然后根据相机的参数，就可以求出该点的三维坐标。

1.2 双目相机的相关坐标系

物体的三维信息均由二维图像推导而来。为了明确物体在三维空间的具体位置，不仅需要图像的信息，还需得知相机的具体参数。相机参数的确定过程称为做相机的标定。在双目视觉系统中，除了对各个相机进行标定之外，还需要相机间的相互关系以及相机与被测物体的坐标关系，这一过程被称为系统的标定。

从图像上的参考对象到三维空间上的模板的映射过程其实是坐标系之间的变换。在图像上的某一点，通过物理关系的转化，可以得到现实的物理坐标，然后通过图像平面映射成相机坐标系的某一平面，从而获得该点在相机坐标系的坐标，最后，通过相机坐标系与世界坐标系的旋转平移转换就可以确定该点的实际三维坐标了。因此，要确定点的三维坐标，首先必须了解这四个坐标系^[4]。

(1) 像素坐标系。在数字图像中，一幅图像就是一个 N 列M 行 的数组，每个数组数值就是这个点的亮度。在图像的左上角设置了直角坐标系 u、v， 每一像素的坐标(u, v)就是该像素在数组中的行和列。以像素作为单位的坐标系称作做像素坐标系。

图像坐标系。为了知道物体在三维空间的特定位置，则需要建立与实际物理单位相关的坐标系，这样的坐标系称为图像坐标系，该坐标系以图像内某一点作为坐标原点，其 x 轴和 y 轴分别与像素坐标系的 u 轴，v 轴平行。

2 特征描述子模板匹配与目标识别

在确定三维空间与图像的对应关系后，要想对其视差进行计算，就必须知道三维空间的点在左右图像上的对应关系，这就是立体匹配的目的。通过立体匹配技术，就可以明确左右图像中之间点的对应关系，从而得到视差，恢复点的三维信息。图像处理是机器视觉中基础部分，常用的目标匹配方法主要有基于灰度、相关性、形状的模板匹配。但这些方法容易受到光照的影响，对于灰度变化、图像变形以及遮挡问题无法进行精准的目标识别，因此本文采用基于ORB特征BRIEF描述子的模板匹配方法，提高匹配的准确性^[6]。

本文采用在ICCV2011上有RUBLEE E等人提出的ORB算法。由于ORB算法的特征描述子并不具备尺度不变特征，并且尺度突变会影响其特征匹配的精度，因此对ORB算法需进行改进,研究出一种将具有尺度不变性的BRIEF特征描述子与ORB特征检测子结合的特征匹配方法，再用RANSAC算法迭代剔除误匹配。

2.1特征点提取

ORB 是 Oriented Fast and Rotated Brief 的简称，可以用来对图像中的关键点快速创建特征向量，这些特征向量可以用来识别图像中的对象^[9]。

在这些方法中，Fast 和 Brief 分别是特征检测算法和向量创建算法。ORB 首先对图像中特殊区域进行查找，即为关键点。关键点是指图像中突出的小区域，例如角点，比如它们具有像素值急剧的从浅色变为深色的特征。然后 ORB 将对每个关键点计算相应的特征向量。ORB 算法创建的特征向量仅包括 1 和 0，称为二元特征向量^[7]。1 和 0 的顺序会根据特定关键点以及其周围的像素区域而变化。该向量表示关键点周围的强度模式，所以多个特征向量可以用来识别更大的区域，甚至图像中的特定对象