(5)视差光滑性约束

    在这个约束下，视差在图像中的所有区域都是局部平滑的。

(6)单调性约束

在这个约束下，对沿着外极线上的点，其在对应点 也会按次序出现在同一图像对的外极线上。

(7)互对应约束

在该约束下，假设从左图像点PL 开始进行搜索，找到对应右图中的点的PR，但是如果反过来进行查找，无法找到对应点，则匹配不可靠，应该被排除。

2.2  局部立体匹配算法

对于立体匹配算法的研究，现在已经出现了很多不同流派的研究成果，主要分为以下两类，分别是针对局部的立体匹配算法，还有针对全局的立体匹配算法，并且这些算法都在各自适用的领域里上取得了极大的进展。立体匹配算法从本质上来看就是用最小的代价在图像上精确地找寻相同的像素点，找到一条最优的线路。因此设计立体匹配算法就是构建一种能够得到最优化解的模型的过程。

基于局部约束的算法是利用兴趣点周围的局部信息进行计算，涉及到的信息量比较少，相应的算法复杂度比较低，然而这个算法对噪声比较敏感，对无纹理区域、视差不连续区域和遮挡区域匹配效果不是太理想。

1）区域匹配算法：本质上，基于光学测量学不变性原来的区域匹配算法，通常使用邻域窗的灰度作为立体匹配的基元，以相关程度来作为判别一句，可以得到比较稠密的视差图。对灰度相关性算法的研究主要是集中在匹配代价聚合的窗口构建上，但是区域匹配算法对无纹理区域常常会因为相关函数变化的锐度不够和很难保留深度不连续的特性,没有办法取得精确的匹配结果。 

2）特征匹配算法:基于几何不变性原理的特征匹配算法克服了区域匹配算法对深度不连续和无纹理区域敏感的缺点,特别是由于特征基元的统计特性和数据结构的规则性,使其能够更加方便地用于硬件设计。按匹配基元的特征可分为全局特征和局部特征两大类.全局特征包括多边形和图像结构,通常和全局匹配算法混合使用;局部特征算法常用点、边缘、线段、区域或局部能量等图像信息作为匹配基元,对噪声并不敏感,因此可以得到较精确的匹配 。特征匹配主要存在两点不足:其一,图像特征的稀疏性决定特征匹配只能得到稀疏视差图,要得到稠密视差需附加较为复杂的插值过程。其二,特征匹配结果的性能紧密依赖于特征提取的精度。

3）相位匹配算法：基于傅立叶平移定理的相位匹配算法的本质，是对带通滤波后的时/ 空2频域定位性的基元信号相位信息进行处理而得到像对间的视差。相位匹配就是寻找局部相位相等的对应点。

 2.3  基于全局的约束算法

基于全局的约束算法是通过利用对应扫描线或整个图像数据信息进行计算,着重解决图像中不确定区域的匹配问题,从而来得到全局最优解. 全局最优算法的本质是将对应点的匹配问题转化为寻找某一能量函数的全局最优问题,通常跳过代价聚合步骤,直接计算视差值. 这类算法的核心环节包括:1) 能量函数构造方法;2) 能量函数优化求解策略.。通常有以下几种常用算法：

(1)Dynamic Planning(动态规划算法)：本质是在左右图像对应扫描线上寻找最小匹配代价路径的过程，其中使用到了动态规划的思想。一般是在视差空间图中应用连续性约束和顺序约束,由全局代价函数决定匹配代价,规划出的路径是由趋于具有最小代价的匹配点集合构成。动态规划算法能有效降低计算复杂度，并且为局部的无纹理区域提供了全局支持,从而提高匹配的精确度。经研究发现，动态规划算法的局限之处是不能有效融合水平和垂直方向连续性约束，因此就有许多学者对这一方向进行了进一步的改善。