Angesichts des Problems hoher Rechenaufwände und hoher Fehlzuordnungsraten bei dem PatchMatchStereo-Stereomatching-Algorithmus bei der Implementierung geneigter Ebenen, verursacht durch die Verwendung einer Zufallsfunktion zur Generierung der Ebenenparameter, wird ein Stereomatching-Algorithmus auf Basis lokaler Konsistenzbeschränkung vorgeschlagen. Zunächst werden durch spärliches Matching von Pixeln im Bild Stützpunkte mit hoher Disparitätsvertrauen ermittelt; anschließend wird mittels Dreiecksvermaschung für jeden Pixel eine dreieckige Ebene bestimmt, Ebenenparameter berechnet und an Punkte innerhalb dieser Ebene zugewiesen; dann werden durch iterative Propagation für jeden Pixel genauere Ebenenparameter gefunden, wobei ein lokales Konsistenz-Parallelenfenstermodell aufgebaut wird; schließlich wird der Disparitätswert anhand der Ebenenparameter berechnet und durch Nachbearbeitung optimiert. Der Algorithmus wurde auf dem standardisierten Datensatz der dritten Version der Middlebury-Bewertungsplattform getestet, die experimentellen Ergebnisse zeigen, dass die durchschnittliche Fehlzuordnungsrate nach der Verarbeitung um 4,39 % gegenüber dem PMS-Algorithmus reduziert wurde, wobei die maximale Reduzierung der Fehlzuordnungsrate bei einem einzelnen Bild 15,42 % betrug. Der Algorithmus verbessert die Bildverarbeitungseffizienz und senkt gleichzeitig die Fehlzuordnungsrate, was ihm gegenüber anderen Algorithmen signifikante Vorteile verschafft.

Dreiecksvermaschung;Parallelenfenster;iterative Propagation;Bildverarbeitung;lokale Konsistenz