系列文章：

1. 双目视觉（一）双目视觉系统
2. 双目视觉（二）双目匹配的困难和评判标准
3. 双目视觉（三）立体匹配算法
4. 双目视觉（四）匹配代价
5. 双目视觉（五）立体匹配算法之动态规划全局匹配
6. 双目视觉（六）U-V视差
7. 双目视觉（七）稀疏双目匹配
8. 【项目实战】利用Ｕ-V视差进行地面检测
9. 【项目实践】U-V视差路面检测之动态规划

1.双目匹配时面临的困难 

在双目视觉中立体匹配经过半个世纪的发展，已经取得很多研究成果，但依然面临各种各样的难点与挑战。一般立体匹配算法受以下几方面影响，这也是国内外学者一直需要解决的关键问题：包括立体匹配受本身内在因素的影响,同时也受到外界环境的影响(即外在因素)以及算法精度与运行时间问题，使得在实际应用中还存在一定的局限性。

光学失真

表面反光

 缩放

 透视变换造成的失真

 缺少纹理的区域（白墙）

 重复出现

 透明的物体

 遮挡

2.双目匹配的评价标准 

在 2002 年以前，虽然立体匹配算法得到很大的发展，但却没有一个统一的标准来评估算法的好坏。所以 Scharstein 和 Szelisk开发了在线评估平台Middlebury(vision.middlebury.edu/stereo) 网站，该平台提供了四组标准的立体匹配图像数据，分别为 Tsukuba、Venus、Teddy 和 Cones

这些图片都是在不同环境下拍摄的，而且都经过外极线校正所得，并同时给出四组图像的真实视差图（Ground truth
image）作为参考，通过将上传到网站的算法和真实视差结果进行分析对比，从而得到准确的算法评估数据，同时为了对算法进行定量的评估，提出了均方根误差和误匹配率两大指标进行分析：

• 均方根误差法 RMS(root-mean-squared)

• 误匹配率 PBM(Percentage of bad matching pixels)

在对立体匹配算法进行误差计算评测时，通常用 Middleburry 评测网站给出三类典型区域进行划分，如非遮挡区域误匹配率(nonocc)、所有像素点的误匹配率(all)、视差不连续区域误匹配率(disc),对这些区域利用上述公式计算误差率，再通过计算整幅图像的平均误差率对上传的图像进行整体评估，并得到在网站中的公开排名。