参考文献中所提出的大多数研究方法,使用一对相同的摄像机建立一个立体视觉系统[89,186]。仅使用这些基于相同摄像机的立体系统,便可以解决许多实际问题。一般来讲,这些摄像机覆盖固定的视场（FOVs）。在监控应用中,用动态或PTZ摄像机代替这对摄像机中的一个或两个,所设计出的立体系统更具有灵活性[557]。在这种方式下,视场（FOV）和视角（AOV）具有更大的自由度。在情况复杂的宽广区域内,使用静态和PTZ摄像机的组合进行监控,会具有更好的效果[305]。
近年来的一些立体视觉技术研究中,使用一对静态和PTZ混合的摄像机或者一对PTZ摄像机[305,557]。参考文献[5,225,443]中详细提出了与混合传感器监控系统相关的一些智能方法。参考文献[5]中提出的方法已经成功应用于机场安全监控的视觉技术中。参考文献[375,458]中提出了一种基于静动态摄像机网络的分布式智能系统,用于对可疑事件的跟踪和检测。在这种方法中,基于摄像机成像面和地面测试图之间的单应性对移动目标进行定位。参考文献[256]中提出了一种方法,通过静态和动态摄像机的协作来监控宽广的区域。然而,当目标被部分遮挡时,由于得不到它的地面位置,因此这类系统不能进行准确的定位。
从两幅以上二维场景图像中提取三维信息可以实现立体视觉技术。立体视觉技术的主要步骤包括校准、校正和立体匹配。获取摄像机内部和外部参数的过程称为摄像机校准。这些标定参数主要用于校正立体图像[205]。如果两个内部参数相同的摄像机并排放置在一条基线上,则获得一对直线型的立体图像。PTZ摄像机的主要问题是其校准参数随着平移/倾斜/缩放的不同设置而变化[520]。实时应用中,我们不能对PTZ摄像机每个位置的这些参数进行计算。尽管针对监控应用,已经提出了一些PTZ摄像机自校准技术[39,501],但是它们比较耗时并且在实时应用中并不十分有效。第9章详细地给出了各种摄像机的自校准方法。解决摄像机校准问题的另一条思路是直接处理摄像机未校准时的图像[203,589]。这类技术需要最小化非线性函数,也需要某种信息,比如,从未校准图像中所获得的匹配点集合。(www.xing528.com)
获取匹配点方法有许多,比如基于SIFT匹配算子的方法和基于Daisy描述子[337,531]的方法。校正后立体图像对的立体匹配方法主要有两种,即基于特征的方法[550]和基于像素（区域）的方法[440]。由于异构摄像机获取的立体图像对的灰度是不同的,因此不能直接利用这些方法进行立体匹配。为了解决这个问题,应基于匹配点的灰度信息把立体图像对的灰度归一化。归一化后,根据匹配准则计算视差。通过视差可以估计出目标的三维位置[468]。在视差估计中,用SSD准则[521]来寻找最佳的匹配值。在第8章中,详细描述了嵌入式立体匹配方法。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
