- 文献综述（或调研报告）：
摄影测量主要用于测绘各种比例尺的地形图、建立数字地面模型，为各种地理信息系统和土地信息系统提供基础数据，目前数字摄影测量技术已经取得长足进步，并趋于成熟，其很少受气候、地理等条件的限制，适用于大范围地形测绘，成为获取三维数据的有效手段之一。
立体像对匹配是从双目立体图像中恢复三维信息进行三维重建的关键步骤。所谓立体像对是由两个或多个相机在不同的位置对同一场景进行拍摄得到的成对图像。图像间的立体匹配其实质就是给定一副图像中的一点，寻找另一幅图像中的对应点，这两个点为空间同一点分别在两幅图像上的投影。立体匹配的结果通常是每个像素点的深度信息，而后由三角测量法可以很容易地将深度信息转化为世界坐标系中的三维坐标，实现三维重构。
目前，立体像对的匹配方法有两种，即稀疏点匹配与密集点匹配。稀疏点匹配主要是对图像中的一些特殊点进行匹配，比如角点、轮廓点等。由于提取到的特征通常比较少，且分布不规则，所以一般只能得到离散的稀疏特征数据点，不适合精度要求较高的三维重建。密集点匹配是对图像中所有的像素点进行匹配，可以最大限度地恢复物体的细节特征，生成致密的三维点数据。传统的密集点匹配算法为窗匹配法，它利用窗口内像素点的相似性来确定点对匹配与否。
尺度不变特征变换（SIFT）是Lowe于1999年提出，并于2004年完善总结的一种特征点检测与匹配算法，该算法提取的图像特征不但对图像的旋转、尺度缩放和亮度变化保持不变性，而且对视角变化、仿射变换以及噪声也能保持一定程度的稳定性，故SIFT算法可用于处理两幅图像之间发生平移、旋转、仿射变换、视角变换、光照变换等情况下的识别与匹配问题。
虽然SIFT算法被成功应用于许多领域，但由于SIFT特征点数量庞大，且SIFT特征描述符维数过高，这使得SIFT特征匹配计算量大、效率不高。针对这些问题，许多学者进行了研究。杨幸芳、黄玉美等以街区距离代替欧氏距离作为特征描述符之间的相似性度量，提出了最近邻、次近邻假设算法，通过降低相似性度量公式的时间复杂度，及减少相似性计算过程中特征点比较的次数来缩减算法的计算量[4]。曾峦等提出在圆形区域内基于扇形区域分割的SIFT特征匹配算法，降低了特征描述子维数，提高了匹配速度[6]。陈卫东、张家兴等针对移动机器人视觉定位时图像匹配实时性和鲁棒性问题，提出基于颜色矩的ISIFT移动机器人分级图像匹配算法，将颜色矩和ISIFT相结合，覆盖图像特征的全局与局部、颜色与形状４个方面[8]。
其中王瑞、杨润泽、尹晓春提出了一种改进的立体像对密集点匹配算法[13]。该算法以提高匹配效率与精度，改善视差图效果为主。对在随机光场照射下采集到的图像对首先进行极线校正，而后对窗口中像素点赋予权值系数，以计算对应窗口中像素点序列夹角的方法进行匹配，在匹配中采用有限视差约束与顺序性约束以提高匹配精度，最后生成了匹配像对的视差图。
- 图像极线校正:采取基于投影矩阵或以校正前后图像变形最小为优化目标函数求取校正矩阵图像的校正方法，将匹配点的搜索范围从二维空间缩小到一维空间，同名像素点的匹配便可以在对应的极线上完成。
- 基于窗口的灰度匹配原则：灰度匹配原则建立在假设图像中的物体都是漫反射的，并且不考虑物体间的相互反射造成的光影变化。
- 基于窗口的密集点匹配：密集点匹配以基于窗口的灰度匹配原则为基础。采用较大窗口进行匹配，对于较大窗口带来的细节平滑问题，采用对窗口内像素点加权值的方法加以克服。
参考文献：
[1]Qiu C P, Schmitt M, Zhu X X. A TIE POINT MATCHING STRATEGY FOR VERY HIGH RESOLUTION SAR-OPTICAL STEREOGRAMMETY OVER URBAN AREAS[J]. 2017, XLII-1/W1:411-417.
