來對雙目相機拍攝的參考圖像和目標圖像進行視差計算，來獲得不同準確程度的視差圖。當然，上述的具體實施例僅是例子而非限制，且本領域技術人員可以根據(jù)本發(fā)明的構思從上述分開描述的各個實施例中合并和組合一些步驟和裝置來實現(xiàn)本發(fā)明的效果，這種合并和組合而成的實施例也被包括在本發(fā)明中，在此不一一描述這種合并和組合。注意，在本公開中提及的優(yōu)點、優(yōu)勢、效果等僅是示例而非限制，不能認為這些優(yōu)點、優(yōu)勢、效果等是本發(fā)明的各個實施例必須具備的。另外，上述公開的具體細節(jié)僅是為了示例的作用和便于理解的作用，而非限制，上述細節(jié)并不限制本發(fā)明為必須采用上述具體的細節(jié)來實現(xiàn)。本公開中涉及的器件、裝置、設備、系統(tǒng)的方框圖僅作為例示性的例子并且不意圖要求或暗示必須按照方框圖示出的方式進行連接、布置、配置。如本領域技術人員將認識到的，可以按任意方式連接、布置、配置這些器件、裝置、設備、系統(tǒng)。諸如“包括”、“包含”、“具有”等等的詞語是開放性詞匯，指“包括但不限于”，且可與其互換使用。這里所使用的詞匯“或”和“和”指詞匯“和/或”，且可與其互換使用，除非上下文明確指示不是如此。這里 所使用的詞匯“諸如”指詞組“諸如但不限于”，且可與其互換使用。本公開中的步驟流程圖以及以上方法描述僅作為例示性的例子并且不意圖要求或暗示必須按照給出的順序進行各個實施例的步驟。如本領域技術人員將認識到的，可以按任意順序進行以上實施例中的步驟的順序。諸如“其后”、“然后”、“接下來”等等的詞語不意圖限制步驟的順序；這些詞語僅用于引導讀者通讀這些方法的描述。此外，例如使用冠詞“一個”、“一”或者“該”對于單數(shù)的要素的任何引用不被解釋為將該要素限制為單數(shù)。另外，本文中的各個實施例中的步驟和裝置并非僅限定于某個實施例中實行，事實上，可以根據(jù)本發(fā)明的概念來結合本文中的各個實施例中相關的部分步驟和部分裝置以構思新的實施例，而這些新的實施例也包括在本發(fā)明的范圍內(nèi)。以上所述的方法的各個操作可以通過能夠進行相應的功能的任何適當?shù)氖侄味M行。該手段可以包括各種硬件和/或軟件組件和/或模塊，包括但不限于電路、專用集成電路(ASIC)或處理器?？梢岳帽辉O計用于進行在此所述的功能的通用處理器、數(shù)字信號處理器(DSP)、ASIC、場可編程門陣列信號(FPGA)或其他可編程邏輯器件(PLD)、離散門或晶體管邏輯、離散的硬件組件或者其任意組合而實現(xiàn)或進行所述的各個例示的邏輯塊、模塊和電路。通用處理器可以是微處理器，但是作為替換，該處理器可以是任何商業(yè)上可獲得的處理器、控制器、微控制器或狀態(tài)機。處理器還可以實現(xiàn)為計算設備的組合，例如DSP和微處理器的組合，多個微處理器、與DSP核協(xié)作的一個或多個微處理器或任何其他這樣的配置。結合本公開描述的方法或算法的步驟可以直接嵌入在硬件中、處理器執(zhí)行的軟件模塊中或者這兩種的組合中。軟件模塊可以存在于任何形式的有形存儲介質(zhì)中?？梢允褂玫拇鎯橘|(zhì)的一些例子包括隨機存取存儲器(RAM)、只讀存儲器(ROM)、快閃存儲器、EPROM存儲器、EEPROM存儲器、寄存器、硬碟、可移動碟、CD-ROM等。存儲介質(zhì)可以耦接到處理器以便該處理器可以從該存儲介質(zhì)讀取信息以及向該存儲介質(zhì)寫信息。在替換方式中，存儲介質(zhì)可以與處理器是整體的。軟件模塊可以是單個指令或者許多指令，并且可以分布在幾個不同的代碼段上、不同的程序之間以及跨過多個存儲介質(zhì)。在此公開的方法包括用于實現(xiàn)所述的方法的一個或多個動作。方法和/或 動作可以彼此互換而不脫離權利要求的范圍。換句話說，除非指定了動作的具體順序，否則可以修改具體動作的順序和/或使用而不脫離權利要求的范圍。所述的功能可以按硬件、軟件、固件或其任意組合而實現(xiàn)。如果以軟件實現(xiàn)，功能可以作為一個或多個指令存儲在切實的計算機可讀介質(zhì)上。存儲介質(zhì)可以是可以由計算機訪問的任何可用的切實介質(zhì)。通過例子而不是限制，這樣的計算機可讀介質(zhì)可以包括RAM、ROM、EEPROM、CD-ROM或其他光碟存儲、磁碟存儲或其他磁存儲器件或者可以用于攜帶或存儲指令或數(shù)據(jù)結構形式的期望的程序代碼并且可以由計算機訪問的任何其他切實介質(zhì)。如在此使用的，碟(disk)和盤(disc)包括緊湊盤(CD)、激光盤、光盤、數(shù)字通用盤(DVD)、軟碟和藍光盤，其中碟通常磁地再現(xiàn)數(shù)據(jù)，而盤利用激光光學地再現(xiàn)數(shù)據(jù)。因此，計算機程序產(chǎn)品可以進行在此給出的操作。例如，這樣的計算機程序產(chǎn)品可以是具有有形存儲(和/或編碼)在其上的指令的計算機可讀的有形介質(zhì)，該指令可由一個或多個處理器執(zhí)行以進行在此所述的操作。計算機程序產(chǎn)品可以包括包裝的材料。軟件或指令也可以通過傳輸介質(zhì)而傳輸。例如，可以使用諸如同軸電纜、光纖光纜、雙絞線、數(shù)字訂戶線(DSL)或諸如紅外、無線電或微波的無線技術的傳輸介質(zhì)從網(wǎng)站、服務器或者其他遠程源傳輸軟件。此外，用于進行在此所述的方法和技術的模塊和/或其他適當?shù)氖侄慰梢栽谶m當時由用戶終端和/或基站下載和/或其他方式獲得。例如，這樣的設備可以耦接到服務器以促進用于進行在此所述的方法的手段的傳送。或者，在此所述的各種方法可以經(jīng)由存儲部件(例如RAM、ROM、諸如CD或軟碟等的物理存儲介質(zhì))提供，以便用戶終端和/或基站可以在耦接到該設備或者向該設備提供存儲部件時獲得各種方法。此外，可以利用用于將在此所述的方法和技術提供給設備的任何其他適當?shù)募夹g。其他例子和實現(xiàn)方式在本公開和所附權利要求的范圍和精神內(nèi)。例如，由于軟件的本質(zhì)，以上所述的功能可以使用由處理器、硬件、固件、硬連線或這些的任意的組合執(zhí)行的軟件實現(xiàn)。實現(xiàn)功能的特征也可以物理地位于各個位置，包括被分發(fā)以便功能的部分在不同的物理位置處實現(xiàn)。而且，如在此使用的，包括在權利要求中使用的，在以“至少一個”開始的項的列舉中 使用的“或”指示分離的列舉，以便例如“A、B或C的至少一個”的列舉意味著A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辭“示例的”不意味著描述的例子是優(yōu)選的或者比其他例子更好?？梢圆幻撾x由所附權利要求定義的教導的技術而進行對在此所述的技術的各種改變、替換和更改。此外，本公開的權利要求的范圍不限于以上所述的處理、機器、制造、事件的組成、手段、方法和動作的具體方面?？梢岳门c在此所述的相應方面進行基本相同的功能或者實現(xiàn)基本相同的結果的當前存在的或者稍后要開發(fā)的處理、機器、制造、事件的組成、手段、方法或動作。因而，所附權利要求包括在其范圍內(nèi)的這樣的處理、機器、制造、事件的組成、手段、方法或動作。提供所公開的方面的以上描述以使本領域的任何技術人員能夠做出或者使用本發(fā)明。對這些方面的各種修改對于本領域技術人員而言是非常顯而易見的，并且在此定義的一般原理可以應用于其他方面而不脫離本發(fā)明的范圍。因此，本發(fā)明不意圖被限制到在此示出的方面，而是按照與在此公開的原理和新穎的特征一致的最寬范圍。為了例示和描述的目的已經(jīng)給出了以上描述。此外，此描述不意圖將本發(fā)明的實施例限制到在此公開的形式。盡管以上已經(jīng)討論了多個示例方面和實施例，但是本領域技術人員將認識到其某些變型、修改、改變、添加和子組合。當前第1頁1 2 3