본 논문에서는 컬러 정보를 이용한 계층적 스테레오 정합 기법을 제안한다. 특징기반의 스테레오 정합 방법을 이용하여 초기 변이지도를 생성하고, 계층적 스테레오 정합 기법으로 최종 변이지도를 획득한다. 영상을 R, G, B, white 4개의 색상 성분으로 분할하여 영상의 경계(edge)를 추출하고, 추출된 경계에서 정합 창을 이용하여 변이(disparity)를 추정한다. 추정된 변이는 각 색상 성분에서 자기상관도(autocorrelation)에 따라 주변 영역으로 확산되어 초기 변이지도(disparity map)를 생성한다. 초기 변이지도는 최종 변이지도를 생성하기 위한 변이 탐색의 초기값으로 사용되고, 각 색상 성분에서 정합 창과 탐색 범위(search range)의 변화를 이용하여 최종 변이 지도를 생성시킨다. 본 논문에서는 Middlebury stereo vision의 4개의 실험 영상을 가지고 객관적 성능 평가를 하였다. 실험 결과 제안한 기법이 기존의 Graph-cuts와 Dynamic Programming 기법보다 우수한 성능을 보였다. 최종 변이지도의 부정확한 변이는 전체 영상에서 평균11% 존재했고, 변이지도에서 불연속점의 경계가 뚜렷한 것을 확인하였다.
In this paper, a hierarchical stereo matching with color information is proposed. To generate an initial disparity map, feature based stereo matching is carried out and to generate a final disparity map, hierarchical stereo matching is carried out. The boundary (edge) region is obtained by segmenting a given image into R, G, B and White components. From the obtained boundary, disparity is extracted. The initial disparity map is generated when the extracted disparity is spread to the surrounding regions by evaluating autocorrelation from each color region. The initial disparity map is used as an initial value for generating the final disparity map. The final disparity map is generated from each color region by changing the size of a block and the search range. 4 test images that are provided by Middlebury stereo vision are used to evaluate the performance of the proposed algorithm objectively. The experiment results show better performance compared to the Graph-cuts and Dynamic Programming methods. In the final disparity map, about 11% of the disparities for the entire image were inaccurate. It was verified that the boundary for the non-contiguous point was clear in the disparity map.
