(2)Graph Cut(图割算法）：为解决动态规划算法不能充分融合水平和垂直方向连续性约束问题,将匹配问题看成是利用这些约束在图中寻求最小割问题. 图割算法的其本思想是将立体匹配问题转化为一种能量函数的形式,根据能量函数构造合适的图,求其最小割(最大流) . 图割算法的特性表现在:其一,构造能量函数用于图割求解时,其本身必须满足一定的约束条件；其二,不同的能量函数有着不同的构图方式。源]自=优尔^`论\文"网·www.youerw.com/

(3)Artificial intelligence(人工智能算法):D.Marr提出的重要理论之一y有立体视觉的不确定性,而且立体匹配问题可以看作是代价函数的优化问题。智能算法的基本思想是在设定好的约束条件下, 首先建立以基元匹配的相似性条件和相容性条件为基础的最优准则;然后进行点集的最优匹配搜索, 使各基元的相似性和相容性达到总体最优. 

(4)基于神经网络的匹配算法，该算法的本质是根据所构建网络的形式,通过迭代学习算法将匹配代价函数及其匹配固有约束转化成能量最小化寻优过程,网络的动态变化过程是多个约束的极小化实现过程.B：基于遗传算法的匹配算法，该算法的本质是根据采用的匹配基元和基因构建策略,将问题的解编码到染色体中,考虑匹配约束构造适当的适应度函数,利用进化机制获得匹配最优解,是一种利用自然选择和进化思想在高维空间中寻优的方法。此类算法性能差异主要体现在4 个方面：1) 基因构建策略；2) 染色体编码方式；3) 匹配约束下适应度函数的构建；4) 进化机制的实施。

(5)其他全局算法：A)协作算法的灵感源于人类视觉计算模型,其所用的非线性迭代操作在整体行为上类似于全局算法。B)非线性扩散算法的研究热点集中在提高遮挡问题的处理性能上。C)置信度传播算法，此算法能得到全局算法的精度和局部算法的效率。

2.4  立体匹配的研究重点和发展的相关趋势

立体匹配问题是一个“病态”问题。立体匹配的实施需要去考虑诸多的因素,并且以计算复杂度和稳定性等总体性能指标来衡量方案实施的可行性和有效性。其中包括：

1) 多种立体匹配算法有效融合。

2) 研究新颖的特定匹配约束以及合理变通利用匹配约束。①如何有效地保护视差表面的不连续信息; ②如何避免出现局部最优的问题; ③如何检测匹配不可见的遮挡区域。