Reliable image matching is the basis of image-based three-dimensional (3D) reconstruction. This study presents a quasi-dense matching method based on triangulation constraint and propagation as applied to different types of close-range image matching, such as illumination change, large viewpoint, and scale change. The method begins from a set of sparse matched points that are used to construct an initial Delaunay triangulation. Edge-to-edge matching propagation is then conducted for the point matching. Two types of matching primitives from the edges of triangles with areas larger than a given threshold in the reference image, that is, the midpoints of edges and the intersections between the edges and extracted line segments, are used for the matching. A hierarchical matching strategy is adopted for the above-mentioned primitive matching. The points that cannot be matched in the first stage, specifically those that failed in a gradient orientation descriptor similarity constraint, are further matched in the second stage. The second stage combines the descriptor and the Mahalanobis distance constraints, and the optimal matching subpixel is determined according to an overall similarity score defined for the multiple constraints with different weights. Subsequently, the triangulation is updated using the newly matched points, and the aforementioned matching is repeated iteratively until no new matching points are generated. Twelve sets of close-range images are considered for the experiment. Results reveal that the proposed method has high robustness for different images and can obtain reliable matching results.

中文翻译：

---

基于三角约束和传播的分层点匹配方法

可靠的图像匹配是基于图像的三维（3D）重建的基础。这项研究提出了一种基于三角剖分约束和传播的准密集匹配方法，该方法适用于不同类型的近距离图像匹配，例如照明变化，大视点和比例变化。该方法从用于构造初始Delaunay三角剖分的稀疏匹配点开始。然后进行边缘到边缘的匹配传播以进行点匹配。来自三角形的边缘的两种类型的匹配图元，其面积大于参考图像中的给定阈值，即边缘的中点以及边缘与提取的线段之间的交点，用于匹配。对于上述原始匹配，采用分层匹配策略。在第一阶段中不能匹配的点，特别是在梯度方向描述符相似性约束中失败的点在第二阶段中进一步匹配。第二阶段结合描述符和马氏距离约束，并根据为具有不同权重的多个约束定义的整体相似度得分，确定最佳匹配子像素。随后，使用新匹配的点更新三角剖分，并反复重复上述匹配，直到没有新的匹配点生成为止。该实验考虑了十二组近距离图像。结果表明，该方法对不同图像具有较高的鲁棒性，并且可以获得可靠的匹配结果。具体来说，那些在梯度方向描述符相似性约束中失败的对象，将在第二阶段中进行进一步匹配。第二阶段结合描述符和马氏距离约束，并根据为具有不同权重的多个约束定义的整体相似度得分，确定最佳匹配子像素。随后，使用新匹配的点更新三角剖分，并反复重复上述匹配，直到没有新的匹配点生成为止。该实验考虑了十二组近距离图像。结果表明，该方法对不同图像具有较高的鲁棒性，并且可以获得可靠的匹配结果。具体来说，那些在梯度方向描述符相似性约束中失败的对象，将在第二阶段中进行进一步匹配。第二阶段结合描述符和马氏距离约束，并根据为具有不同权重的多个约束定义的整体相似度得分，确定最佳匹配子像素。随后，使用新匹配的点更新三角剖分，并反复重复上述匹配，直到没有新的匹配点生成为止。该实验考虑了十二组近距离图像。结果表明，该方法对不同图像具有较高的鲁棒性，并且可以获得可靠的匹配结果。第二阶段结合描述符和马氏距离约束，并根据为具有不同权重的多个约束定义的整体相似度得分，确定最佳匹配子像素。随后，使用新匹配的点更新三角剖分，并反复重复上述匹配，直到没有新的匹配点生成为止。该实验考虑了十二组近距离图像。结果表明，该方法对不同图像具有较高的鲁棒性，并且可以获得可靠的匹配结果。第二阶段结合描述符和马氏距离约束，并根据为具有不同权重的多个约束定义的整体相似度得分，确定最佳匹配子像素。随后，使用新匹配的点更新三角剖分，并反复重复上述匹配，直到没有新的匹配点生成为止。该实验考虑了十二组近距离图像。结果表明，该方法对不同图像具有较高的鲁棒性，并且可以获得可靠的匹配结果。使用新匹配的点更新三角剖分，并反复重复上述匹配，直到没有新的匹配点生成为止。该实验考虑了十二组近距离图像。结果表明，该方法对不同图像具有较高的鲁棒性，并且可以获得可靠的匹配结果。使用新匹配的点更新三角剖分，并反复重复上述匹配，直到没有新的匹配点生成为止。该实验考虑了十二组近距离图像。结果表明，该方法对不同图像具有较高的鲁棒性，并且可以获得可靠的匹配结果。