双目立体视觉是计算机视觉研究领域的重要分支之一,它通过直接模拟人类视觉系统的方式感知客观世界,广泛应用于三维非接触测量、机器人导航和虚拟现实等领域。原木材积检测,特别是整车、成捆、成堆原木的材积检测目前常用称重测量法、视觉平面测量法等,不能精确测量每根原木尺径。因此,利用双目立体视觉的技术研究成堆原木野外尺径测量具有一定的理论价值和十分重要的现实意义。论文围绕双目标定技术、匹配策略与匹配算法、阴影消除等重点与难点问题展开研究。论文的主要工作包括以下几个方面。(1)针对正交消隐点标定在实际应用中误差大、容易退化等问题,提出了最优正交消隐点标定方法。该方法最少只需两幅图像,根据提出的消隐点优化方法,每幅图像提取最优的两对正交消隐点实现内外参数标定。首先,对单个摄像机先进行线性求解求得主点和焦距初始值；考虑到镜头径向畸变,采用非量测方法,利用直线约束进行畸变校正；再提出优化的差分进化算法,以线形求解的内参数为初值,直线的共线特征为约束优化内参数；最后,根据转换后的4对消隐点坐标,利用无穷单应旋转矩阵的正交约束条件,得到旋转矩阵和平移矩阵。该标定方法只需要摄像机拍摄模板平面在不同方向的图像,模板可以自由的运动,无需其运动参数。双目标定的平均重构误差为0.598pixel,跟传统方法标定误差相当。该标定算法重构误差与传统算法在一个级别,能满足标定中稳定可靠、精度高、抗干扰能力强等要求。(2)为了解决Meanshift分割参数选择不合适引起的过分割和过合并问题,提出了自适应阈值的合并。为了保证不过合并,首先判断区域面积大小,区域面积大于某个阈值,可判断为单根原木端面,不做合并处理；由于每幅图像中区域之间的距离大小不同,根据合并前的预分割区域,计算相邻区域间的距离,再取整幅图中相邻区域距离平均值为阈值,实现自适应合并。实验结果表明,该方法对阴影、背景和端面三类不同区域分割较为准确,采用自适应阈值较好地改善了固定参数Meanshift分割在本类图像分割中存在的过分割和过合并缺点。(3)由于自然环境下,原木在堆放时其端面不在一个平面,凹进去的原木很容易陷入阴影中,阴影和原木间的空隙很难区分。为了能准确分割阳光下自然堆放的原木端面图像,解决阴影消除的问题,提出了模式识别的方法。对分割后的区域提取共30维的颜色直方图和LBP纹理直方图特征量用于分类器的训练和预测。本文通过对多根原木堆积的端面图像分割,证明了该算法的有效性,实验结果证明该方法特别适用于有阴影存在的图像分割问题。(4)针对立体匹配的速度与精度以及图像分割等问题,提出了FSAD和Meanshift图像分割相结合的立体匹配算法。该算法首先利用相机内外参数对左右图像做极线校正,并在左右图像中提取同名点作为约束完成校正,保证校正后的图像同名点有相同的纵坐标；再利用FSAD算法,计算原始视差图；为了更好的提取图像边缘,对原始图像进行Meanshift图像分割,优化原始视差图得到最终视差。实验结果表明,该匹配算法可得到致密的视差图,并在边缘等视差不连续区域可获得较好的匹配精度。利用最小外接矩阵计算端面的长径和短径,尺径测量精度验证了算法的有效性和可行性,并且能较好解决原木端面区域分割,提高了匹配精度。实验结果表明本文的方法符合原木检尺在速度和精度上的要求,处理一幅图片在15s以内,根数检出率平均为96.17%,径级测量结果跟人工检尺一致。结果符合原木材积检测要求,特别是在室外光线不稳定、枝丫遮挡、端面污染等也能有较高的测量精度,给原木检尺的视觉测量提供了有益的参考。