为提升半全局匹配（SGM）算法效率，提出一种基于改进匹配代价计算和路径优化策略的立体匹配算法。代价计算阶段，通过对角线取点方式对局部二值模式（LBP）算子进行优化，降低时间复杂度和数据规模；代价聚合阶段，根据聚合逻辑选择5个方向进行扫描线优化，结合灰度相似性约束和距离约束条件，对聚合路径进行自适应权重赋值；再通过赢者通吃（WTA）策略计算初始视差值，通过左右一致性检测和二次多项式插值算法对视差图作进一步优化。最后算法在Middlebury 2.0和3.0数据平台上进行匹配效率验证，实验结果表明，所提算法相比SGM算法在不损失匹配准确度的情况下，代价计算阶段用时减少63.1%，代价聚合阶段用时减少39.3%，算法整体效率提升54.2%，达到效率提升的目的。

现如今用于立体匹配的深度学习算法都存在网络结构复杂、消耗大的问题。为解决此类问题,提出了一种参数量只有参考网络PSMNet一半的立体匹配端到端网络结构。所提结构在特征提取模块保留大致框架的同时,减少多余卷积层,并融合空间注意力机制和通道注意力机制来汇聚上下文信息;在代价计算模块,通过加大偏移步长减少视差计算输入的视差维度,使视差计算的参数量和消耗大幅度减少;在视差计算中,对匹配成本特征体的输出进行多视差预测;在L1损失函数的基础上加入交叉熵损失函数,这样可在降低消耗的同时保证了模型匹配精度。在KITTI数据集和SceneFlow数据集上对所提模型进行测试,实验结果表明:与基准方法相比,所提模型的参数量减少了58%,精度提升24%。

立体匹配算法在图像弱纹理区和重复纹理区存在匹配困难、误差大的问题,为此提出一种基于改进代价计算和视差候选策略的立体匹配算法。首先结合改进的Census变换和自适应加权融合的双向梯度信息来计算初始匹配代价,提高代价计算的可靠性。其中:为传统Census变换增加内圈编码,提高邻域信息利用率,同时降低噪声的影响;利用自适应权重函数融合横向和纵向梯度代价,降低物体边缘区域的误匹配率。其次,采用自适应十字交叉窗口进行代价聚合,并通过建立候选视差集和引入邻域视差信息的方法来获取初始视差。最后通过两轮插值策略优化视差。实验结果表明,所提算法能够提高弱纹理区和重复纹理区的匹配效果,在Middlebury中4幅标准立体图像对的平均误匹配率为5.33%。