تطابق استریو یکی از مسائل مهم در بینایی ماشین است که تحقیقات گسترده ای در مورد آن انجام گرفته و این تحقیقات همچنان ادامه دارد. هدف اصلی از تطابق استریو بعنوان مهمترین زیر شاخه بینایی استریو، تعیین فاصله اشیاء موجود در صحنه یا بعبارتی بدست آوردن اطلاعات عمق می باشد. کاربردهایی مانند بازرسی های صنعتی، تشخیص موانع توسط ربات و مسیریابی، مراقبت در محیط های امنیتی، مدل کردن سه بعدی اشیاء، آنالیز تصاویر پزشکی، تعامل بین انسان و کامپیوتر و ... به اطلاعات عمق صحنه نیاز دارند. مسائل متعددی در مورد تطابق استریو وجود دارد که باعث شده این مسئله با وجود تحقیقات گسترده هنوز به طور کامل حل نشده باقی بماند. وجود نویز در تصاویر، تفاوت در شدت روشنایی پیکسل به پیکسل در دو تصویر، نواحی بدون بافت، نواحی با بافت تکراری، نواحی مجاور ناپیوستگی های عمق، نواحی انسدادیافته، نواحی دارای شیب و... از مشکلات تطابق استریو محسوب می شوند و دقیقاً به همین دلایل، تعیین صحیح تناظرها تبدیل به مسئله ای پیچیده و بغرنج شده است. در روشهای محلی تطابق استریو که نسبت به روشهای سراسری دارای سرعت اجرای بالاتری هستند از اطلاعات رنگ یا شدت روشنایی پیکسل ها در یک همسایگی (پنجره) استفاده می شود و با جستجوی شبیه ترین پیکسل در تصویر دیگر برای پیکسل موردنظر مقدار جابجایی مکانی آن پیکسل محاسبه می شود. برای افزایش دقت روشهای محلی ایده های متفاوتی پیشنهاد شده است که یکی از روشهای موفق ایده پنجره وزندار است، اما به دلیل پیچیدگی ذاتی مساله تا حالت ایده ال فاصله زیادی وجود دارد. در این پروژه، برای بهبود تخمین نقشه متراکم جابجایی مکانی در مرحله اول ایده آستانه¬ای کردن اوزان روش پنجره وزن¬دار به منظور استفاده موثرتر از پیکسلهای داخل پنجره پیشنهاد شده است. در مرحله بعد به منظور افزایش دقت نقشه در نواحی مجاور ناپیوستگی عمق ضمن حفظ دقت در سایر نواحی ایده سوئیچ کردن بین پنجره¬های یک بعدی و دوبعدی پیشنهاد شده است. برای تغییر پنجره استراتژی موفقی پیشنهاد شده است که می تواند تفکیک خوبی از پیکسلهای نواحی مختلف تصویر ارائه دهد. بررسی نتایج تجربی بر روی تصاویر استریوی استاندارد نشان می دهد با روش پیشنهادی خطای تخمین نقشه متراکم جابجایی مکانی نسبت به روش پنجره وزن دار به طور متوسط 35% کاهش یافته است.