Author:Kurt Konolige
这篇文章是opencv里面的StereoMatchingBM算法的参考算法，所以特意找出来研读一番，虽然是1998的产物，但还是值得一看的，它实际有效地用于移动机器人。它的特点是快，实时。但当参数不Tuned的时候，效果不佳。所以需要进行良好的标定和参数的调整。对于一张480*320的32位深度图计算只需要30~40毫秒的时间。这与opencv里面的StereoMatchingGC算法形成对比，GC算法耗时长，以上图则需要几秒但恢复精度高。
2.1 Area Correlation 这篇文章的StereoMatching主要应用在移动机器人上，它用到的区域关联步骤有五：
1.Geometry correction:图像的几何和扭曲的恢复调整
2.Image Transform:灰度图像素值的去误差调整
3.Area Correlation:通过Searching Window区域关联匹配
4.Exrema Extraction:最佳点提取，用于生成深度图
5.Post-filtering:深度图后处理，去噪滤波等,去除误匹配点，如重复和平滑区域的无匹配等
2.2 Epipolar Geometry
极平面约束导致，p从参照图映射到匹配图，肯定在极曲线(epipolar curves)上。假若图片是理想映射，则该epipolar curves是一条直线。为了达到这样的理想条件，为此，确保图像在同一平面，扫描线和图像中心水平对齐，共同拥有相同的焦距，最好还需要知道内外参数。所以照相机的标定起到重要作用。
实际应用中，不断计算标定不实际，只能确定内参数后，再根据偏差进行自动标定。
3.该论文系统的算法
1.LOG滤波去噪，用L1绝对值比较
2.进行深度搜索
3.后处理，去除奇异点，使用左右和右左校验
4.使用X4的插值
作者还对比了使用标定照相机内参后，得到的深度图更为清晰稳定。而针对left/right匹配时，寻找对应最优点采用了hill-climbing和遍历周围最小空间，进行贪心选择。最后对比了一系列StereoMatching组合方法的精度、时间、耗能的区别。
