任靖福 王瀚波 胡曉光

摘? 要：針對(duì)車(chē)輛在高速運(yùn)動(dòng)情況下，各種噪聲、干擾、周?chē)h(huán)境等影響圖像匹配結(jié)果的速度、精度以及可靠性的難題，以核線影像數(shù)據(jù)匹配為研究重點(diǎn)，探討了關(guān)于核線的匹配方法、核線影像數(shù)據(jù)中特征點(diǎn)提取和匹配的方法，提出了兩種基于特征段相似度的核線匹配算法，通過(guò)對(duì)三組距離不同的高速公路立體影像、不同的同名核線位置下的影像匹配結(jié)果的研究，驗(yàn)證了基于相鄰特征段相似度的核線匹配算法匹配的可靠性和優(yōu)越性。

關(guān)鍵詞：圖像匹配;高速公路;核線匹配;特征點(diǎn);特征段

中圖分類(lèi)號(hào)：TP391.41? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2020）03-0068-05

Abstract：In view of the problems of noise，interference and surrounding environment that affect the speed，accuracy and reliability of image matching results when the vehicle is moving at high speed，this paper focuses on the epipolar line image data matching，discusses the epipolar line matching method，the feature point extraction and matching method in the epipolar line image data，and proposes two epipolar line matching algorithms based on the similarity of feature segments. Through the research on the matching results of three groups of expressway stereo images with different distances and different locations of the same name epipolar line，the reliability and superiority of the epipolar line matching algorithm based on the similarity of adjacent feature segments are verified.

Keywords：image matching;expressway;epipolar line matching;feature point;feature segment

0? 引? 言

為了實(shí)現(xiàn)視頻圖像監(jiān)控的自動(dòng)化，快速準(zhǔn)確地提取左右圖像中的同名像點(diǎn)是計(jì)算機(jī)視覺(jué)的關(guān)鍵技術(shù)。圖像匹配即通過(guò)一定的匹配算法在兩幅或多幅影像之間識(shí)別同名點(diǎn)的過(guò)程[1]，圖像匹配技術(shù)應(yīng)用廣泛，有著光明的發(fā)展前景，但是同時(shí)也存在著許多技術(shù)問(wèn)題和難點(diǎn)。在圖像匹配過(guò)程中，由于各種噪聲、干擾等的影響，一般的匹配方法中對(duì)非匹配點(diǎn)也會(huì)同時(shí)進(jìn)行搜索，在匹配的結(jié)果中特征不易正確匹配，對(duì)匹配結(jié)果的速度、精度以及可靠性都有很大的影響。

本文根據(jù)高速公路交通異常的檢測(cè)問(wèn)題，重點(diǎn)闡述關(guān)于核線的匹配方法，提出了兩種基于特征段相似度的核線匹配算法。經(jīng)過(guò)實(shí)驗(yàn)比較得出基于相鄰特征段相似度的核線匹配方法效果較好。

1? 核線匹配的相關(guān)概念

1.1? 核線相關(guān)概念

在進(jìn)行二維影像相關(guān)時(shí)，為了在右像片上搜索到同名像點(diǎn)，必須在給定的搜索區(qū)內(nèi)沿x、y兩個(gè)方向搜索同名像點(diǎn)，因此，搜索區(qū)是一個(gè)二維影像窗口，在這樣的二維影像窗口里進(jìn)行相關(guān)計(jì)算，顯而易見(jiàn)，其計(jì)算量是相當(dāng)大的。由攝影測(cè)量的基本知識(shí)可知，核面與兩像片面的交線即為同名核線，同名像點(diǎn)必然位于同名核線上。沿核線尋找同名像點(diǎn)，即為核線相關(guān)。這樣，利用核線相關(guān)的概念就能將沿x、y方向搜索同名像點(diǎn)的二維相關(guān)問(wèn)題轉(zhuǎn)化為沿同名核線搜索同名像點(diǎn)的一維相關(guān)問(wèn)題，從而大大減少計(jì)算量[2]。

由此可知，核線相關(guān)是一種一維相關(guān)，是利用立體像對(duì)在左、右同名核線上的灰度序列進(jìn)行的影像相關(guān)，其目標(biāo)區(qū)和搜索區(qū)分別位于左、右同名核線上，均為一維影像窗口。

1.2? 核線模型

S和S′分別為立體像對(duì)左像投影中心和右像投影中心;S和S′的連線為攝影基線B;地面點(diǎn)P的投影射線PS和PS′是同名光線;同名光線分別與兩像平面的交點(diǎn)p、p′為同名像點(diǎn)，q與q′為任一組像點(diǎn)，不一定是同名像點(diǎn)。攝影基線與地面任意點(diǎn)P構(gòu)成的平面，稱(chēng)為核面;核面與像平面的交線稱(chēng)為核線;L和L′是通過(guò)同名像點(diǎn)p和p′的一對(duì)同名核線[3]。圖1為中心投影影像的核線模型。

由核線的幾何定義我們可以知道，重疊影像上的同名像點(diǎn)必然位于同名核線上[4]。圖2為某一時(shí)刻視頻監(jiān)控圖像，圖3為圖2某一條同名核線上其中一部分的左、右核線灰度曲線，曲線上的“*”表示同名像點(diǎn)，其同名像點(diǎn)的點(diǎn)號(hào)同時(shí)列在表1中，表中NL、NR分別表示在左、右核線上同名點(diǎn)的點(diǎn)號(hào)。從這一實(shí)例中，我們可以直觀地體會(huì)到在同名核線上自動(dòng)搜索同名像點(diǎn)的可能性。

1.3? 同名核線確定

實(shí)現(xiàn)核線匹配的首要任務(wù)是確定同名核線，確定同名核線的方法有很多，基本上可以分為兩類(lèi)：一是基于數(shù)字影像的幾何糾正;二是基于共面條件[5]。在本文中，我們采用第二種基于共面條件的方法確定同名核線，這一方法是直接從核線的定義出發(fā)。于是，同名核線的確定可以描述為：要確定過(guò)左片上任意一個(gè)像點(diǎn)p（xp，yp）的核線L和右片同名核線L′，由于核線在像片上是直線，因此上述問(wèn)題可以轉(zhuǎn)化為確定左核線上的另外一個(gè)點(diǎn)[6]，如圖1中的q（x，y），與右同名核線上的兩個(gè)點(diǎn)p′、q′，注意，這里并不要求p與p′或q與q′是同名點(diǎn)。

2? 基于特征段相似度的核線匹配算法

2.1? 核線特征點(diǎn)提取

對(duì)于一幅數(shù)字影像來(lái)說(shuō)，最感興趣的是那些非常明顯的目標(biāo)，而要識(shí)別這些目標(biāo)，必須借助于影像去構(gòu)成這些目標(biāo)的所謂影像的特征。特征提取是影像分析和影像匹配的基礎(chǔ)，也是單張影像處理的最重要的任務(wù)。特征提取的主要任務(wù)是提取核線上的特征點(diǎn)，點(diǎn)狀特征主要是指明顯點(diǎn)，如角點(diǎn)、圓點(diǎn)等，在某些鄰域變化較大，通常是指圖像的灰度變化。點(diǎn)特征是圖像最基本的特征之一，它易于表示和操作，在一些匹配應(yīng)用中使用點(diǎn)特征進(jìn)行處理，可以減少計(jì)算的數(shù)據(jù)量，同時(shí)又不損失圖像重要的灰度信息，在匹配運(yùn)算中能夠較大地提高計(jì)算速度。點(diǎn)狀特征應(yīng)用廣泛、表達(dá)精細(xì)，所以，點(diǎn)狀特征的研究是計(jì)算機(jī)視覺(jué)以及數(shù)字?jǐn)z影測(cè)量的重點(diǎn)和難點(diǎn)。

提取點(diǎn)特征的算子成為興趣算子或有利算子，也就是運(yùn)用某種算法從影像中提取我們所感興趣的，即有利于某種目的的點(diǎn)。本文將Moravec算子進(jìn)行改進(jìn)，然后對(duì)核線上的點(diǎn)特征進(jìn)行提取，提取精度和數(shù)量可以用閾值來(lái)加以控制。這種算法過(guò)程簡(jiǎn)單，適合本文影像數(shù)據(jù)，而且計(jì)算速度較快。

2.2? 核線特征段提取

在進(jìn)行影像匹配之前，特征提取是非常重要的一項(xiàng)工作，而對(duì)于特征的描述方式也是多種多樣的。本文所用實(shí)驗(yàn)數(shù)據(jù)為高速公路影像數(shù)據(jù)，感興趣處理的是一維核線影像或灰度曲線。在一維核線影像的情況下，將特征段定義為一個(gè)影像段，它由三個(gè)特征點(diǎn)組成：一個(gè)灰度梯度最大點(diǎn)Z，兩個(gè)突出點(diǎn)（梯度很?。㏒1、S2[7]。如圖4所示。

在提取特征段時(shí)，首先提取出核線上灰度梯度最大的特征點(diǎn)Z，記錄其像點(diǎn)點(diǎn)號(hào)以及灰度值g（Z），然后對(duì)每個(gè)特征點(diǎn)Z的鄰域窗口分別向前和向后進(jìn)行一次差分運(yùn)算，當(dāng)參與差分運(yùn)算的兩相鄰像素點(diǎn)所對(duì)應(yīng)的灰度值相差小于3時(shí)，則停止運(yùn)算，并取出前、后差分所對(duì)應(yīng)的像素點(diǎn)點(diǎn)號(hào)和灰度值，此時(shí)提取出的像素點(diǎn)即為Z點(diǎn)所對(duì)應(yīng)的一對(duì)突出點(diǎn)S1、S2。

特征段（實(shí)際上是依次提取出上述的三個(gè)特征點(diǎn)）將一條核線的影像分成若干個(gè)影像段，因而每一段影像均由一個(gè)特征段所組成。如圖5所示，曲線上的“*”表示同名像點(diǎn)。影像匹配的實(shí)質(zhì)就是特征段的匹配，從而確定它們?cè)诹硪环跋裆蠈?duì)應(yīng)的位置。

在提取特征段時(shí)，我們提取出了兩個(gè)突出點(diǎn)S1、S2的灰度差Δg=g（S2）-g（S1），同時(shí)設(shè)置一個(gè)標(biāo)簽flag=0。

將三個(gè)特征點(diǎn)的像素號(hào)與標(biāo)簽flag作為描述此特征的四個(gè)參數(shù)——特征參數(shù)。這對(duì)于特征段匹配十分有用，比如，一個(gè)flag=1的特征段就不可能與flag=2的特征段相匹配，只有flag值相同的特征才予以匹配。

2.3? 基于特征段相似度的核線匹配

從本質(zhì)上說(shuō)，影像匹配是一種評(píng)價(jià)灰度分布相似性的手段，而提取特征的最終目的是要對(duì)特征進(jìn)行匹配，從中得到圖像間的相互關(guān)系等有用信息。針對(duì)本文所用的核線影像數(shù)據(jù)，首先嘗試采用基于特征段相似度的核線匹配方法，具體過(guò)程描述如下：

（1）設(shè)在左像片核線上提取共有的n個(gè)未匹配特征段，依次分別為F1、F2、F3、…、Fn，將提出的F1構(gòu)成目標(biāo)匹配窗口。

（2）在右像片核線上同樣提取共有的m個(gè)待匹配特征段，依次為F1′、F2′、F3′、…、Fm′，分別將F1′、F2′、F3′、…、Fm-1′、Fm′構(gòu)成待匹配窗口。

（3）預(yù)先運(yùn)用上述所提到的標(biāo)簽flag加以約束，遍歷計(jì)算目標(biāo)窗口與所有待匹配窗口的相關(guān)系數(shù)，按最大相關(guān)系數(shù)的準(zhǔn)則確定F1匹配窗口中特征的同名特征。

（4）遍歷將F2、F3、…、Fn-1、Fn構(gòu)成目標(biāo)匹配窗口，重復(fù)（2）、（3）過(guò)程。表2列出某一條核線上所提取的特征段。

從表2中可以看出，匹配過(guò)程首先判斷flag值是否相同，當(dāng)flag值相同才予以匹配，例如，表中F1特征段的flag=1，在右核線上只能依次與F1′、F3′、F6′特征段匹配，然后再計(jì)算F1中的目標(biāo)灰度窗口g[280，281，282，283，284]分別與右核線待匹配窗口g′[584，585，586，587，588，589]、g′[1 584，1 585，1 586]、g′[1 717，1 718，1 719，1 720]計(jì)算相關(guān)系數(shù)，與F1相關(guān)系數(shù)最大的特征即為F1窗口中的同名特征。

2.4? 基于相鄰特征段相似度的核線匹配

采用的基于特征段相似度的核線匹配方法，有時(shí)候使用最大相關(guān)系數(shù)準(zhǔn)則往往不夠，會(huì)出現(xiàn)一定的誤匹配，接下來(lái)采用基于相鄰特征段相似度的核線匹配方法。匹配方法過(guò)程如圖6所示，1、2構(gòu)成一個(gè)匹配窗口，2、3構(gòu)成匹配窗口，3、4也構(gòu)成匹配窗口，兩個(gè)特征可以均是待匹配特征，待匹配的特征始終位于窗口的邊緣。分別將左、右兩像片相鄰的兩個(gè)特征連接起來(lái)，形成大小不一的匹配窗口。

基于相鄰特征段相似度的核線匹配過(guò)程：

（1）設(shè)在左像片核線上提取共有的n個(gè)待匹配特征段，依次分別為F1、F2、F3、…、Fn，先將F1與F2構(gòu)成目標(biāo)匹配窗口。

（2）在右像片核線上同樣提取共有的m個(gè)待匹配特征段，依次為F1′、F2′、F3′、…、Fm′，分別將F1′與F2′、F2′與F3′、…、Fm-1′與Fm′構(gòu)成待匹配窗口。

（3）預(yù)先運(yùn)用上述所提到的標(biāo)簽flag約束，遍歷計(jì)算目標(biāo)窗口與所有待匹配窗口的相關(guān)系數(shù)，按最大相關(guān)系數(shù)的準(zhǔn)則確定F1、F2匹配窗口中特征的同名特征。

（4）遍歷將F2與F3、…、Fn、與Fn-1構(gòu)成目標(biāo)匹配窗口，重復(fù)（2）（3）過(guò)程。

同樣如表2所示，將左核線F1、F2構(gòu)成目標(biāo)窗口，首先判斷右核線特征段窗口的flag組合是否與F1、F2相同，當(dāng)flag組合相同才予以匹配，例如，表中F1、F2匹配窗口的flag為1、2，在右核線上只能依次和F1′、F2′以及F3′、F4′窗口匹配，然后再計(jì)算F1、F2中的目標(biāo)灰度窗口g[280，281，282，283，284，285，286，287，288，289，290，291，292，293，294，295]分別與右核線待匹配窗口g′[584，585，586，587，588，589，590，591，592，593，594，595，596，597]、g′[1 584，1 585，1 586，1 587，1 588，1 589，1 590，1 591，1 592，1 593，1 594，1 595，1 596]計(jì)算相關(guān)系數(shù)，與F1、F2相關(guān)系數(shù)最大的兩段特征即為F1、F2窗口中的同名特征。

同名點(diǎn)的確定是以匹配測(cè)度為基礎(chǔ)的，因而如何定義匹配測(cè)度，則是影像匹配最首要的任務(wù)，基于不同的理論或不同的思想可以定義各種不同的匹配測(cè)度。在本文中，由于采用的是核線影像數(shù)據(jù)源，在像對(duì)中利用改進(jìn)的Moravec算子提取一定數(shù)量的特征點(diǎn)，進(jìn)行特征點(diǎn)連接組成特征段，利用特征匹配的兩種方案形成匹配窗口，然后只需逐對(duì)計(jì)算位于同名核線上匹配窗口之間的相關(guān)系數(shù)，利用相關(guān)系數(shù)作為相似性度量可以使計(jì)算量更小，簡(jiǎn)單易行，且其匹配精度高。

2.5? 特征匹配評(píng)價(jià)

對(duì)特征匹配評(píng)價(jià)就是建立一個(gè)特征點(diǎn)匹配好壞的標(biāo)準(zhǔn)，參數(shù)評(píng)價(jià)法是利用表征特征點(diǎn)匹配效果的參數(shù)進(jìn)行評(píng)價(jià)，比較常用的兩個(gè)參數(shù)是檢測(cè)率和錯(cuò)配率。

檢測(cè)率=正確的匹配數(shù)目/所有可能匹配的數(shù)目;

錯(cuò)配率=錯(cuò)誤的匹配數(shù)目/檢測(cè)到的所有的匹配數(shù)。

從上面檢測(cè)率和錯(cuò)配率的定義我們可以看出，所希望匹配結(jié)果中檢測(cè)率越高越好，而錯(cuò)配率越低越好。匹配算法應(yīng)盡可能提高檢測(cè)率和降低錯(cuò)配率，但是在實(shí)際的匹配過(guò)程中，很少可以同時(shí)把這兩方面都做到最優(yōu)。需要根據(jù)所提出算法的思想和實(shí)際情況來(lái)優(yōu)先優(yōu)化其中一個(gè)參數(shù)。對(duì)于本文中實(shí)驗(yàn)，由于針對(duì)的是立體交通視頻的高速公路影像，對(duì)于提取特征點(diǎn)數(shù)目的要求沒(méi)有必要太高，只需要提取出道路上關(guān)鍵特征點(diǎn)即可，所以應(yīng)盡量提高匹配的正確率，即降低錯(cuò)配率。

3? 核線匹配實(shí)驗(yàn)分析

將核線匹配的基本原理應(yīng)用到高速公路智能檢測(cè)中，提取高速公路上突出的特征點(diǎn)信息，并且找到特征點(diǎn)的對(duì)應(yīng)點(diǎn)，實(shí)現(xiàn)特征點(diǎn)匹配。

3.1? 實(shí)驗(yàn)過(guò)程

根據(jù)上述實(shí)驗(yàn)思路做了如下實(shí)驗(yàn)，拍攝一組照片，確定任一點(diǎn)的同名核線，進(jìn)行核線特征匹配，比較相關(guān)系數(shù)，驗(yàn)證我們算法的有效性。實(shí)驗(yàn)具體步驟如下：

（1）本次實(shí)驗(yàn)的照片均為立體交通視頻圖像，拍攝場(chǎng)景都是高速公路，在道路上停放車(chē)輛以及放置輪胎等障礙物，分別拍攝3組不同距離的高速公路圖像。

（2）對(duì)每組圖像進(jìn)行畸變改正，在任一點(diǎn)位置確定同名核線，然后提取同名核線的一維灰度值數(shù)組，并對(duì)其進(jìn)行中值濾波除噪以及灰度拉伸。

（3）分別在左、右兩條同名核線上提取特征點(diǎn)，進(jìn)一步提取對(duì)應(yīng)的特征段，并標(biāo)記每一特征段所對(duì)應(yīng)的灰度曲線類(lèi)型，即標(biāo)記flag。

（4）利用透視投影變換與基于相鄰特征段相似度的核線匹配方法相結(jié)合，方案一中將左核線上所提取的特征段形成目標(biāo)窗口，右核線每一個(gè)特征段形成待匹配窗口，方案二中將左核線兩兩組合的相鄰特征段形成目標(biāo)窗口，右核線兩兩相鄰特征段形成待匹配窗口，兩種方案都計(jì)算兩窗口之間的相關(guān)系數(shù)，以此達(dá)到匹配的目的。

（5）分別用兩種匹配方案對(duì)同一幅立體交通視頻圖像根據(jù)同名核線上的匹配點(diǎn)對(duì)分析評(píng)價(jià)匹配效果。

拍攝3組不同距離的高速公路異物圖像，如圖7所示，每組圖像的大小均為1 080×1 920。

（a）照片組1

（b）照片組2

（c）照片組3

3.2? 確定經(jīng)過(guò)任意一點(diǎn)的同名核線

以圖7（a）照片組為例，選擇無(wú)障礙物處P1（905，264）、輪胎處P2（1 485，400）以及汽車(chē)處P3（1 378，336）三個(gè)代表性位置，提取同名核線以及核線上的特征點(diǎn)，每條核線計(jì)算范圍為1×1 920，分別對(duì)上述3條同名核線上的特征點(diǎn)進(jìn)行匹配。

3.3? 實(shí)驗(yàn)結(jié)果

在圖7（a）組圖像上的無(wú)障礙處P1、輪胎處P2以及汽車(chē)處P3分別任意取經(jīng)過(guò)不同位置的5條同名核線，并記錄經(jīng)過(guò)點(diǎn)的坐標(biāo)。然后分別對(duì)圖7（b）和圖7（c）圖像重復(fù)（a）組圖像做的工作，記錄經(jīng)過(guò)點(diǎn)坐標(biāo)并同時(shí)計(jì)算匹配時(shí)間。通過(guò)兩種方案進(jìn)行實(shí)驗(yàn)：基于特征段相似度的核線匹配方法和基于相鄰特征段相似度的核線匹配方法。為比較匹配精度，我們?cè)诿拷M圖像上分別選取了15條不同位置的同名核線。道路上特征點(diǎn)數(shù)目提取并不是很多，但提取的特征點(diǎn)都是道路上的關(guān)鍵特征點(diǎn)。

從匹配情況上看，對(duì)于方案一，即基于特征段相似度的核線匹配方法的匹配結(jié)果圖像，特征點(diǎn)檢測(cè)率效果較好，尤其是在無(wú)障礙物或者輪胎處，檢測(cè)率甚至達(dá)到了100%，3組圖像的平均檢測(cè)率分別為90.00%、78.68%、89.68%;對(duì)于錯(cuò)配率，在3組圖像中都可以看到，特征點(diǎn)在無(wú)障礙物處錯(cuò)配率較低，但是對(duì)于汽車(chē)處，錯(cuò)配率相對(duì)更高，3組圖像平均錯(cuò)配率分別為41.58%、24.62%、8.00%;從匹配時(shí)間上看，3組圖像平均所耗費(fèi)時(shí)間分別為127.28 ms、128.64 ms、118.92 ms。

對(duì)于方案二，即基于相鄰特征段相似度的核線匹配方法的匹配結(jié)果圖像，特征點(diǎn)檢測(cè)率一般，3組圖像的平均檢測(cè)率分別為73.01%、72.00%、74.10%，相對(duì)于方案一中來(lái)說(shuō)檢測(cè)率更低;對(duì)于錯(cuò)配率，在3組圖像中都可以看到，特征點(diǎn)在無(wú)障礙物處和輪胎小型障礙物處錯(cuò)配率較低，幾乎可以達(dá)到0，匹配效果令人滿意，但是對(duì)于汽車(chē)處，錯(cuò)配率相對(duì)更高，3組圖像平均錯(cuò)配率分別為9.52%、12.38%、14.84%，而且通過(guò)匹配的圖像可以發(fā)現(xiàn)，在經(jīng)過(guò)汽車(chē)的核線上的特征點(diǎn)成功匹配的基本上是道路上的點(diǎn)，汽車(chē)上的特征點(diǎn)成功匹配率比較低，本文提出的匹配算法在針對(duì)這方面有些不足;從匹配時(shí)間上看，3組圖像平均所耗費(fèi)時(shí)間分別為111.10 ms、109.16 ms、107.09 ms，匹配速度較快。

相比較兩種匹配方法，方案二中的檢測(cè)率較方案一更低，但是其錯(cuò)配率和匹配所耗時(shí)間都是更小的，匹配精度和速度均優(yōu)于第一種方案。從整體看，因?yàn)橐粚?duì)特征點(diǎn)匹配成功就已經(jīng)對(duì)應(yīng)了兩對(duì)突出點(diǎn)成功匹配，這無(wú)形中提高了檢測(cè)率并降低了錯(cuò)配率，匹配精度和匹配時(shí)間都令人滿意，說(shuō)明本文所提出的基于相鄰特征段相似度的核線匹配算法是有效的，可以應(yīng)用在交通道路圖像特征匹配當(dāng)中。

實(shí)驗(yàn)證明基于相鄰特征段相似度的核線匹配方法是一種高效率、穩(wěn)定、高精度的方法，實(shí)現(xiàn)對(duì)影像的全自動(dòng)匹配，取得了滿意的效果。

4? 結(jié)? 論

基于相鄰特征段相似度的核線匹配方法，在匹配過(guò)程中首先將提取出的特征點(diǎn)連接成特征段，然后將相鄰兩特征段組合成匹配窗口，匹配窗口大小是不固定的，然后利用相關(guān)系數(shù)作為匹配測(cè)度檢測(cè)匹配窗口中灰度相似性，最終達(dá)到特征點(diǎn)自動(dòng)匹配的目的，同時(shí)一對(duì)特征點(diǎn)所對(duì)應(yīng)的兩對(duì)突出點(diǎn)也對(duì)應(yīng)匹配，匹配點(diǎn)對(duì)數(shù)無(wú)形中增多了，提高了匹配正確率。本文所提出的基于相鄰特征段相似度的核線匹配算法對(duì)高速公路影像匹配有一定的精度和可靠性，有一定的實(shí)用性和研究?jī)r(jià)值。

參考文獻(xiàn)：

[1] 馬宗方，張少坤，宋琳，等.一種基于顏色尺度不變和FANN搜索的圖像匹配算法 [J].紅外技術(shù)，2018，40（5）：468-472.

[2] 徐芳，鄧非.數(shù)字?jǐn)z影測(cè)量學(xué)基礎(chǔ) [M].武漢：武漢大學(xué)出版社，2017.

[3] 陳春華.基于POS觀測(cè)值的立體匹配 [D].北京：中國(guó)地質(zhì)大學(xué)（北京），2006.

[4] 張靖.物探飛行模式下的機(jī)載LiDAR數(shù)據(jù)與影像配準(zhǔn)研究 [D].武漢：武漢大學(xué)，2011.

[5] 常津，李浩，楊彪.一種適用于近景數(shù)碼影像的概率松弛匹配方法 [J].科學(xué)技術(shù)與工程，2013，13（7）：1713-1717.

[6] 王刃.基于視頻全站儀的視覺(jué)相關(guān)問(wèn)題研究 [D].鄭州：解放軍信息工程大學(xué)，2004.

[7] 劉德利.基于數(shù)字?jǐn)z影測(cè)量的城市三維景觀建模 [D].長(zhǎng)春：吉林大學(xué)，2006.

。