论文特点

这篇论文最大特点是提出了便于利用GPU进行CUDA编程的立体匹配计算框架。此外，它的技术要点在于：

• 提出了结合AD（absolute difference）和Census Transform的代价，称Ad-census。
• 改进了由参考资料[2]提出的cross-based region的代价对比窗口的生成方式，并且改进了代价的聚合方式。
• 引入了[3]提出的scanline optimization的优化方式，并且减少了计算量。

Ad-census代价

首先来认识Ad-census代价。
代价Ad，一般可以看做是两个对应像素灰度的差的绝对值。
不过论文里面用了两个对应像素的RGB三通道分别求差的绝对值，再对三个绝对值求平均。运算量大一点，不过可以用的信息比灰度丰富些。又因为后期可以并行处理，所以运算量的负担并没有增加多少。

代价Census Transform[4]，是在以当前像素为中心，构造出长宽为9x7大小的矩形区域。该区域中的63个像素依次与中心像素p比较像素值，包括中心像素它自己也跟自己比较，若大于像素p，则该位置标记为1，否则标记为0。于是我们得到了长度为63的0/1编码。
与Ad代价相似，我们还要求两个像素对应的Census Transform的距离（差），我们采用汉明距离Hamming Distance[5]。汉明距离比较简单，就是衡量这两组0/1编码的相同位置的不同字符的个数。也就是说，如果两个Census Transform的不同的编码越多，我们就认为这两个Census的距离更远。

代价Ad对像素的强度差别比较敏感，可以用来比较颜色、光照的不同。
代价Census对像素的纹理差别比较敏感。
比如一个黑色的圆圈和在另一幅图中显得有点灰色的圆圈，在ad看来是不一样的。但在Census看来，它们都比圆圈中心的白色要来的暗一些。所以census的0/1编码是一样的。
但是如果一个图中有很多个圆圈，红色绿色蓝色的，那么census就蒙圈了，这时候ad说不定恰恰可以用颜色来寻找对应的圆圈的位置。
代价Ad-census就是将以上两种代价进行结合，census用来弥补ad对光照的判断带来的失误，而ad用来在弥补census对重复纹理区域的判断带来的失误。
论文采用了

公式（2）的方式定义了Ad-census代价，函数rho的范围为[0, 1]，将ad和census代价归一化。

基于Cross-based region的代价聚合方式

立体匹配来确定disparity，就是去寻找对于被匹配图像中的像素p来说，如果在匹配图像中的像素q与p之间的代价最小，那么我们就认为q是p的对应点，并且q与p的距离，就是p的disparity。

可是，往往这种简单的一对一的像素的代价匹配精度较低。所以一些工作引入了以像素p为中心的高宽为HxW窗口区域，将该窗口中的像素的对应代价的总和，来作为像素p的代价。这么做比起单一的像素代价，让匹配的结果精度更高一些。普遍被使用的有SSD，SAD，NCC，ZNCC等。

这里提到的Cross-based region也是一种窗口的设置方式，它不是矩形，而是一个可以是任意形状的区域。

Cross-based region的构建方式分为两步，第一步以像素p为中心，往p的左边，右边，上边，下边分别延伸出去若干个像素，就像画了一个十字，也就是cross-based命名的缘由。至于这个十字要“画的”多大，我们以十字的左臂为例子。（待续）

参考资料：
[1]On Building an Accurate Stereo Matching System on Graphics Hardware
[2]K. Zhang, J. Lu, and G. Lafruit. Cross-based local stereo matching using orthogonal integral images. IEEE TCSVT, 19(7):1073–1079, 2009.
[3]H. Hirschm ̈uller. Stereo processing by semiglobal matching and mutual information. IEEE TPAMI, 30(2):328–341, 2008.
[4]http://blog.csdn.net/qianchenglenger/article/details/19931259
[5]https://zh.wikipedia.org/wiki/%E6%B1%89%E6%98%8E%E8%B7%9D%E7%A6%BB