视觉是一个古老的研究课题,也是人类观察和认识世界的重要手段。利用机器来智能地模拟人的视觉功能是人们多年的梦想。视觉生理学、视觉心理学,特别是计算机技术、数字图像处理、计算机图形学、人工智能等学科的发展,使得利用计算机模拟人类双眼的视觉成为了可能。近年来,计算机视觉(Computer Vision)成为计算机行业一个重要的研究领域,取得了巨大的进步并且得到了广泛的应用。比如运动目标的自动跟踪与识别、空间机器人的视觉控制以及自主车导航等。视觉计算理论是在上世纪80年代初由Marr创立的。这一基本理论使得立体视觉成为计算机视觉的一个重要分支。双目立体视觉(Binocular Stereo Vision)是计算机视觉的一个非常重要的形式。人时刻处在一个复杂的三维场景中,我们可以通过双眼自动地感知场景中所有物体距离我们的远近。双目视觉的原理正是在充分理解人类视觉原理的基础上使用计算机来模拟人类的双目成像系统。具体来说,是利用成像设备从不同位置获取同一个物体的两幅或更多图像,通过对两幅图像的对应点进行匹配,得到每一空间点的视差,来获取所拍物体的三维几何信息。一个双目视觉算法主要包括三部分：摄像机定标、立体匹配和三维重建。摄像机定标是确定摄像机投影矩阵的过程。立体匹配是在两幅输入图像中寻找对应点,从而得到所有空间点的视差,即深度信息。三维重建是利用匹配结果提供的深度信息进行三维建模。可以看出立体匹配是双目视觉算法绝对的核心,在整个重建过程中起到承上启下的作用。立体匹配(Stereo Matching)是双目视觉中公认的最重要和困难的问题。最近二三十年,立体匹配得到了各国计算机视觉研究人员的广泛关注和深入研究。该方向的研究已经形成了较为规范的体系并且取得了长足的发展。目前存在一个规范的平台对立体匹配的结果进行评估,并依据算法的结果排名。该平台很好地促进了各地研究人员的学术交流和立体匹配的发展。根据视差估计的准则不同,立体匹配算法分为全局算法和局部算法两大类。从实现的结构上,匹配算法通常包括四个步骤[1]：1、匹配费用计算,2、匹配费用聚合,3、视差值计算＼优化,4、视差改良。全局算法把对应点的匹配问题转化为一个能量函数的全局最优问题。局部算法通过比较像素邻域窗口内颜色值的相关性来寻找对应点。一般说来,全局算法比局部算法精度更高,但是由于局部算法结构简单,易于实现,而且速度更快,反而在实际应中得到青睐。现在随着自适应权重思想[2]的引入,局部算法的精度越来越高,有些算法的效果甚至优于大部分全局算法。立体匹配问题存在几个研究的重点和难点,比如光学失真、低纹理、重复纹理、遮挡问题。遮挡是其中最严重的一个,不仅被遮挡的点难以得到正确的视差值,它还会给遮挡区域附近的点的匹配带来负面效果,这就是著名的前景膨胀(Foreground Fattening)。研究人员十分重视遮挡问题的研究,仍然不够理想。特别是在局部立体匹配算法中,大部分算法都只是采取了简单的后续遮挡填补方案。这种基于左右一致性检测的方案不但不能保证在任何时候都有好的效果,而且作为一种双向的后续处理,不够优雅。综上所述,遮挡问题既是局部匹配方法中的关键问题,又是仍未得到很好解决的难点问题。本文的研究主要围绕遮挡问题展开,研究目标是为局部立体匹配中的遮挡处理这一难点的解决提供新的思路和新的方法,从而得到精度更高的视差图,获得更丰富的三维信息。这对计算机视觉相关理论的研究和机器人视觉、三维测量等实际应用都有着重要的理论意义和实用价值。本文的主要工作包括：1、根据局部算法的核心一费用聚合方法把局部算法分成三类。该分类清晰地反映出局部算法的发展史,并能够体现出局部算法未来的发展趋势。2、遮挡检测的理论和技术研究；由遮挡带来的前景膨胀问题的理论分析和解决方法；提出遮挡点在匹配时不应该占有支持权的理论；将遮挡信息与目前最先进的自适应权重算法结合,提出了一种基于遮挡权重的局部算法。该算法提供了一种把遮挡处理与局部算法的核心无缝结合的途径。它能较好地克服遮挡点不存在对应点的困难,为遮挡点估计出更合理的视差值。实验结果表明,遮挡的负面作用减弱了,前景膨胀问题得到了较好的解决,得到的深度图边缘更加锐利。在全部区域,遮挡区域和深度不连续区域都有很高的匹配准确度。3、视差改良因为简单高效越来越受到重视。本文提出了视差继承的概念,并结合遮挡信息,对传统的改良算法做了改进。新提出的改良方法思路新颖,简单易行,不借助后处理措施就能够得到十分锐利的深度边缘。