软件架构

1. 图像处理：具备图像旋转功能，可保证匹配初始阶段两幅图像理论上无旋转角度，降低匹配时间；支持图像查找、提取，还能通过屏幕 ROI 拾取方式进行图像 ROI 拾取，获取 ROI 区域像素值 x 和 y 像素差，为测距提供基础数据。

2. 图像匹配：采用灰度值金字塔算法，该算法以归一化相关度为核心特征，分学习和匹配阶段。学习阶段从模板图像获取灰度值和边缘梯度信息并暂存；匹配阶段从被匹配图像获取灰度值，以从粗到细的方式，先在低分辨率图像上搜索得到粗匹配位置，再在高分辨率图像上精确匹配，同时可调整角度范围、匹配次数、最小对比度等参数优化性能。

3. 参数设置与显示：可设置相似度阈值（低于该值则匹配未成功），显示图像匹配相似度值（0-1000，0 为不匹配，1000 为完美匹配），还能单独显示手动选取的图像 ROI 及 ROI 匹配簇（以像素坐标表示，初始零点为图像左上角角点）。

4. 硬件控制：包含立体视觉工作台（步进电机控制程序），通过 LabVIEW 中编写的立体视觉平台子 VI 控制相机平移，可操纵步进电机在任意位置停止以进行拍摄。

5. 测距计算：利用图像匹配获取的视差数据，结合双目相机内参矩阵和外参矩阵，依据推导的几何关系公式（如深度计算公式 Z = fT/(d×pixelsize)），计算空间点的理论三维坐标及深度信息，实现障碍物测距。

架构优势

1. 高效匹配：采用灰度值金字塔算法，通过减小图像和模板大小，以从粗到细的匹配方式，显著减少冗余计算，提高图像匹配速度，同时利用归一化像素灰度值作为特征，确保不遗漏信息，适配复杂纹理或密集边缘的模板匹配。

2. 功能集成：在 LabVIEW 平台上集成了图像处理、匹配、参数设置显示、硬件控制及测距计算等多种功能，形成完整的测距流程，无需多软件协同，降低系统复杂度，提升操作便捷性。

3. 精度可靠：实验表明，在特征点清晰、纹理复杂度较高的 ROI 区域，误差率约 2%，特征点模糊、纹理复杂度较低区域误差率约 5%，图像匹配相似度约 900，在允许误差范围内保证了测距精度，且可提前消去 0.5pixel 的系统像素误差，进一步提升结果准确性。

4. 可视化强：LabVIEW 具有工程可视化编程特点，软件程序前后面板（如操作界面、程序框图）直观，便于工程师操作、调试和维护，能清晰查看实时数据、匹配结果及硬件控制状态。

待提升点

1. 纹理适配：当前系统在无纹理或弱纹理区域（如墙面）匹配难度大，相似度值低于 900，误差率明显偏高；对于灰度值相差不明显的物体（如多个小蓝盒子），匹配误差率也较高。需优化算法，增强对无纹理、弱纹理及灰度值相近物体的图像匹配能力，例如引入更多特征提取方式，结合纹理、颜色、边缘等多特征进行匹配。

2. 误差控制：实验中出现过一组匹配相似度为 614 的偶然误差，虽判定为 ROI 区域选择不当的操作失误，但也反映出系统在操作容错性上的不足。可增加 ROI 区域选择辅助功能，如智能推荐合适 ROI 区域、对选择的 ROI 区域进行合理性判断并提示，减少操作失误导致的误差；同时，随着相机间光心距 T 增加，误差率随之上升，需研究光心距对误差的影响机制，通过算法补偿等方式降低其带来的误差。

3. 场景适配：目前实验仅在实验室环境下进行，使用普通常见物件作为标志物，场景较为单一。未来需在更多真实复杂场景（如不同光照强度、天气条件、道路环境）下进行测试，根据实际场景问题优化软件，提升系统在多样化实际场景中的适应性和稳定性，以更好地满足车载系统等实际应用需求。