无人机在航拍、农林植保、电力巡线、安防等领域的应用越来越广泛,将双目立体视觉应用于无人机,实时感知环境的深度信息,具有重大意义。双目视觉中的立体匹配是一直被热门研究的部分,其中的困难在于遮挡、低纹理、重复纹理等问题。立体匹配算法主要可分为局部算法和全局算法,全局算法比局部算法具有更好的匹配精度,但时间复杂度高难以实现实时性,局部算法虽然耗时少,但匹配精度欠佳。本文主要针对立体匹配中的代价聚合、误匹配检测、视差优化这三部分展开深入研究,并根据嵌入式平台的特点对立体匹配算法进行加速优化。本文的主要研究内容具体如下:1.针对传统固定窗代价聚合算法在小窗口尺寸下存在大量视差噪声以及在大窗口尺寸下模糊视差边缘的问题,研究了非局部代价聚合算法。该算法将支持窗口扩大到整张图,较好的保留视差边缘,但在处理的过程中,数据间的依赖性比较严重,难以达到实时性。将多尺度代价卷融合的方式应用到固定窗代价聚合算法,减少了小窗口代价聚合算法中存在离散的视差噪声和低纹理区域的误匹配。实验结果表明多尺度代价卷融合下的固定窗聚合算法在实时性与匹配精度方面综合表现更佳,更具有并行加速优化的特点。2.研究了误匹配检测中左右一致性检测算法、唯一性检测算法、连通区域检测算法,这些算法分别能够有效检测遮挡区域误匹配、有效检测低纹理区域误匹配、有效检测离散不平滑视差噪声。实验结果表明三种算法融合成多阶段误匹配检测算法大大提高了误匹配的检测率。3.研究了基于加权中值滤波的视差优化算法以及基于区域投票的超像素分割视差优化算法,并针对这两种算法在遮挡区域修正存在较大误匹配的问题,将最邻近有效视差填充算法与这两种算法进行融合,有效改善遮挡区域误匹配并提高了匹配率。4.基于嵌入式平台NVIDIA Jetson TX2,研究了CUDA并行处理的整体框架。将立体匹配算法移植到该平台下,并针对算法中代价计算、代价聚合、代价卷融合、视差选取的部分进行并行优化加速。实验结果表明本文算法能达到接近实时性的效果。