基于动态规划的立体匹配三维重建方法与设计方案

本技术公开了一种基于动态规划的立体匹配三维重建方法，该系统由两台摄像机组成，其实现步骤为：(1)通过调整两台摄像机的位置，使得两摄像机的成像平面尽量平行(2)对三维测量系统进行标定：获取两台摄像机的内参和外参，得到图像上的像素坐标与世界坐标系的对应关系。

(3)对极线几何校正及图像变换(4)利用基于动态规划的立体匹配算法，得出视差图。

(5)视差校正(6)根据摄像机标定参数以及视差图，通过空间交汇法得到三维点云。

本技
术视差图精度高、实时性高，并且能够准确快速自动重建图像三维点云。

技术要求
1.一种基于动态规划的立体匹配三维重建方法，其特征在于，包括以下步骤：
步骤1：图像获取，使用双目摄像机的左右两台摄像机同时各拍摄一幅图像，其中左摄像机拍摄的为左图像，右摄像机拍摄的为右图像；
步骤2：摄像机标定，分别对两台摄像机进行标定，建立摄像机图像像素位置与场景位置之间的关系，获得左摄像机的内参数矩阵AL、右摄像机的内参数矩阵AR和左摄像机的外参数矩阵[RL tL]、右摄像机的外参数矩阵[RR tR]；
步骤3：图像对极线校正，根据步骤2得到的左、右两摄像机的内外参数矩阵运用极线校正方法对步骤1所拍摄的左、右图像进行极线校正得到平行式双目视觉模型，使匹配像素对具有相同的纵坐标；校正后的左图像和右图像分别记为Il和Ir；
步骤4：利用动态规划算法的立体匹配获取视差图，根据步骤3已校正的左图像和右图像确定视差范围，以校正后的左图像Il为基准图像，以校正后的右图像Ir为配准图像，采用自适应权重窗口方法对基准图像中的每一个像素点计算匹配代价并得到初始左视差图，然后，以校正后的右图像Ir为基准图像，以校正后的左图像Il为配准图像，对基准图像中的每一个像素点计算匹配代价并得到初始右视差图；计算完匹配代价后，生成视差空间图；在视差空间图中采用动态规划求取最优路径进行优化，得取视差图；
步骤5：视差校正，判断基准图像中像素点p是否是可靠点，并使得步骤4中得到的p点最终视差值Dispartiy(p)＝dl(Npi)，dl(Npi)为Npi的视差值，Npi为基准图像中坐标(x,y)的视差不可靠像素点p八邻域的像素点，进而得到最终的视差图；
步骤6：根据步骤2得到的摄像机内外参数矩阵以及步骤5得到的最终的视差图D，通过空间交汇法计算得到整个目标物的三维点云模型。

2.根据权利要求1所述的基于动态规划的立体匹配三维重建方法，其特征在于：所述步骤4中在生成视差空间图前，采用局部线性滤波对两幅图像进行滤波。

3.根据权利要求2所述的基于动态规划的立体匹配三维重建方法，其特征在于：所述局部线性滤波方法为对步骤3已校正的左图像和右图像分别进行高斯滤波，消除噪声影响。

4.根据权利要求3所述的基于动态规划的立体匹配三维重建方法，其特征在于：所述步骤4中利用动态规划算法的立体匹配获取视差图的方法包括以下步骤：
步骤4.1：根据左右两幅图像确定视差范围；
D＝(dmin,dmax)，
其中，dmin为最小视差，dmin＝0，dmax为最大视差，通过标记基准图像和配准图像之间的匹配像素点对求得；
步骤4.2：计算匹配代价，以校正后的左图像Il为基准图像，以校正后的右图像Ir为配准图像，采用自适应权重窗口方法对基准图像中的每一个像素点计算匹配代价并得到初始左视差图，然后，以校正后的右图像Ir为基准图像，以校正后的左图像Il为配准图像，对基准图像中的每一个像素点计算匹配代价并得到初始右视差图：
C(p,d)＝δ*CTAD(p,d)+(1-δ)*CGradient(p,d)
其中，p为像素点，d为该像素点的视差值,R为彩色图像，参数δ用于平衡彩色信息CTAD(p,d)与梯度信息CGradient(p,d)之间的比例关系；Ri'(pd)为右图像在p点i通道的像素值，Ri(p)为左图像在p点i通道的像素值，为x方向上梯度值，为y方向上梯度值，τAD表示彩色图像空间R,G,B通道分量的截断阈值；CGradient(p,d)表示沿x和y方向，对R,G,B三个通道进行阶段阈值梯度的计算；和分别表示x和y方向的截断阈值；pd为在左图像像素值上加上视差d后(即右图像中)p点的像素值；
步骤4.3：对匹配代价进行滤波
采用局部线性滤波，对于任意一像素点p，滤波后的匹配代价为：
其中，Wp,q为内核函数，
上式为彩色图像R的权值滤波函数，Ip，Iq和μk表示颜色信息的3×1向量，ωk为大小3×3的矩形窗口，∑k表示3×3的协方差矩阵，U为3×3的单位矩阵，q为p的邻域像素；
计算完匹配代价并将匹配代价滤波后，生成视差空间图；
步骤4.4：在视差空间图中采用动态规划求取最优路径进行优化，得取视差图。

5.根据权利要求4所述的基于动态规划的立体匹配三维重建方法，其特征在于：所述步骤4.1中通过标记基准图像和配准图像之间的匹配像素点对求得最大视差的方法：
随机选取基准图像中的十个像素点{pl1,pl2,pl3,…,pl10}，在配准图像中分别寻找与
{pl1,pl2,pl3,…,pl10}具有相同纵坐标和相近颜色信息的十个估算匹配像素点{pr1,pr2,pr3,…,pr10}，于是得到十组估算匹配像素对{(pl1,pr1),(pl2,pr2),(pl3,pr3),…,(pl10,pr10)}，对每一组匹配像素对计算两像素的横坐标之差的绝对值得到一组视差值{d1,d2,d3,…,d10}，最大视差dmax＝max{d1,d2,...,d10}+5。

6.根据权利要求5所述的基于动态规划的立体匹配三维重建方法，其特征在于：所述步骤4.4中在视差空间图中采用动态规划求取最优路径进行优化，得取视差图的方法：动态规划对每条扫描线上的匹配代价进行累计，从左至右寻找最小匹配代价值路径，从而获取每一像素的视差值；分别以左右图像为基准图像计算左视差图Dl，右视差图Dr，运用左右一致性准则，将满足|dl(p)-dr(q)|≤1的点标记为视差可靠点，并使Dispartiy(p)＝
(dl(p)+dr(q))/2；否则标记为视差不可靠点记为Dispartiy(p)＝0；其中p点为基准图像中像素点，q点为配准图像中p点的匹配点，dl(p)∈Dl为像素点p的视差值，dr(q)∈Dr为像素点q的视差，Dispartiy(p)为p点最终视差值。

7.根据权利要求2所述的基于动态规划的立体匹配三维重建方法，其特征在于：所述步骤5中得到得到最终的视差图的方法：
将基准图像中坐标(x,y)的视差不可靠像素点p八邻域的像素点标记为Npi，其中(xi,yi)为Npi 的图像坐标，将Npi的灰度值与p点灰度值相减，得到灰度差值，并将灰度差值按从小到大的顺序排序；按照从灰度差值最小的像素到最大的像素的顺序来依次判断是否存在像素Npi满足如下三个条件(1)Npi为视差可靠点；(2)Npi∈Sp，其中Sp为像素所在的窗口范围；(3)|Il(xi,yi)-Ir(xi+dl(Npi),yi)|≤s，其中Il(·)，Ir(·)表示基准图像和配准图像中像素点的灰度值，dl(Npi)∈Dl为Npi的视差值，s为设定的阈值；
若存在Npi满足上面三个条件则将p点标记为可靠点，并使Dispartiy(p)＝dl(Npi)；否则将条件(3)替换为|Il(x,y)-Il(x+m,y+n)|≤s重新计算条件(1)(2)(3)，如果存在Npi满足条件则将p标记为视差可靠点并使视差Dispartiy(p)＝dl(Npi)；其中m,n∈(-1,0,1)，m,n不同时为0；经过此步骤得到最终的视差图。

技术说明书
一种基于动态规划的立体匹配三维重建方法
技术领域
本技术属于双目立体视觉技术领域，涉及到基于立体匹配处理图像的问题。

背景技术
双目立体视觉技术是一种被动式的三维测量方法，其实现方式灵活、对环境要求低、人机交互友好，是三维重建算法中比较流行的一种技术。

双目立体视觉旨在模拟人类双眼识别场景三维信息的机理，从两个角度获取场景的二维图像，再根据建立图像之间的匹配关系重建三维模型，主要包括摄像机标定，图像对匹配，三维信息还原等主要过程。

建立两幅图像像素点对应关系的过程就是立体匹配的过程，它是双目立体视觉技术的核心，主要任务是首先通过双目或多目图像匹配得到视差图，然后通过三角测量关系得到物体的景深。

立体匹配的主要任务是得到光滑逼真的稠密视差图，立体匹配算法主要分为局部算法和全局算法，局部算法利用像素点的邻域信息进行匹配，计算复杂度较低，但匹配精度不高，特别在低纹理、视差不连续区域容易产生错误。

全局算法将平滑性代价加入匹配代价的计算中，使匹配转化为能量函数的全局最优过程，主要有图割算法，置信度传播算法和动态规划算法。

其中动态规划算法计算复杂度最低，速度最快，但容易产生条状瑕疵问题，置信度传播算法和图割算法匹配精度较高，计算得到的视差图在边缘区域和深度不连续区域的效果较好，相对而言，图割算法耗时久，实时性能有待改善。

现有的基于双目立体视觉的三维重建算法存在以下几个方面的缺点：
(1)构建合适的邻域窗口是局部算法的关键，窗口太小，则无法包含待匹配像素点足够的邻域信息，窗口太大，则匹配代价的计算中将包含不具有指导意义的邻域信息，这些都会导致错误匹配的产生。

(2)全局算法中计算复杂度相对较低的动态规划算法将全局能量优化局限于一维的扫描线内，丢失了其他方向的光滑性约束，会产生横向条纹，而且实时性得不到提高。

图割算法耗时较久，很难满足实拍图像三维重建的实时性要求，置信度传播算法不加选择地在邻域像素之间传播置信度，而在视差不连续区域邻域像素之间可能不满足视差连续性约束，结果导致重建点云边界不清晰。

由于存在以上缺点，现有的基于立体匹配的三维重建算法在实际应用中并不能得到令人满意的结果。

另外，虽然近年来，立体匹配算法被大量学者进行研究，大量越来越高精度的方法被提出。

但是很多算法难以达到精度与实时性的双重要求。

技术内容
技术目的：针对传统动态规划算法容易产生横向条纹以及实时性不够问题，本技术提供一种基于动态规划的立体匹配三维重建方法，本技术采用一种新的自适应相关函数计算匹配代价，融合了图片的彩色及梯度信息，再采用匹配滤波。

使得视差图精度提高，又采用分层算法及控制点方法使得实时性得到提高，并且能够准确快速自动重建图像三维点云。

技术方案：为实现上述目的，本技术采用的技术方案为：
一种基于动态规划的立体匹配三维重建方法，包括以下步骤：
步骤1：图像获取，使用双目摄像机的左右两台摄像机同时各拍摄一幅图像，其中左摄像机拍摄的为左图像，右摄像机拍摄的为右图像；
步骤2：摄像机标定，分别对两台摄像机进行标定，建立摄像机图像像素位置与场景位置之间的关系，获得左摄像机的内参数矩阵AL、右摄像机的内参数矩阵AR和左摄像机的外参数矩阵[RL tL]、右摄像机的外参数矩阵[RR tR]；
步骤3：图像对极线校正，根据步骤2得到的左、右两摄像机的内外参数矩阵运用极线校正方法对步骤1所拍摄的左、右图像进行极线校正得到平行式双目视觉模型，使匹配像素对具有相同的纵坐标；校正后的左图像和右图像分别记为Il和Ir；
步骤4：利用动态规划算法的立体匹配获取视差图，根据步骤3已校正的左图像和右图像确定视差范围，以校正后的左图像Il为基准图像，以校正后的右图像Ir为配准图像，采用自适应权重窗口方法对基准图像中的每一个像素点计算匹配代价并得到初始左视差图，然后，以校正后的右图像Ir为基准图像，以校正后的左图像Il为配准图像，对基准图像中的每一个像素点计算匹配代价并得到初始右视差图；计算完匹配代价后，生成视差空间图；在视差空间图中采用动态规划求取最优路径进行优化，得取视差图；
步骤5：视差校正，判断基准图像中像素点p是否是可靠点，并使得步骤4中得到的p点最终视差值Dispartiy(p)＝dl(Npi)，dl(Npi)为Npi的视差值，Npi为基准图像中坐标(x,y)的视差不可靠像素点p八邻域的像素点，进而得到最终的视差图；
步骤6：根据步骤2得到的摄像机内外参数矩阵以及步骤5得到的最终的视差图D，通过空间交汇法计算得到整个目标物的三维点云模型。

优选的：所述步骤4中在生成视差空间图前，采用局部线性滤波对两幅图像进行滤波。

优选的：所述局部线性滤波方法为对步骤3已校正的左图像和右图像分别进行高斯滤波，消除噪声影响。

优选的：所述步骤4中利用动态规划算法的立体匹配获取视差图的方法包括以下步骤：
步骤4.1：根据左右两幅图像确定视差范围；
D＝(dmin,dmax)，
其中，dmin为最小视差，dmin＝0，dmax为最大视差，通过标记基准图像和配准图像之间的匹配像素点对求得；
步骤4.2：计算匹配代价，以校正后的左图像Il为基准图像，以校正后的右图像Ir为配准图像，采用自适应权重窗口方法对基准图像中的每一个像素点计算匹配代价并得到初始左视差图，然后，以校正后的右图像Ir为基准图像，以校正后的左图像Il为配准图像，对基准图像中的每一个像素点计算匹配代价并得到初始右视差图：
C(p,d)＝δ*CTAD(p,d)+(1-δ)*CGradient(p,d)
其中，p为像素点，d为该像素点的视差值,R为彩色图像，参数δ用于平衡彩色信息CTAD(p,d)与梯度信息CGradient(p,d)之间的比例关系；Ri'(pd)为右图像在p点i通道的像素值，Ri(p)为左图像在p点i通道的像素值，为x方向上梯度值，为y方向上梯度值，τAD表示彩色图像空间R,G,B通道分量的截断阈值；CGradient(p,d)表示沿x和y方向，对R,G,B三个通道进行阶段阈值梯度的计算；和分别表示x和y方向的截断阈值；pd为在左图像像素值上加上视差d后(即右图像中)p点的像素值；
步骤4.3：对匹配代价进行滤波
采用局部线性滤波，对于任意一像素点p，滤波后的匹配代价为：
其中，Wp,q为内核函数，
上式为彩色图像R的权值滤波函数，Ip，Iq和μk表示颜色信息的3×1向量，ωk为大小3×3的矩形窗口，∑k表示3×3的协方差矩阵，U为3×3的单位矩阵，q为p的邻域像素
计算完匹配代价并将匹配代价滤波后，生成视差空间图；
步骤4.4：在视差空间图中采用动态规划求取最优路径进行优化，得取视差图。

优选的：所述步骤4.1中通过标记基准图像和配准图像之间的匹配像素点对求得最大视差的方法：
随机选取基准图像中的十个像素点{pl1,pl2,pl3,…,pl10}，在配准图像中分别寻找与
{pl1,pl2,pl3,…,pl10}具有相同纵坐标和相近颜色信息的十个估算匹配像素点{pr1,pr2,pr3,…,pr10}，于是得到十组估算匹配像素对{(pl1,pr1),(pl2,pr2),(pl3,pr3),…,(pl10,pr10)}，对每一组匹配像素对计算两像素的横坐标之差的绝对值得到一组视差值{d1,d2,d3,…,d10}，最大视差dmax＝max{d1,d2,...,d10}+5。

优选的：所述步骤4.4中在视差空间图中采用动态规划求取最优路径进行优化，得取视差图的方法：动态规划对每条扫描线上的匹配代价进行累计，从左至右寻找最小匹配代价值路径，从而获取每一像素的视差值；分别以左右图像为基准图像计算左视差图Dl，右视差图Dr，运用左右一致性准则，将满足|dl(p)-dr(q)|≤1的点标记为视差可靠点，并使Dispartiy(p)＝(dl(p)+dr(q))/2；否则标记为视差不可靠点记为Dispartiy(p)＝0；其中p点为基准图像中像素点，q点为配准图像中p点的匹配点，dl(p)∈Dl为像素点p的视差
值，dr(q)∈Dr为像素点q的视差，Dispartiy(p)为p点最终视差值。

优选的：所述步骤5中得到得到最终的视差图的方法：
将基准图像中坐标(x,y)的视差不可靠像素点p八邻域的像素点标记为Npi，其中(xi,yi)为Npi 的图像坐标，将Npi的灰度值与p点灰度值相减，得到灰度差值，并将灰度差值按从小到大的顺序排序；按照从灰度差值最小的像素到最大的像素的顺序来依次判断是否存在像素Npi满足如下三个条件(1)Npi为视差可靠点；(2)Npi∈Sp，其中Sp为像素所在的窗口范围；(3)|Il(xi,yi)-Ir(xi+dl(Npi),yi)|≤s，其中Il(·)，Ir(·)表示基准图像和配准图像中像素点的灰度值，dl(Npi)∈Dl为Npi的视差值，s为设定的阈值；
若存在Npi满足上面三个条件则将p点标记为可靠点，并使Dispartiy(p)＝dl(Npi)；否则将条件(3)替换为|Il(x,y)-Il(x+m,y+n)|≤s重新计算条件(1)(2)(3)，如果存在Npi满足条件则将p标记为视差可靠点并使视差Dispartiy(p)＝dl(Npi)；其中m,n∈(-1,0,1)，m,n不同时为0；经过此步骤得到最终的视差图。

有益效果：本技术提供的一种基于动态规划的立体匹配三维重建方法，相比现有技术，具有以下有益效果：
提出一种自适应相似度性测度函数，引入了RGB图像的彩色信息和梯度信息，提高了视差图精度。

自适应函数的复杂性使得算法效率降低，本技术又采用控制点分层算法以提高运算速度。

经比较，本技术在精度与实时性上均达到要求。

附图说明
图1是本技术整个过程流程图.
图2是系统模型及原理示意图。

图3是极线极线校正示意图。

图4是视差空间图示意图。

图5是搜索路径示意图。

图6由匹配关系和标定数据计算图像上物点的空间三维坐标示意图。

具体实施方式
下面结合附图和具体实施例，进一步阐明本技术，应理解这些实例仅用于说明本技术而不用于限制本技术的范围，在阅读了本技术之后，本领域技术人员对本技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

下面参照附图，对本技术具体实施方案做更为详细的描述。

编程实现工具选用Visual Studio2013,选用Middlebury标准库中图像作为匹配图像。

图1为本技术的完整流程。

图2为本技术的系统模型及原理示意图。

使用两个CCD分别从两个不同角度同时各拍摄一幅建筑物图像，OL、OR分别为两台摄像机的光心，IL、IR分别为两台摄像机的成像平面，P为待重构的建筑物上的一个空间物点，PL，PR为物点P分别在两台摄像机成像平面上所成的像点。

这种由同一空间物点在不同摄像机成像平面上所成的像点为一对匹配点。

任取其中一幅为基准图像，另一幅为配准图像，为基准图像中的每个像素点在对准图像中搜索对应的匹配点的过程称为立体匹配。

得到像素点的匹配关系后，根据系统模型，结合标定得到的摄像机内外参数，进行逆向运算，就可得到对应物点的空间三维坐标，从而实现图像的三维重构。

如图3所示是对极线校正示意图。

根据步骤2中标定过程得到的内外参数，采用参考文
献“A compact algorithm for rectification of stereo pairs.Machine Visionand
Applications”(Fusiello A,Trucco E,Verri A.2000,12(1):16-22)中的提出的极线校正方法对所拍摄的左右图像进行对极线校正，如果变换后图像中的像素点坐标对应到原始图像中的非整数坐标上时，则进行通过灰度双线性插值，最后得到平行式双目视觉模型，使匹配像素对处于同一扫描线上，降低匹配的空间复杂度，经过校正后的图像无失真，校正准确率高，误差小于一个像素。

本技术其目的为生成一副最终视差图，由视差图以及获得的摄像机参数进行场景的三维重建。

首先采集两幅彩色实拍图像，进行摄像机标定，根据标定数据进行对极线校正和图像变换，然后求取图像对的视差空间图，在视差空间图内采用一种自适应相似度性测度函数计算匹配代价并进行代价滤波。

再采用动态规划算法在视差空间图内寻找最优路径求取视差，视差校正后最后利用标定数据和匹配结果重建三维点云并显示。

本技术的具体实施步骤如下：
步骤1：图像获取
使用双目摄像机获取图像，首先调整双目摄像机使其光轴基本平行并使左右镜角度处于合适的位置，然后同时各拍摄一幅图像，其中左镜头拍摄的为左图像，右镜头拍摄的为右图像；
步骤2：摄像机标定
分别对两台摄像机进行标定，建立摄像机图像像素位置与场景位置之间的关系，获得左边的摄像机的内参数矩阵AL、右边的摄像机的内参数矩阵AR和左边的摄像机的外参数矩阵[RL tL]、右边的摄像机的外参数矩阵[RR tR]；
步骤3：图像对极线校正
根据步骤2得到的摄像机内外参数运用极线校正方法对所拍摄的左右图像进行极线校正得到平行式双目视觉模型，使匹配像素对具有相同的纵坐标，即使匹配像素对处于同一扫描线上。

校正后的左图像和右图像分别记为Il和Ir；
步骤4：利用动态规划算法的立体匹配获取视差图
步骤4.1对两幅图像进行高斯滤波，消除噪声影响改善图像质量；
步骤4.2：计算左右两幅图像的初始匹配代价，建立视差空间图(DSI)
步骤4.2.1：确定视差范围
D＝(dmin,dmax)，
其中dmin为最小视差，dmin＝0，dmax为最大视差，通过标记基准图像和配准图像之间的匹配像素点对求得：
随机选取基准图像中的十个像素点{pl1,pl2,pl3,…,pl10}，在配准图像中分别寻找与
{pl1,pl2,pl3,…,pl10}具有相同纵坐标和相近颜色信息的十个估算匹配像素点{pr1,pr2,pr3,…,pr10}，于是得到十组估算匹配像素对{(pl1,pr1),(pl2,pr2),(pl3,pr3),…,(pl10,pr10)}，对每一组匹配像素对计算两像素的横坐标之差的绝对值得到一组视差值{d1,d2,d3,…,d10}，最大视差dmax＝max{d1,d2,...,d10}+5；
步骤4.2.2：计算匹配代价
以校正后的左图像Il为基准图像，以校正后的右图像Ir为配准图像，采用自适应权重窗口方法对基准图像中的每一个像素点计算匹配代价并得到初始左视差图，然后，以校正后的右图像Ir为基准图像，以校正后的左图像Il为配准图像，对基准图像中的每一个像素点计算匹配代价并得到初始右视差图：
C(p,d)＝δ*CTAD(p,d)+(1-δ)*CGradient(p,d)
其中，p为像素点，d为该像素点的视差值,R为彩色图像，参数δ用于平衡彩色信息CTAD(p,d)与梯度信息CGradient(p,d)之间的比例关系；Ri'(pd)为右图像在p点i通道的像素值，Ri(p)为左图像在p点i通道的像素值，为x方向上梯度值，为y方向上梯度值，τAD表示彩色图像空间R,G,B通道分量的截断阈值；CGradient(p,d)表示沿x和y方向，对R,G,B三个通道进行阶段阈值梯度的计算；和分别表示x和y方向的截断阈值；pd为在左图像像素值上加上视差d后(即右图像中)p点的像素值；
步骤4.2.3：对匹配代价进行滤波：
采用局部线性滤波，对于任意一像素p，滤波后的匹配代价为：
其中，Wp,q为内核函数，
上式为彩色图像R的权值滤波函数，Ip，Iq和μk表示颜色信息的3×1向量，ωk为大小3×3的矩形窗口，∑k表示3×3的协方差矩阵，U为3×3的单位矩阵，q为p的邻域像素。

计算完匹配代价并将匹配代价滤波后，可以生成视差空间图。

步骤4.3：在视差空间图中采用动态规划求取最优路径进行优化，得取视差图。

动态规划对每条扫描线上的匹配代价进行累计，从左至右寻找最小匹配代价值路径，从而获取每一像素的视差值。

分别以左右图像为基准图像计算视差图Dl，Dr，运用左右一致性准则，将满足|dl(p)-dr(q)|≤1的点标记为视差可靠点，并使Dispartiy(p)＝(dl(p)+dr(q))/2；否则标记为视差不可靠点记为Dispartiy(p)＝0；
其中p点为基准图像中像素点，q点为配准图像中p点的匹配点，dl(p)∈Dl为像素点p的视差值，dr(q)∈Dr为像素点q的视差，Dispartiy(p)为p点最终视差值；
步骤5：视差校正
步骤5.1：填充视差不可靠点。