立体视觉的几何特征分析研究已经取得了巨大的进步,尤其是在基于图像的双目立体视觉三维重建中发挥着重要的作用。立体视觉中主要通过特征检测算子对图像的特征进行提取与匹配,从而对立体像对中的几何特征进行分析,根据对极几何理论得出立体像对的相对几何关系,进而恢复物体的结构,实现对物体的三维重建。传统的针对立体视觉的几何特征分析,由于在特征提取与匹配过程中,是针对整幅图像进行的,导致在大场景图像中对于目标物体周边环境的区域也进行了相应的特征检测,不仅增加了计算量和算法的运行时间,也对特定目标的建模精度造成了一定的影响。同时对于一些山区、丘陵等特征点不易提取的地方,匹配密度不够,匹配精度较低。近年来,随着生物视觉显著性研究应用于计算机视觉领域,视觉显著性检测技术得到了快速发展并取得了很大的进步。针对复杂的三维场景图像,在处理过程中引入视觉显著性检测技术,首先将显著性区域提取出来,针对显著性区域进行相应的分析处理,弥补了传统的特征点提取数量不足的问题,提高了效率。文本研究的主要内容就是针对显著性区域进行特征分析。本文的实验数据采用无人机影像。首先对无人机影像进行特征点检测,生成特征描述符并进行初匹配,之后加入对极几何约束条件对影像进行由粗到细的匹配,采用改进的RANSAC算法通过分块选取样本点计算基础矩阵,对初匹配得到的同名像点进行检测,剔除误匹配点,得到精确匹配的同名像点坐标。在此基础上,利用视觉显著性检测方法,将显著性区域检测出来,得到显著性图,之后利用mean-shift分割法对显著性图进行分割得到显著性目标分割图,基于显著性区域进行匹配,获得同名区域块。本文提出了从显著性区域的角度进行匹配的方法,有效解决了传统的立体视觉几何特征分析时对于点特征提取困难地区的匹配率低的问题,提高了匹配的精度与效率。此外,本文还针对现有的视觉显著性检测方法与理论进行了分析,通过相应的实验比较了IT、AC、FT、HC四种算法的性能,同时,针对FT算法在过程中考虑的内容比较充分引入了较多的低频分量,抑制了一些高频信息,从而导致显著图中显著性区域与背景区域的亮度差异不明显,引入了一个局部不一致性概率函数NIF,对FT算法进行了改进,使得新产生的显著性图能够保留显著性区域边缘信息,也凸显了显著性区域与背景区域的亮度差异。