此文章参考如下博客：
http://blog.csdn.net/wangchao7281/article/details/52506691
感谢子非鱼大大提供的宝贵的理论知识和代码。
双目匹配的过程无非是包括双目相机的标定、矫正以及最后得出视差图这么几个步骤。具体的理论知识可以参考上文的博客地址中的讲述或者自行搜索。
1. 双目相机的标定
双目相机的标定我使用的是Matlab的APP，Matlab自带Stereo Camera Calibration工具，位置如下截图
Matlab工具箱截图
点击下拉按钮，在图像处理和计算机视觉中找到Stereo Camera Calibration模块并打开它，点击Add images按钮，分别把左右相机拍摄的图片传入Matlab中，其中的Size of checkerboard square的大小是标定板的方格的长度，单位是mm。
标定截图
之后Matlab就会自动识别角点，点击上方菜单栏的Calibrate就会自动计算相关的参数，点击Export Camera Parameters之后就会把相关的参数Matlab的工作区，在这里就可以查看相关的参数了。
参数截图(1)
红色方框圈起来的是左右相机的各种参数，点进去之后可以看到相机的内参数以及畸变参数等等，红色箭头指向的是旋转矩阵，蓝色箭头指向的是平移矩阵。
至此标定部分全部完成，具体的参数可以直接在Matlab的工作区中查看即可。
2. 双目相机的矫正
在步骤1中，我们通过标定得到了相机的各种参数，现在把它传入OpenCV。代码如下
Mat cameraMatrixL = (Mat_<double>(3, 3) << 1.289608025726931e+03, 0, 6.437248258682027e+02,
0, 1.290358173802592e+03, 5.321046969048958e+02,
0, 0, 1);
Mat distCoeffL = (Mat_<double>(5, 1) << -0.447270756264546, 0.248847254828889, 0, 0, 0.00000);
Mat cameraMatrixR = (Mat_<double>(3, 3) << 1.289350232644886e+03, 0, 6.443163387389753e+02,
0, 1.289962540201652e+03, 5.284409180695891e+02,
0, 0, 1);
Mat distCoeffR = (Mat_<double>(5, 1) << -0.444499341518694, 0.234760627512454, 0, 0, 0.00000);
Mat T = (Mat_<double>(3, 1) << -2.383757790772444e+02, 2.938085768248284, -1.249386542211461);//T平移向量
Mat R = (Mat_<double>(3, 3) << 0.999188845533377, 0.013112400390036, -0.038075135163100,
-0.012563847364096, 0.999814319377252, 0.014610835281208,
0.038259648470532, -0.014120613450352, 0.999168057723373);//R 旋转矩阵
这样，左右两个相机的内参数以及畸变参数已经传入到OpenCV，下面就可以进行矫正了。
//校正
stereoRectify(cameraMatrixL, distCoeffL, cameraMatrixR, distCoeffR, imageSize, R, T, Rl, Rr, Pl, Pr, Q, CALIB_ZERO_DISPARITY,
0, imageSize, &validROIL, &validROIR);
initUndistortRectifyMap(cameraMatrixL, distCoeffL, Rl, Pr, imageSize, CV_32FC1, mapLx, mapLy);
initUndistortRectifyMap(cameraMatrixR, distCoeffR, Rr, Pr, imageSize, CV_32FC1, mapRx, mapRy);
//读取需要矫正的图片，矫正的图片只能是灰色图
rgbImageL = imread("left24.png", CV_LOAD_IMAGE_COLOR);
cvtColor(rgbImageL, grayImageL, CV_BGR2GRAY);
rgbImageR = imread("right24.png", CV_LOAD_IMAGE_COLOR);
cvtColor(rgbImageR, grayImageR, CV_BGR2GRAY);
namedWindow("ImageL Before Rectify", 0);
namedWindow("ImageR Before Rectify", 0);
imshow("ImageL Before Rectify", grayImageL);
imshow("ImageR Before Rectify", grayImageR);
//矫正
remap(grayImageL, rectifyImageL, mapLx, mapLy, INTER_LINEAR);
remap(grayImageR, rectifyImageR, mapRx, mapRy, INTER_LINEAR);
Mat rgbRectifyImageL, rgbRectifyImageR;
cvtColor(rectifyImageL, rgbRectifyImageL, CV_GRAY2BGR); //伪彩色图
cvtColor(rectifyImageR, rgbRectifyImageR, CV_GRAY2BGR);
namedWindow("ImageL After Rectify", 0);
namedWindow("ImageR After Rectify", 0);
imshow("ImageL After Rectify", rgbRectifyImageL);
imshow("ImageR After Rectify", rgbRectifyImageR);
3. 双目的匹配
经过步骤1和步骤2之后，双目匹配的实验也已经完成了大部分的工作，最后一步的匹配则就简单得多了，可以选择适合自己的匹配算法来完成立体匹配的结果，这里我选用的是OpenCV自带的SGBM算法。
int blockSize = 0, uniquenessRatio = 0, numDisparities = 0;
Ptr<StereoSGBM> sgbm = StereoSGBM::create(0, 16, 3);
void stereo_match(int, void*)
{
int SADWindowSize = 5;
sgbm->setPreFilterCap(63);
int sgbmWinSize = SADWindowSize > 0 ? SADWindowSize : 3;
sgbm->setBlockSize(sgbmWinSize);
int cn = rgbImageL.channels();
sgbm->setP1(8 * cn*sgbmWinSize*sgbmWinSize);
sgbm->setP2(32 * cn*sgbmWinSize*sgbmWinSize);
sgbm->setMinDisparity(0);
numberOfDisparities = numberOfDisparities > 0 ? numberOfDisparities : ((imageSize.width / 8) + 15) & -16;
sgbm->setNumDisparities(numberOfDisparities);
sgbm->setUniquenessRatio(10);
sgbm->setSpeckleWindowSize(100);
sgbm->setSpeckleRange(32);
sgbm->setDisp12MaxDiff(1);
sgbm->setMode(StereoSGBM::MODE_SGBM_3WAY);
Mat disp, disp8;
sgbm->compute(rectifyImageL, rectifyImageR, disp);
disp.convertTo(disp8, CV_8U, 255 / (numberOfDisparities *16.));
imwrite("disp.png", disp8);
imshow("disp8", disp8);
}
匹配的算法有很多种，OpenCV自带的有BM,SGBM,GC,HH等等。
4. 结束语
对于双目匹配的相关的东西，我也是刚刚接触不到半个月，深感这个东西网上的资料很繁杂，且大多数资料不给出具体的步骤，理论的东西过多，亦或是版本过于陈旧。本篇文章如有问题，可以留言或者私信我，我很乐意探讨相关的问题。
网友评论