基于几何约束的倾斜影像特征匹配方法.pdf

文章编号：0258-2724(2024)02-0353-08DOI:10.3969/j.issn.0258-2724.20210662基于几何约束的倾斜影像特征匹配方法韦春桃，张冬梅（重庆交通大学土木工程学院，重庆400074）摘要：针对倾斜影像视角变换较大、重复纹理导致匹配数量少、匹配精度不高的问题，提出一种适用于倾斜影像的特征点、线分级匹配方法.首先，用直线提取（检测）算法（LSD）获取影像直线特征，并将直线特征以一定约束进行直线组对，构建直线对区域与改进的 SIFT（scale-invariantfeaturetransform）特征描述符进行匹配，使用RANSAC 算法剔除误匹配，获得初始匹配结果后再进行核线约束；然后，利用已获得直线对区域进行影像局部纠正，在纠正后的局部影像上采用 SIFT 匹配并反算回原始影像，利用得到的同名点全局纠正倾斜影像，并进行特征点匹配与采用基于方格的运动统计算法（GMS）剔除误匹配，仍将匹配结果反算回原始影像上；最后，将仿射尺度不变特征变化结果与点拓展匹配结果进行合并，得到最终匹配结果.试验结果表明：本文方法匹配正确率与经典的仿射不变匹算法（ASIFT）的正确率相差不大，但匹配数量却是 ASIFT 算法的 1 倍3 倍.关键词：倾斜影像；直线特征；核线约束；点拓展匹配；全局纠正中图分类号：P237文献标志码：AFeature Matching Method of Oblique Images Based onGeometric ConstraintsWEI Chuntao,ZHANG Dongmei(SchoolofArchitecture&Construction,ChongqingJiaotongUniversity,Chongqing400074,China)Abstract:Afeaturepointandlinehierarchicalmatchingmethodisproposed,suitableforobliqueimagestosolvethechallengesoflargeangleinviewtransformation,afewmatchesduetorepeatedtexture,andlowmatchingaccuracy.Firstly,the line features of images derive from the line extraction(detection)algorithm(LineSegmentDector),followconstraintstopair,andconstructlinepairregionstomatchtheimprovedSIFTfeaturedescriptor.Secondly,afterRANSACalgorithmeliminatesmismatches,theepipolarconstraintactsupontheinitialmatchingresults.Then,theobtainedlinescorrectthelocalimage,andthecorrectedlocalimageusesSIFTmatching,whichcontributestocalculatingtheoriginalimagereversely.Theobtainedmatchingpointsareusedtogloballycorrecttheobliqueimage,andthefeaturepointsarematched;thegrid-basedmotionstatistics(GMS)algorithmeliminatesthemismatches;thematchingresultsgothroughreversecalculationandreturntotheoriginalimage.Thelinematchingresultsandthepointexpandingmatchingresultscombineintofinalresults,showing that the matching accuracy of the proposed method is close to that of ASIFT,but the number ofmatchingis1-3timesit.Key words:obliqueimage;linefeature;epipolarconstraint;pointexpandingmatching;globalcorrection影像匹配是许多高级计算机视觉问题的关键步骤，如运动三维重建结构、目标识别等.但是在获取影像的过程中，传感器受自身及环境的影响，获得的倾斜影像存在几何变形明显、地物遮挡显著及纹理收稿日期：2021-08-12修回日期：2021-12-02网络首发日期：2022-03-31基金项目：重庆市基础科学与前沿技术研究专项重点项目（cstc2015jcyjBX0023）第一作者：韦春桃（1968），女，教授，博士，研究方向为摄影测量与遥感，E-mail：引文格式：韦春桃，张冬梅.基于几何约束的倾斜影像特征匹配方法J.西南交通大学学报，2024，59(2)：353-360WEI Chuntao,ZHANG Dongmei.Feature matching method of oblique images based on geometric constraintsJ.Journal ofSouthwestJiaotongUniversity,2024，59(2)：353-360第59卷第2期西南交通大学学报Vol.59No.22024年4月JOURNALOFSOUTHWESTJIAOTONGUNIVERSITYApr.2024相似性大等多种问题，加大了影像匹配的难度.传统的匹配算法在此情况下不能完全适应，出现匹配数量少、匹配精度不高的问题，直接影响了倾斜影像结果后续视觉任务的精度，因此，如何实现可靠的倾斜影像匹配算法是解决此类问题的关键1.影像特征匹配大致分为点特征匹配、线特征匹配和区域特征匹配.尺度不变特征变换匹配算法（SIFT）2是经典的点特征匹配算法，其通过在尺度空间提取描述子，达到对旋转、尺度、光照等变化的良好适应，但面对视角变化极大的影像，SIFT 算法将不再适用3.仿射尺度不变特征变换算法（ASIFT）4模拟了影像各个角度变化情况，然后利用 SIFT 算法在各个模拟影像上进行匹配，该算法具有较好的仿射不变性，与 SIFT 等其他传统算法相比，在对图像视角变换、旋转、尺度缩放、光照变化上具有更强的鲁棒性5.但是该算法在所有模拟影像间逐一遍历匹配，耗时较长.与点特征相比，直线特征具有直观性与整体性，能够用较少的特征表达更丰富的纹理信息，弥补点特征缺乏局部结构几何信息的不足6.直线匹配算法通常利用直线的基本属性，如长度、光谱等特征进行匹配.常见的直线匹配算法有直线提取（检测）算法（LSD）7、LPI（line-pointinvariants）8等.基于区域的影像匹配方法有 HarrisAffine 和HessianAffine9-10，通过在影像上构建仿射不变性特征区域，并在区域上计算描述符来匹配，但在面对大倾角倾斜影像时难以适应这种较大的仿射变化11.文献12采用基于加权形状（WSH）局部区域特征的匹配方法，获得去除仿射变形的影像块，此方法对大部分图像能获得正确率较高的匹配结果.目前还有一种基于影像纠正的匹配方法，其大致思路是将影像进行粗匹配，利用粗匹配结果对倾斜影像进行纠正，再对纠正后的影像进行匹配，并将匹配结果反算回原始影像，该方法被广泛应用13，如现有的 ISIFT（iterative SIFT）14、NAIF（nicer affine invariantfeature）15算法等.在倾斜影像中，点特征不会随着影像的视角变化、畸变而产生变化，因此，在一幅场景影像中，点特征与线特征相结合的匹配方法可达到更高精度16.陈敏等17利用直线组队方法，通过直线特征来表达点特征的信息，构建直线交点的特征区域和描述符进行直线对匹配，该方法既能得到直线特征匹配结果，又能得到点特征匹配结果.张平等18利用直线匹配来获得同名点，并进行距离角度等拓扑约束获得同名单直线.以上方法均能在一定视角变换的倾斜影像上获得一些均匀分布的匹配特征，但是匹配数量较少，匹配的点大都是建筑物的角点、直线的交点，不能对影像上一些直线外的点进行匹配.综上所述，为了解决倾斜影像匹配数量少、匹配正确率不高的问题，本文提出一种点线结合的匹配方法，提高倾斜影像匹配的数量和正确率.1 影像匹配本文算法整体流程如图 1 所示.首先，通过 LSD算法对参考影像、搜索影像提取直线段，将提取的直线进行组对，构建直线对的尺度和仿射不变局部特征区域；然后，采用 SIFT 描述符构建特征区域向量；最后，采用最小欧氏距离进行匹配，得到粗匹配结果.将粗匹配结果进行几何约束，提高粗匹配精度；根据粗匹配结果进行影像纠正，包括影像局部纠正和全局纠正；利用粗匹配得到的局部区域进行纠正后匹配，针对所有匹配结果进行剔错，作为影像全局纠正的基础，对全局纠正后影像进行特征点匹配.将三次匹配结果合并得到最终匹配结果.倾斜影像对匹配合并局部影像纠正直线特征提取构建仿射不变区域和描述符影像粗匹配核线约束直线对匹配点特征提取影像匹配构建描述符匹配剔错点拓展匹配全局影像纠正点特征提取影像匹配构建描述符匹配剔错点拓展匹配图1本文算法整体流程Fig.1Flowchartofproposedmethod 1.1 直线对匹配进行直线特征提取得到参考影像和搜索影像上各自的直线特征集合.利用相邻直线间的几何关系将目标影像与待匹配影像提取的直线分别进行编组，得到满足角度、距离等约束条件的直线组.将计算编组后的直线交点，并构建局部区域进行匹配.在进行初步剔错后，计算目标影像直线组交点在待匹配影像上的核线，判断已匹配直线组是否在核线上或直线对的交点到核线的距离满足一定阈值.检验核线上或核线周围是否还有未匹配的直线组，若有，则利用直线组的几何属性特征计算目标直线组和候选直线组描述符的相似性进行拓展匹配，从而获得354西南交通大学学报第59卷2 幅影像上的所有同名直线组.1.1.1直线组队Lf1Lf1Lf1Lf1|Lf1|+2w2w|Lf1|Lf1以当前正在遍历参考影像上的直线特征为例，为目标直线，以为中心，为直线创建一个宽度为，高度为（w 为扩展长度）的矩形支撑区域，其中为的长度，如图 2 所示.直线组队时，为避免后面构建的直线组区域面积太小，或两直线在空间上位置较远而误组对的情况，需满足一些限制条件：1）首先，保证目标直线与编组直线存在交点.这是因为平行直线不能进行后续构建仿射不变区域，且直线交点具有较高的稳定性及仿射、透视不变等特性.LfiLfi1 Lf11Lf1Cf1(Lf1,Lf11,Pf1)Pf12）其次，直线对的夹角满足阈值.判断目标直线与编组直线（i=1,2,3,）所形成的夹角是否满足在一定的范围内，以防止夹角太小，导致直线对构成的局部区域太小，需预先设置合理的角度限值，；满足该条件的直线与目标直线暂时编为一组，记为，其中为直线组的交点坐标，且需要保证直线交点在矩形支撑区域内，防止两直线在影像中距离较远的情况，并将符合条件的交点储存在交点集合中.wwLf1Lf11Lf 2Lf 3Pf1图2直线组对6Fig.2Linepairing6因此，按照合理的限制对 2 张影像进行编组，最终得到参考影像的直线编组特征集和待匹配影像的直线编组特征集 Cf、Cs分别为Cf=Cf1(Lf1,Lf11,Pf1),Cf2(Lf2,Lf22,Pf2),CfM(LfM,LfM1,PfM),（1）Cs=Cs1(Ls1,Ls11,Ps1),Cs2(Ls2,Ls21,Ps2),CsN(LsN,LsN1,PsN),（2）MN式中：、分别为参考影像和搜索影像提取到的直线数目，Cs1为搜索影像的直线对，Ls1为搜索上的目标直线，Ls11为 Ls1对应的编组直线，Ps1为直线Ls11和 Ls1的交点.1.1.2构建视角不变区域CfCfiLfiLfi1PfiPfiPf1Pf2Pf3Pf2LfiPf3Lfi1Pf1S=1/(1+D)DTS SS SCM本实验需要寻找 3 个视角不变的直线交点构建局部平行四边形区域.以参考影像为例，在参考影像直线特征组中，若当前的直线对为（，），选取直线对交点为四边形的第 1 个顶点，另外 2 个直线交点分别为、，其中,为与其支撑区域内的其他直线特征的交点，为与其支撑区域内其他直线特征的交点，如图 3（a）所示.由参考影像上的 3 个直线交点和 3 个点的距离，以为中心，构建一个对称的四边形特征区域，并将四边形区域归一化成正方形，如图 3（b）所示.同样的方法可在参考影像上确定相应的视角不变区域.得到特征不变区域后采用改进 SIFT 进行特征描述.最后，对特征描述符归一化处理后进行相似性度量，为 2 条直线的欧式距离.若相似度大于阈值，则表示匹配.在本文中，这种算法会存在“一对多匹配”，本文将相似度值最大的匹配视为真正匹配.在仿射不变区域归一化时，为所有特征点设置相同的特征区域尺寸，并分别将平行四边行对应的4 个顶点与正方形的4 个顶点对应，如图 3（c）所示.在这块区域内采用改进的 SIFT 描述符进行相似性度量匹配，得到匹配的直线对集合（如式（3）和同名稳定点.SIFT 描述符的具体改进方法见 1.1.3 节.CM=(Cs1(Ls1,Ls11,Ps1),Cf1(Lf1,Lf11,Pf1)，(Csi(Lsi,Ls1i,Psi),Cfi(Lfi,Lf1i,Pfi).（3）Lf i1Pf 3Pf 1Pf 2Lf i(a)直线组队P3P2S(c)构建描述符SP1(b)构建四边形Pf 3Pf 1Pf 2图3构建四边形区域Fig.3Quadrilateralconstruction第2期韦春桃，等：基于几何约束的倾斜影像特征匹配方法3551.1.3改进 SIFT 描述符为更加准确地描述视角不变区域的信息特征，使得到的匹配结果更加准确，采用 SIFT 特征与图像纹理相结合的方式构建 132 维描述符.采用灰度共生矩阵获得本文的图像纹理特征.灰度共生矩阵作为一种成熟的图像纹理分析方法，是通过研究灰度的空间相关特性来描述纹理，具有较强的适应性与鲁棒性，且方法简单19.55在本文中，采用灰度共生矩阵的能量（AAsm）、对比度（CCon）、逆差矩（IIDM）和信息熵（EEnt）4 个特征来进行纹理描述.能量表示图像灰度分布的均匀度和纹理的粗细度，是灰度共生矩阵元素的平方和；对比度反映了图像的清晰度和纹理的沟纹深浅，纹理的沟纹越深，反差越大，效果越清晰，反之，对比值小，则沟纹浅，效果模糊；逆差矩反映了图像纹理的同质性，可度量图像纹理局部变化；信息熵则表示图像物理的复杂度，熵值越大，图像纹理非均匀程度越大.由 1.1.2 得到的视角不变区域计算每一个视角不变区域图像灰度共生矩阵的 4 个常用特征.采用的模板进行灰度共生矩阵的计算，最后将得到的灰度共生矩阵每个特征图像的像素值之和作为特征的最终值.由于每个影像有 4 个方向（0、45、90、135）的灰度共生矩阵，将 4 个方向灰度共生矩阵求平均值，得到影像的灰度共生矩阵.求 0方向的灰度共生矩阵如图 4所示，同样的方法可以得到其他方向的灰度共生矩阵.1248135555716712812345678110001020220000000031000000040000000151110000060001001070002000080000100125图4灰度共生矩阵Fig.4Gray-levelco-occurrencematrix在求得灰度共生矩阵后，计算能量、对比度、熵和逆差矩，如式（4）（7）.CCon=kj(k j)2p(k,j),（4）AAsm=kjp2(k,j),（5）EEnt=kjp(k,j)logp(k,j),（6）IIDM=kjp(k,j)1+(k j)2,（7）p(k,j)(k,j)式中：为灰度共生矩阵处的灰度值.在得到灰度共生矩阵的特征后，将特征加入到SIFT 特征的 128 维描述符中，构成 132 维特征描述符，最后进行相似性度量匹配.1.2 几何约束AA1A1FA=0FBB1L=FA在摄影测量中，核线约束描述的是地物点在2 张影像上的投影像点一定在同一个核平面上，进而可以推导出参考影像上每个像素点在搜索影像上的同名点一定在该像点所在核平面与搜索影像的交线（即核线）上.核线约束将原先二维的搜索空间缩小至一维的核线空间，大大地减小了搜索范围，有效提高了匹配效率的约束.一对影像的同名点的坐标和满足：，其中，为基础矩阵.对于参考影像上的一点，其在搜索影像上的同名点所在的核线.ThPs1Ps2Ps3PsNCf(Lf1,Lf11,Pf1)根据粗匹配结果得到同名直线交点，并采用RANSAC（randomsampleconsensus）20算法剔除误匹配，将不满足 RANSAC 模型的点特征和匹配直线组删除.计算两影像同名点的基础矩阵，将 1.1.1 节中参考影像得到的所有直线对进行核线约束，该步骤既能删除误匹配也能增加部分匹配.遍历参考影像的每一组直线，判断该直线对是否已经匹配，并分以下 2 种情况来计算：1）若已经匹配则计算直线组交点在搜索影像上的核线与搜索影像上同名点的距离是否在阈值内，满足要求则保留，不满足则剔除直线组匹配对；2）若参考影像上的直线对未匹配，如图 5（a）所示，计算参考影像上直线组交点在搜索影像上的核线，将搜索影像直线组交点到核线的距离小于一定阈值的直线组作为待匹配直线组，如图 5（b）所示，搜索影像上交点、为直线组的交点 Pf上可能的匹配点.为直线组与待匹配直线组构建局部结构区域的特征描述，并进行相似度计算（1.1.2 同样步骤），得到直线组的同名直线组21.核线(b)搜索影像Lf 1Lf 11Pf 1(a)参考影像Ps1Ps2PsN2.begindocument$L_rmfi$enddocumentbegindocument$L_rmfi1$enddocumenti=1,2,3,begindocument$alpha$enddocumentbegindocument$theta$enddocumentbegindocument$alpha geqslant theta$enddocumentbegindocument$L_rmf11$enddocument begindocument$L_rmf1$enddocumentbegindocument$C_rmf1(L_rmf1,L_rmf11,P_rmf1)$enddocumentbegindocument$P_rmf1$enddocument.图5核线约束Fig.5Epipolarconstraint356西南交通大学学报第59卷 1.3 影像纠正HI1在本实验中进行了局部影像纠正和全局影像纠正，如图 6 所示.利用直线构建的四边形区域匹配进行影像的局部纠正，对局部纠正后的影像进行特征点匹配.在整合直线匹配结果与局部特征点匹配结果后，对影像进行全局纠正，利用匹配得到的同名点计算倾斜影像对之间的单应性关系，计算每张搜索影像的纠正影像，其原理如图 7 所示，其中，I 为待纠正影像，为纠正后的影像.(a)原始图像(b)局部纠正(c)局部匹配图6局部纠正匹配图Fig.6LocalcorrectionmatchingI1I=H1图7全局影像纠正Fig.7Globalimagecorrection 1.4 点特征拓展匹配本文在参考影像和纠正后搜索影像上采用ORB（orientedfastandrotatedbrief）22与 LATCH（learnedarrangementsofthreepatchcodes）23算法相结合的方式进行匹配24.采用 ORB 算法提取特征点，LATCH 算法进行描述计算并使用双向暴力匹配，采用 GMS（grid-basedmotionstatistics）25算法进行误匹配剔除，将剔错后的匹配点反算回原始影像上，最后将特征点匹配和直线匹配得到的同名点进行合并得到最终匹配结果.2 实验与分析 2.1 实验环境与数据源800533wS S100100ThT本次试验运行内存为16.00GB，处理器为Intel（R）Core（TM）i7-10750HCPU2.60GHz，基于VisualStudio2015 的 OpenCV3.4.0 视觉库.试验数据：重庆市的一组倾斜影像数据，影像大小为,飞行高度为 120m；网上公开的 boat 数据集26、graffiti 数据集和 magazine 数据集27，均为倾斜影像对.影像对 1 和影像对 3 数据来源于网站https:/www.robots.ox.ac.uk/vgg/data/.影像对 2 数据来自于公开网站 http:/www.cmap.polytechnique.fr/yu/research/ASIFT/demo.html#1.%20Planar%20objects，后 3 组影像对为重庆市内某地的无人机图像，如图 8 所示.直线区域大小根据文献6设置，故在实验中构建直线区域的取值为 20，直线对夹角不宜太小，确保直线对构成的局部区域太小，本文中夹角阈值的值为 25.为了使仿射变换区域大小适中，且便于计算，在本文中取值为.在核线约束中，根据经验，在本文中点到核线的距离阈值为 30 像素，相似性度量的阈值取值为 0.65.(a)影响对 1(b)影响对 2(c)影响对 3(d)影响对 4(e)影响对 5(f)影响对 6图8实验数据Fig.8Experimentaldatasets 2.2 实验结果分析本实验的对比方法有 SIFT 算法2、Harris-Affine算 法9、Hessian-Affine 算 法10、ASIFT 算 法4和SuperGlue28方法.前 4 种对比方法采用 RANSAC剔错，本文方法采用 GMS 剔错.本文所有的对比方法本应统一采用 GMS 方法进行剔错，由于其他匹配算法与 GMS 算法结合时其表现效果并不好24，在本实验中也证明了这一点，如表 1 所示，为实验结第2期韦春桃，等：基于几何约束的倾斜影像特征匹配方法357果的公平比对，本文所有对比算法采用更适合的RANSAC 剔错.在本实验中，以匹配总数、正确匹配数、匹配正确率（正确匹配数/总匹配对数）和匹配运行时间为评价指标，其中匹配总数为匹配合并后得到的匹配总数量，统计结果如表 1、图 9、10 所示.在本实验中对 6 组影像进行匹配，用本文方法的匹配结果如图 9 所示.为了方便观看结果，本实验将匹配结果以点的形式呈现，其中绿色点表示直线匹配的结果，红色点表示在纠正影像上进行匹配并反算回原始影像的特征匹配点.由图 9 可以看出：直线匹配的数量少，但匹配点分布分散且均匀，这样使得影像校正比较可靠，从而进行特征点匹配数量多且比较可靠.点特征匹配（红色部分）数量较多，可见利用点特征匹配大大增加了匹配数量和匹配精度.表 1 实验统计结果Tab.1Statisticresultsofexperiments对SIFTHarris-AffineHessian-AffineASIFTSuperGlue本文方法项目影像对RANSAC GMSRANSACGMSRANSACGMSRANSAC GMSGMS匹配总数1410200380708502094322356936040729423922353168222832081218790790243721812168417422724160460178912312082235555019040023256207443616701301602592821086正确数100106864880880284602203802702266224316021633187020903202383209520983024198200101760120719921755210104023053193330614200025825974(a)影响对 1(b)影响对 2(c)影响对 3(d)影响对 4(e)影响对 5(f)影响对 6图9场景实验结果Fig.9Matchingresultsfordifferentscenes055.389.987.238.285061.1005.302.693.340.52.210096.910090807060504030201001 1001 000900800700600500400300200100094.797.898.399.199.693.397.298.697.474.589.7影像对 1 影像对 2 影像对 3 影像对 4 影像对 5 影像对 6正确率/%运行时间/sSIFTHarris-AffineHessian-AffineASIFT本文方法SIFTHarris-AffineHessian-AffineASIFT本文方法9.869.5813.216.4416.7524.416302.76180.609239.909174.76177.612101.3912.6561.2373.6552.8492.1570.3277745261 051777671571 002.2433.77453.6293.7655.5434.25影像对 1 影像对 2 影像对 3 影像对 4 影像对 5 影像对 6(a)匹配正确率对比(b)运行时间对比图10匹配效率比较Fig.10Comparisonofmatchingefficiency358西南交通大学学报第59卷从匹配总数来看，本文方法在实验中的所有影像都是匹配数量最多的.从表 1 可以看出：SIFT算法对旋转、尺度变化影像（如影像对 3）有较好的鲁棒性，匹配数量较多，对视角变化较大的影像（如影像对 1）的鲁棒性不足，匹配数量也大幅减少.Hessian-Affine 作为 Harris-Affine 的改进算法，对大部分图像有一些正确匹配，但是仍然存在匹配数量少、匹配正确率低的问题.在对比方法中，ASIFT 算法的匹配总数相较其他方法匹配数量最多，但本文算法的匹配总数大概为 ASIFT 算法匹配总数的1 倍3 倍.从匹配正确数量来看，除了 ASIFT 算法，其他算法均存在无正确匹配点对的情况，在面对倾斜较大的影像时，匹配正确率较低.ASIFT 算法在正确匹配数量上远超其他传统算法，但是从图 10 可以看出：ASIFT 算法在时间成本上消耗较大.本文算法在视角变换大，尺度变化以及旋转的情况下均能保持良好的匹配效果.与 ASIFT 算法相比，本文算法在影像对 1 的匹配时间更长，但是匹配的正确数量却比 ASIFT 多.本文算法虽在部分影像上的匹配精度没有 ASIFT 算法高，但是能在相对较短的时间内得到更多的正确匹配对.这是因为 ASIFT 算法是将影像的各个角度变化的模拟影像进行逐一匹配，比较耗费时间.本文的算法是进行直线组队来构建仿射不变区域，这部分是本文算法的基础和重心，在得到仿射不变区域后对仿射不变区域进行局部纠正匹配和全局纠正匹配来增加匹配的数量，使得匹配的总量数较多.由于 SuperGlue 算法是基于深度学习的影像匹配算法，该算法初始匹配后没有进行 RANSAC 剔错处理，匹配结果如表 1 所示.该算法的运行时间快，在影像匹配时可达到实时检测，但是该算法在影像角度变化较大的情况下，匹配效果和正确数量与本文算法相比较差.综上所述，本文算法虽然没有 SuperGlue 算法的匹配时间快，但是匹配数量比 SuperGlue 多很多.与 ASIFT 相比，在部分影像上的匹配时间较长，但是匹配的正确数量较多，以上说明本文算法在倾斜影像上具有较好的适应性.3 结语通过 SIFT 算法、Harris-Affine 算法、Hessian-Affine 算法、ASIFT 算法和本文算法对比，证明本文算法正确率更高、稳健性更好.研究结果可为无人机倾斜影像的精确匹配提供参考.此外，通过实验发现本文算法运行时间较长，虽然在影像对 2 至影像对 5 的匹配速度比 ASIFT 算法快，但是相对于其他传统算法，本文算法相对较长，但随着软硬件水平的高速发展，效率问题在一定程度能够缓解.后续将以改善匹配效率为目标进行深入研究，以期整体上进一步提升算法性能.参考文献：余美.倾斜立体影像匹配若干问题研究D.徐州：中国矿业大学，2018.1LOWE D G.Distinctive image feature from scale-invariant key pointsJ.International Journal ofComputerVision，2004，60(2)：91-110.2MA J,CHAN C W,CANTERS F.Fully automaticsubpixelimageregistrationofmultiangleCHRIS/ProbadataJ.IEEETransactionsonGeoscienceandRemoteSensing，2010，48(7)：2829-2839.3MORELJM,YUG.ASIFT:anewframeworkforfullyaffineinvariantimagecomparisonJ.SIAMJournalonImagingSciences，2009，2(2)：438-469.4YUG,MORELJM.ASIFT:analgorithmforfullyaffine invariant comparisonJ.Image Processing onLine，2011，1：11-38.5LIK,YAOJ.Linesegmentmatchingandreconstru-ctionviaexploitingcoplanarcuesJ.ISPRSJournalofPhotogrammetryandRemoteSensing，2017，125：33-49.6GIOIRRAFAELGV,JAKUBOWICZJ,MORELJM,etal.LSD:afastlinesegmentdetectorwithafalsedetection controlJ.IEEE Transactions on PatternAnalysisandMachineIntelligence，2010，32(4)：722-732.7FANB,WUF,HUZ.Robustlinematchingthroughline-point invariantsJ.Pattern Recognition，2012，45(2)：794-805.8MIKOLAJCZYKK,SCHMIDC.Scale&affineinvari-antinterestpointdetectorsJ.InternationalJournalofComputerVision，2004，60(1)：63-86.9MIKOLAJCZYKK,TUYTEIAARST,SCHMIDC,etal.AcomparisonofaffineregiondetectorsJ.Interna-tionalJournalof ComputorVision，2005，65：43-72.10姚国标，邓喀中，艾海滨，等.倾斜立体影像自动准稠密匹配与三维重建算法J.武汉大学学报（信息科学版），2014，39（7）：843-849.YAOGuobiao,DENGKazhong,AIHaibin,etal.Analgorithmofautomaticquasi-densematchingandthree-11第2期韦春桃，等：基于几何约束的倾斜影像特征匹配方法359dimensionalreconstructionforobliquestereoimagesJ.GeomaticsandInformationScienceofWuhanUniversity，2014，39(7)：843-849.余美，邓喀中，杨化超，等.基于 WSH 局部特征的立体影像匹配J.中国矿业大学学报，2018，47（3）：685-690.YU Mei,DENG Kazhong,YANG Huachao,et al.Stereo images matching based on WSH localfeaturesJ.Journal of China University of Mining&Technology，2018，47(3)：685-690.12肖雄武，郭丙轩，李德仁，等.一种具有仿射不变性的倾斜影像快速匹配方法J.测绘学报，2015，44（4）：414-421.XIAOXiongwu,GUOBingxuan,LIDeren,etal.Aquick and affine invariance matching method foroblique imagesJ.Acta Geodaetica et CartographicaSinica，2015，44(4)：414-421.13YUYinian,HUANGKaiqi,CHENWei,etal.Anovelalgorithm for view and illumination invariant imagematchingJ.IEEETransactionsonImageProcessing，2011，21(1)：229-240.14XIAOXW,GUOBX,SHIYR,etal.Robustandrapid matching of oblique UAV images of urbanareaC/SocietyofPhoto-OpticalInstrumentationEngineers(SPIE)Conference Series.Wuhan：SPIE，2013：223-230.15LIK,YAOJ,XIAMH,etal.Jointpointandlinesegmentmatchingonwide-baselinestereoimagesC/2016IEEEWinterConferenceonApplications of Computer Vision(WACV).NewYork：IEEE，2016：1-9.16陈敏，朱庆，何海清，等.面向城区宽基线立体像对视角变化的结构自适应特征点匹配J.测绘学报，2019，48（9）：1129-1140.CHEN Min,ZHU Qing,HE Haiqing,et al.Structureadaptivefeaturepointmatchingforurbanareawide-baselineimageswithviewpointvariationJ.ActaGeodaetica et Cartographica Sinica，2019，48(9)：1129-1140.17张平，王竞雪.直线对几何特征约束的近景影像特征匹配J.遥感信息，2020，35（4）：124-132.ZHANGPing,WANGJingxue.Linematchingforclose-range images with geometry features of line pairsJ.RemoteSensingInformation，2020，35(4)：124-132.18RAGURAM R,CHUM O,POLLEFEYS M,et al.USAC:a universal framework for random sampleconsensusJ.IEEETransactionsonPatternAnalysisandMachineIntelligence，2013，35(8)：2022-2038.19王竞雪，朱庆，王伟玺.顾及拓扑关系的立体影像直20线特征可靠匹配算法J.测绘学报，2017，46（11）：1850-1858.WANGJing