一、立体匹配算法的分类
在立体匹配中，匹配问题可以看成是寻找两组数据相关程度的过程。立体匹配算法由多种分类。
①根据算法运行时约束的作用范围：分为局部（local）匹配算法和全局（Global）匹配算法。
②基于生成的视差图：可分为稠密（Dense）匹配和稀疏（Sparse）匹配。稠密匹配：是基于生成的视差图，对于所有像素都能生成确定视差值，称为稠密匹配。稀疏匹配：只选择关键像素点[通常为角点或者边缘点]计算视差值的方法称为稀疏匹配，该算法计算速度较快，但后续还需要通过插值算法计算缺失像素点的视差值，因此应用场景上有很大限制。
由于自己最近研究主要集中于局部匹配算法和全局匹配算法，因此以下也将针对此处描述下。
1、局部匹配算法和全局匹配算法
全局（半全局）立体匹配算法主要是采用了全局的优化理论方法估计视差，建立一个全局能量函数，其包含一个数据项和平滑项，通过最小化全局能量函数得到最优的视差值。其中，图割(Graph cuts， GC）、置信传播（Belief Propagation，BP）、动态规划（Dynamic Programming,DP）,粒子群算法（Particle Swarm Optimization,PSO）、遗传算法（Genetic Algorithm，GA）等优化算法都是常用的求解能量最小化的方法。
局部立体匹配与全局立体匹配算法一样，通过优化一个代价函数的方法计算最佳视差。但是，在局部立体匹配算法的能量函数中，只有基于局部区域的约束数据项，没有平滑项。局部匹配算法仅利用某一点邻域的灰度、颜色、梯度等信息进行计算匹配代价，计算复杂度较低，大多实时的立体匹配算法都属于局部立体匹配的范畴，但局部立体匹配算法对低纹理区域、重复纹理区域、视差不连续和遮挡区域匹配效果不理想。。
二、立体匹配算法的评测平台
①Middlebury测试平台：提供了专门用于评价立体匹配算法的测试图像对（Stereo Pair），包括Tsukuba测试图像对，Venus测试图像对，Teddy测试图像对和Cones测试图像对，它们的分辨率分别为384*288,434*383和450*375，同时还给出了这些测试图像对的真实视差图。
②KITTI算法评测平台：旨在评测对象（机动车、非机动车、行人等）检测、目标跟踪等计算机视觉技术在车载环境下的性能，为机动车辅助驾驶应用做技术评估与技术储备。KITTI包含市区、乡村和高速公路等场景采集的真实图像数据
