针对传统SIFT匹配算法复杂、特征冗余点多、难以满足实时性等问题，本文提出了一种具有局部自适应阈值的SIFT快速图像匹配算法。首先，所提方法在SIFT算法的基础上，对构建的高斯金字塔进行了优化，通过减少金字塔层数来消除冗余特征点以提高检测效率，并根据图像局部对比度来自适应提取FAST算法中的阈值从而实现高质量的特征点检测，筛选出鲁棒性较强的特征点进行更准确的匹配；其次，采用高斯圆形窗口建立32维降维特征向量，提高算法运行效率；最后，根据匹配特征点对之间的几何一致性对特征点进行提纯，有效减少误匹配。实验结果表明，本文方法在匹配精度和运算效率方面的综合表现均优于SIFT算法及其他对比匹配算法，相比传统的SIFT算法，匹配精度提高了约10%，算法运行时间缩短了约49%。在图像发生尺度、旋转以及光照变化的情况下，正确匹配率在93%以上。

低空无人机(UAV)测量凭借着低成本、 高效率、 高精度的数据采集模式, 可快速获取高空间分辨率的影像数据, 已经成为遥感领域的一种重要技术手段。 其中, 影像匹配技术是UAV影像数据处理的重要步骤, 图像间的匹配直接影响后期三维场景的精度及视觉效果。 针对高原山地的高差起伏变化大地形复杂, 植被覆被率高及地物分布不规则等问题存在, 致使在该区域UAV地形测量处理中因局部噪声造成影像匹配较难。 由于影像获取时受到该区特殊地形的限制, 大场景影像需要借助多幅影像匹配拼接得到。 目前, 基于特征点的影像匹配是一种图像配准技术, 不仅适用于低重叠度影像之间的匹配, 还可以运用到运动恢复图像间的匹配。 为探索特殊地形地貌条件下快速有效的UAV影像匹配技术, 提出一种面向高原山地复杂地形的集成尺度不变特征变换(SIFT)算法与最近邻次近邻距离比(NNDR)、 随机抽样一致算法(RANSAC)模型约束改进的UAV影像匹配方法。 主要技术流程为: 首先, 基于SIFT算法, 进行尺度空间的极值检测, 构建高斯金字塔函数, 通过高斯差分运算来实现特征点定位, 并对所检测到的特征点的邻域位置、 方向、 尺度等进行统计分析, 据此生成适合UAV影像特征的描述符; 其次, 集成“马式距离”和NNDR模型的综合运用, 进行特征点对的第一次约束优化提取及相似度检测, 在此基础上, 利用RANSAC算法, 引入匹配点对的均方根误差值(RMSE)进行第二次约束, 以实现匹配错误点对的剔除, 保证了影像匹配精确优化。 此外, 为了证实所提出优化算法的有效性, 选择了1组高原山地典型地貌UAV影像数据进行匹配试验, 结果表明: 面向高原山地复杂地形进行无人机影像匹配中, 所提出的改进算法不仅可以提取大量的特征点对, 同时还可以提高同名特征点的检测正确率, 并且配准正确率达到了85%, 因此更加适用于高原山地复杂地形的无人机影像匹配处理技术优化。