立体匹配是移动机器人视觉导航领域的关键技术之一,是由二维图像获取三维物体结构信息的主要技术手段。近几年来,立体匹配取得了重大进展,每年都有新的算法提出,并且一些性能较好的算法和模型已经在实际中得到了应用,其应用领域主要有：医学图像处理、机器人视觉、军事、太空探索等。立体匹配算法利用两幅校正过的图像确定参照图像中每点的视差值。文献[1]总结了目前常见的一些匹配方法,并提出了评判算法性能的标准。总体来说,匹配算法可分为两类：局部算法和全局算法。局部和全局算法都是基于以下假设：有限邻域内具有相似特征的点具有相近的深度值,并且视差是连续变化的。局部方法将这种假设隐式地建模成颜色相似度和空间邻近度,将窗口中像素的费用进行聚合。全局方法利用图像分割、置信传播、动态规划等能量优化技术同时确定所有点的视差值。全局算法一般能得到较高精度的视差图,但复杂度较高。而局部算法能够快速得到视差图,且更容易实现,但得到的视差图的精度不够高。本文重点研究局部立体匹配算法,详细分析了局部立体匹配算法容易产生的前景膨胀问题,找到了产生这一问题的原因,提出了利用统计方法确定支持窗中心点视差值的新方法。另外,本文提出了一种全新的局部立体匹配算法框架,该框架分为三部分：图像聚类、初始匹配以及视差校正。利用均值平移方法进行图像聚类,减少进行初始匹配的像素数。用基于测地距离的匹配方法进行特征点初始匹配,并获得所有点的视差值。用基于统计的视差校正方法进行视差改良,消除前景膨胀问题。据Middlebury平台测试,本算法的运行速度远远高于其他基于窗口的局部匹配算法,有效处理前景膨胀问题,其最终的匹配的结果优于基于测地距离和基于自适应权重的局部匹配算法,在结果精度和效率方面取得了很好的平衡。另外,由于本算法由三个独立的部分组成,因此便于扩展和改进。