1.2　直线匹配的研究现状

目前，摄影测量和计算机视觉领域对直线匹配进行了一系列的研究［56-60］，取得了一定的进展。Schmid和Zisserman［61］提出直线匹配方法可以分为单直线匹配方法和组直线匹配方法两类。

单直线匹配方法主要利用单一直线的几何属性特征（如方向、长度、重叠度、距离等）［62-64］或邻域窗口灰度的相似性［61，65-68］，结合一定的几何约束对直线逐一进行匹配。常用的几何约束有核线约束［69］、三角网约束［70-73］、同名点约束、三焦张量等。与点特征匹配相比，线特征匹配的难点之一是缺乏将二维搜索降低到一维的核线约束，在直线特征匹配过程中，核线约束可将候选直线限定到端点核线构建的四边形范围内［74，72］，但二维搜索的范围依然较大。三角网约束是特征匹配过程中常用的图形约束［75-77］，通常利用已有的同名点构建参考影像、搜索影像上的同名三角形，根据同名特征位于同名三角形内的原则约束匹配候选直线。这类图形约束对于平坦区域的影像能够取得较好的约束效果，但对于视角变化较大的城区倾斜影像，特别是对于建筑物边缘处约束的可靠性较弱；除用于构建同名三角网约束外，同名点本身可以直接或间接地用于约束匹配候选。前者主要体现在直接利用同名点与直线间的相对位置关系约束匹配候选，如同名点与直线间的距离［78-79］、同名点与直线间的局部仿射不变性［80］、点—线共面性［81］等；后者利用同名点计算影像间的仿射变换矩阵、单应矩阵或基础矩阵等用于约束后续匹配［82］。同名点约束依赖于同名点数量、分布及匹配正确率，同名点数量不足或正确率不高，都将对匹配结果产生直接的影响。同时，随着SIFT（Scale-Invariant Feature Transform）算子产生，一些研究者开始关注直线梯度描述符的构建。王志衡等人［83］提出3个具有平移、旋转、光照不变性的均值—标准差描述符。该研究首先定义了直线平行支撑域，并将其分解为一系列子平行域，然后分别选择灰度、梯度、梯度幅值3种不同特征建立直线描述矩阵，最后通过计算描述矩阵行向量的均值和标准差构建直线描述符。在此基础上，Wang等人［84］提出了均值-标准差直线描述符（Mean-Standard Deviation Line Descriptor，MSLD），通过分块统计直线上离散点支持区内像素梯度直方图构建描述符矩阵，计算描述符矩阵行向量的均值和标准差构建直线描述符，该描述符具有较好的可区分性及稳健性，但现有研究局限于单一尺度拍摄的影像，对尺度变化较为敏感。与MSLD相似，Zhang等人［85］提出LBD（Line Band Descriptor），首先将直线支撑区域分为若干个与直线平行的子区域，通过统计每个子区域内4个方向梯度向量构建直线描述符，该描述符在直线的局部邻域基础上引入了全局和局部高斯权重系数，匹配效果良好。但是，由于同一直线在不同影像上提取结果有差异，故难以获得一致性直线支撑域，对于复杂地物影像匹配可靠性较弱。借鉴SIFT点描述符，缪君等人［86］提出一种仿射不变的直线描述符用于匹配，该描述符在构建过程中考虑了不同影像间尺度变化及直线上点的对应关系，但仅利用直线上的点构建描述符，舍弃直线邻域范围内的点，对于复杂地物影像匹配，描述符的可靠性有待提高。

与单直线特征匹配相比，针对组直线特征匹配的研究相对较少。组直线匹配是由两条或者多条直线构成的直线组作为匹配基元进行整体匹配的。研究将由两条直线构成的直线组称为直线对，目前组直线匹配多是基于直线对的匹配。该类方法先要对影像上提取的直线进行编组提取构建直线对，该过程可分为无约束编组和有约束编组两类。前者对影像上提取的直线根据组合数方式自由编组［87］，但其中包含大量无意义的直线组合，在后续匹配过程中再通过角度等约束条件依次进行筛选；后者通常在限定的直线邻域范围内［88-90］结合交点、距离、角度、灰度等约束构建直线对。在直线对提取的基础上，现有研究多利用直线对内两直线间的几何属性、拓扑关系，以及构建区域描述符等相似性确定同名直线对。常用的直线对属性有两直线交点、两直线夹角、两直线段相对方位角、两直线段长度和与不同直线段端点距离总和的比值、两直线段邻域灰度信息等［91-93］。其中，两直线交点及两直线段邻域灰度信息是重要信息，常常体现在以交点为中心规则窗口的灰度相关信息、交点到核线距离、以交点为中心的描述符构建、直线段两侧灰度信息、邻域灰度空间直方图等［94-98］。相似性测度函数一般采用最小距离、相关系数、NNDR（Nearest Neighbor Distance Ratio）等。上述基于直线对间几何属性的相似性约束匹配受直线提取结果及成像差异的影响，在提取结果存在断裂、建筑物成像差异较大的情况下，容易产生错误匹配结果。

此外，组直线匹配结果检核是关键，由于同一条直线可以在不同的直线对中重复匹配，因此匹配结果存在大量的冗余。同时，由于匹配的模糊性，同一条直线在不同的直线对中匹配可能产生不同的匹配结果，特别对于邻近平行直线会产生多种匹配结果，因此会产生“一对多”“多对一”“多对多”的匹配结果，如何利用冗余信息从该结果中提取正确匹配结果是难点。根据“错误事件发生概率小，正确事件发生概率大”的原则，OK等人［88］采用简单的概率阈值法确定同名直线，该方法可以有效剔除部分较为明显的错误匹配结果，但非同名特征局部支撑域大范围重复导致邻近平行特征线的错误匹配结果难以被检核。因此，在此基础上，OK等人［99］进一步提出结合Daisy直线描述符、直线对内两直线间端点距离、直线对匹配过程中属性相似性测度3个方面建立匹配结果中单直线的相似性测度函数，并给予3个方面不同的权重，结合NNDR，采用迭代更新方式对匹配结果进行检核。但是该方法对匹配结果逐一进行检核，未考虑“多”结果间的关联及整合。此外，针对直线提取结果断裂产生的“一对多”“多对一”“多对多”的匹配结果，现有研究多通过计算直线间夹角及不同直线间端点距离判断结果中“多”直线是否满足共线条件，对不满足共线条件的结果整体删除。这种“一刀切”的处理方式同时剔除了其中的正确匹配，结果并不理想，这也是单直线匹配存在的共性问题。

如表1-2所示为不同匹配阶段单直线与组直线匹配的共同点及组直线匹配可拓展的特点。

表1-2　不同匹配阶段单直线与组直线匹配的共同点及组直线匹配可拓展的特点

由于组直线是由单直线构成的，因此在单直线匹配过程中涉及的理论均可以应用到组直线匹配过程中。而与单直线匹配相比，直线对匹配更为复杂，但后者可以提供以直线对内两直线交点为中心的核线、拓扑、描述符等更多的约束条件，还涉及直线对本身冗余、拓扑、共面等属性信息，这些约束能较好地优化和解决单直线匹配的模糊性问题。虽然现有组直线匹配研究取得了一定的进展，但仍存在以下问题：①由于不同影像之间存在视角变化，目标物在不同影像上成像差异较大，常用的基于夹角、直线段长度等组直线间基本几何属性构建的相似性度量准则难以准确描述组特征之间的相似性，此外，在非严格共面条件约束下同名直线对一致性特征区域难以获取，同时以直线对内两直线交点为原点的局部区域一致性较弱，导致局部特征描述符方法难以获得可靠的匹配结果；②对于非同名特征相似性及直线提取断裂产生的“一对多”“多对一”“多对多”的匹配结果，没有给予全面、细致、正确的检核及整合，其中，正确、错误对应关系混淆存在，单一的拓扑约束或基于冗余信息的概率阈值约束都难以实现理想的错误剔除。为此，如何避开直线对基本几何属性，利用其几何拓扑关系，完成非严密共面条件约束下一致性支撑区的描述符构建，如何充分利用及有效结合匹配结果的冗余信息和直线间拓扑关系，区分非“一对一”匹配结果中正确及错误对应关系，完成匹配结果的有效检核，是组直线匹配面临的主要挑战。