双目立体视觉作为机器人自主导航、虚拟现实和增强现实、医学影像重建,无人驾驶等应用领域的理论基础,其中立体匹配是最困难,同时也是重要的一环。虽然经过众多学者的理论研究和应用实践,稠密立体匹配算法的匹配精度有了显著的提升,但对于图像中弱纹理区域的误匹配问题仍然不能很好解决。针对这个问题,该文通过阐述基于PatchMatch优化思想的立体匹配算法的基本原理,以及分析各种匹配算法在解决低纹理区域误匹配的优劣特性,在LocalExp(Local Expansion Move)算法基础上提出了一种基于像素分类的立体匹配解决方案。其中主要工作如下:(1)局部交叉窗口匹配算法。本文在LocalExp的初始化像素点视差标签阶段,针对基于PatchMatch立体匹配算法在初始化产生一些不可靠的标签值,引入像素点的视差范围约束和左右视图下的可视化约束信息,保证更多可行性的3D视差标签生成。设计一种有助提取更多的局部窗口来计算匹配代价和窗口间标签共享的交叉窗口模型。定义了一种融合多维权重的局部窗口能量函数,并以约束函数代替传统的截断函数处理异常值,保证匹配代价的初始代价能量过程稳定与平滑。(2)基于像素信息的匹配算法。首先,利用超像素分割和Meanshift算法对原始图像预处理,后结合两者分割信息作为视差标签生成机制的先验知识;其次,使用纹理分离器和左右一致性分离器,分离出视差中不稳定点以及纹理性质。最后结合像素分类信息、PatchMatch和GraphCut优化,重新定义了视差标签的生成方案用于局部迭代优化中。(3)降低弱纹理区域的错误匹配率。提出一种基于交叉线结构的视差填充方法来改善弱纹理区域的错误视差标签。该方法利用像素信息对不同信息区域的像素点分类优化处理。最后,在Middlebury数据集上进行算法验证。实验结果表明,在保留对于纹理丰富区域的通用性,该文的匹配算法改善了在弱纹理区域和无纹理区域的匹配视差效果。在Middlebury 2006立体视觉图像数据库上与其他方法对比,本文算法取得最低的平均错误匹配率。