立体匹配学习整理

接触立体匹配不久，更多的是参看一些博客文章，现整理一下，方便自己梳理。
最开始就不禁要问，什么是立体匹配，目前一些常见的匹配方法有哪些，只有搞清楚了这些，才能对要研究的算法有更明确的定位。
请看：https://blog.csdn.net/wintergeng/article/details/51049596
还有这个：https://www.cnblogs.com/ding-jing/p/8654137.html

立体匹配最基本的步骤：
1）代价计算。计算左图一个像素和右图一个像素之间的代价。
2）代价聚合。一般基于点之间的匹配很容易受噪声的影响，往往真实匹配的像素的代价并不是最低。所以有必要在点的周围建立一个window，让像素块和像素块之间进行比较，这样肯定靠谱些。代价聚合往往是局部算法或者半全局算法才会使用，全局算法抛弃了window，采用基于全图信息的方式建立能量函数。
3）深度赋值。这一步可以区分局部算法与全局算法，局部算法直接优化代价聚合模型。而全局算法，要建立一个能量函数，能量函数的数据项往往就是代价聚合公式，例如DoubleBP。输出的是一个粗略的视差图。
4）结果优化。对上一步得到的粗估计的视差图进行精确计算，策略有很多，例如plane fitting，BP，动态规划等。
（参考：https://blog.csdn.net/wsj998689aa/article/details/44411215）

后面再针对不同的算法进行研究和实现。
基于灰度模板的匹配算法，可以在区域匹配中参考：https://blog.csdn.net/hujingshuang/article/details/47759579

基于特征的匹配算法主要是基于现在主流的特征提取，像点特征有SIFT、SURF、ORB和角点等，线特征有边缘、直线等，这类算法的文章很多，就不列举。

基于全局的匹配算法和半全局的匹配算法还在研究，先贴两个比较全面的文章。
全局：https://blog.csdn.net/chuhang_zhqr/article/details/52586793
半全局：https://blog.csdn.net/zhubaohua_bupt/article/details/51866567

----------------201904更新-------------------
自己整理了一份基于窗口的匹配策略：https://blog.csdn.net/xiaomingzaihuake/article/details/89219745

慢慢来补，有误请勘正。