利用视觉信息恢复场景是计算机视觉领域的重要研究课题之一,也在自动驾驶、智能机器人等领域得到了应用。其中利用双目立体视觉技术,获得深度信息,是自动驾驶、智能机器人环境感知的重要手段。获取深度信息的精度和可靠性取决于的关键在于立体匹配算法的效率,为此,开展了着力于提高立体匹配算法精度的研究,并搭建基于SoC的双目视觉系统。本文首先研究了双目视觉相机模型,离线对摄像机进行标定,获得摄像机的内外参数。基于标定结果对图像校正,使摄像机模型转化为线性模型,同时使图像对应点高度相同,有利于提高立体匹配的精度和效率。立体匹配是其中的关键,通常分为:匹配代价计算、代价聚合、视差计算、视差细化。采用Census变换提取图像特征,利用汉明距离表征左右视图间像素点的相似性,即匹配代价值。低纹理区域由于特征不明显,匹配困难。深入研究了多尺度代价聚合方法,并将其与最小生成树结合,作为最终的代价聚合算法。多尺度代价聚合考虑了尺度间信息,可以有效减少低纹理区域的误匹配。考虑到初始视差仍存在较多的误匹配,尤其在视差不连续处匹配精度较差,本文提出了基于超像素分割的视差细化算法。同一超像素内的像素具有相似的特征,并且超像素能紧密贴合图像边缘。将超像素权重结合加权中值滤波细化视差,可以增加相似像素的权重,得到更高的匹配精度。实验结果表明相比于双边权重的中值滤波器,基于超像素的方法精度更高,尤其在视差不连续区域效果提升较为明显。完整的双目视觉系统包括:图像采集、摄像机标定、立体匹配、三维重建等部分。本文基于Zynq SoC搭建双目视觉系统,实现了图像采集及图像的Census特征提取,并计算匹配代价,完成了代价聚合、视差计算等部分,最终得到视差图。基于数据集和实际场景图像做实验测试,结果表明,本文的双目视觉系统在标准数据集上有较高的精度,在实际场景也有较好的效果。