1.一种新型立体匹配优化方法，其特征在于包括以下步骤：S1：输入双摄像头拍摄后经过校正的、图像类型为RGB的左右图像，将所述左右图像转换为灰度图，设定其中一个为参考图像，另一个为检索图像，进行局部匹配；

S2：建立自适应窗口；

S3：根据欧式空间的接近性和Lab颜色空间的相似性，构造自适应权重；

所述S3中，构造自适应权重方法包括：

将RGB图像转换为Lab图像，结合Lab颜色空间和欧氏空间计算像素点权重，公式如下：其中：p为窗口中心像素点，q为窗口内其他任意一点，x,y分别表示欧式空间中的坐标值，L表示Lab颜色空间的亮度，a代表红色/品红色和绿色之间的位置，b代表黄色和蓝色之间的位置，λd,λc分别表示距离差异系数和颜色差异系数；

S4：构造匹配代价：

所述S4中，构造匹配代价的方法包括：

先根据RGB颜色空间分量和高斯差分分量的差异性，构造基本初始匹配代价，再结合自适应权重形成用于计算视差的匹配代价；

其基本初始匹配代价的构造公式如下：

其中： 就是q, 之间的初始匹配代价，Ic表示像素点所在颜色空间的色度值，为像素点q, 之间高斯差分图像差分的绝对值，其构造公式为：DOG所表示的就是高斯差分图像，其具体构造方式如下：DOG(x,y)＝|g1(x,y)‑g2(x,y)|＝|Gσ1(x,y)*I(x,y)‑Gσ2(x,y)*I(x,y)|式中，I(x,y)为图像的灰度值，Gσ1(x,y)和Gσ2(x,y)分别为σ为σ1，σ2时的高斯函数，*为卷积符号，g1(x,y)和g2(z,y)分别为滤波后的灰度图像；

用于计算视差的匹配代价构造如下：

S5：根据胜者为王算法，计算初始视差；

S6：根据左右一致性原则剔除误匹配点，再用邻点法补充剔除的误匹配点；

S7：应用边缘约束算法进行视差聚类，得到优化视差图。

2.根据权利要求1所述一种新型立体匹配优化方法，其特征在于：所述S1中，初始局部匹配的窗口大小为7×7。

3.根据权利要求1所述一种新型立体匹配优化方法，其特征在于：所述S2中，建立自适应窗口，包括以下步骤：S2.1、根据高斯差分函数处理图像；

计算高斯差分图像的公式如下：

DOG(x,y)＝|g1(x,y)‑g2(x,y)|＝|Gσ1(x,y)*I(x,y)‑Gσ2(x,y)*I(x,y)|式中，I(x,y)为图像的灰度值，Gσ1(x,y)和Gσ2(x,y)分别为σ为σ1，σ2时的高斯函数，*为卷积符号，g1(x,y)和g2(x,y)分别为滤波后的灰度图像；

S2.2、阈值分割：

D(x,y)为高斯差分图像DOG(x,y)的阈值分割图像，TD为阈值；

S2.3、像素统计：

统计初始窗口范围内像素点的个数来判断纹理的丰富程度；

统计大小为K×K窗口内大于阈值TD的像素点个数，若个数小于ε，则为低纹理区域，反之，则为纹理丰富区域；

S2.4、自适应选择窗口大小：若像素统计的结果为低纹理区域，则选择较小窗口；反之，则选择较大窗口。

4.根据权利要求1所述一种新型立体匹配优化方法，其特征在于：所述S6中，邻点法的基本原则是在以误匹配点为中心的范围内，寻找最近的正确匹配点。

5.根据权利要求1所述一种新型立体匹配优化方法，其特征在于：所述S7中，边缘约束算法，包括以下步骤：S7.1、通过Canny算子计算，获取边缘图像信息；

S7.2、获取既包含视差信息又含有边缘信息的融合图像，融合图像通过S5中的初始视差与S7.1中的边缘图像融合得到；

S7.3、应用边缘信息对融合图像进行约束处理：约束处理方法分别在高维度和宽维度独立作用，但两个维度的处理方法完全相同；首先计算该维度上相邻的包含边缘信息像素点所约束视差点的视差平均值，将该范围内与视差平均值差异较大的视差点归为离群点，并将离群点剔除，重新计算视差平均值，并将更新后的视差平均值作为该范围内所有视差点的视差值，遍历整幅图像；

S7.4、消除边缘信息，恢复视差：

对S7.3的结果图像作阈值分割，消除边缘信息，包含视差信息的像素点不变；所述恢复视差的方法为，对S7.1的边缘图像作阈值分割，并将包含边缘信息的像素点的值置为1，其余为0，通过与初始视差图像相乘，获取边缘位置上的视差信息，并将结果与消除边缘信息的融合图像再次融合，恢复视差；

S7.5、中值滤波；

S7.6、对上述操作后得到的视差图，重复S7，直到满足要求：即迭代优化后的效果明显小于设定阈值；

En+1‑En<ξ

En,En+1分别表示第n次，第n+1次迭代的匹配准确率，ξ是设定阈值。