本文的主要研究内容是利用两幅以上的摄像机图像恢复出被拍摄物体的三维信息深度信息。基于OpenCV设计了视觉测距系统，采用基于二维平面模板法对摄像机进行标定，然后采用SAD算法实现了立体匹配功能，进而实现了目标物体的测距。

SGBM算法的密集匹配SGBM算法介绍 在OpenCV中使用函数StereoSGBM ( ) 实现了SGBM算法。SGBM 算法核心步骤为：选取匹配基元；构建基于多个方向的扫描线的代价能量和函数；求取能量代价和函数的最优解。OpenCV中SGMB算法的实现主要分为以下四个步骤： ①预处理 SGBM采用水平Sobel算子，把图像做处理，然后用一个函数将经过水平Sobel算子处理后的图像上每个像素点（P表示其像素值）映射成一个新的图像，表示新图像上的像素值。映射函数如下：

利用FPGA并行性计算和合理的流水线设计完成了立体视觉中最核心的部分——立体匹配以及硬件结构，选取SAD区域立体匹配算法，利用补码来实现SAD算法，在算法流程中采用窗口并行和像素串行来完成。在获得视差图时，采用128×128图像对，窗口大小为3×3，视差为24，在系统时钟为50 MHz情况下，实现了每秒425帧的处理速度，最后给出了视差图。实验证明，选用FPGA来实现立体匹配系统的设计是可行的，具有一定的鲁棒性。

立体声匹配 *作者： （2020年1月） 总览 这个小工具是简单的立体声匹配的手动实现。 从不同的角度拍摄的两个经过校正的图像： 左图 正确的图像 通过两个匹配算法来组合以深度图像，简单胜者为王它，所有（WTA）或更复杂的半全局匹配（SGM）与绝对差的几个匹配成本（和（SAD），总和平方差（SAD）或归一化互相关（NCC） ）。 使用accX精度度量将结果与真实情况进行比较，不包括使用遮罩遮挡的像素。 公式 有关所涉及公式的精确细节（匹配成本，匹配算法和精度度量），请参阅Theory.p

基于SAD立体匹配算法的传统测距系统存在精度低、对光照敏感的缺点，为了克服以上缺点，我们实现了基于指导滤波立体匹配算法的双目立体视觉测距系统。本系统首先实现了摄像机的标定，其次使用目前在 Middlebury Stereo benchmark Version2 上排名第一的指导滤波立体匹配（Image-guided Stereo Matching ）算法完成了立体匹配，最后通过计算得到的深度图完成了测距功能。实验表明，该测距系统比传统的基于SAD的测距系统具有更高的精度和更强的鲁棒性。