本次研究發展了一套點雲及影像密合度的檢核與修正機制，該機制針對移動式測繪系統所設計。由於國內測繪車的各感測器子系統之間的相對方位多使用原廠提供的參數而並未自行率定，隨著長期使用與替換部件等可能因素，將導致系統之間與系統內部的率定參數產生偏移，進而影響後續的應用成果 如： 點雲上色、 自動化產製高精地圖 ……等應用 。
本文提出一個以影像特徵匹配演算法進行自動化點雲及影像密合度檢核的新概念， 以解決測繪車上的相機系統沒有檢核規範可遵循的窘境 ，並進一步提出一個後方交會計算測繪車相機外方位修正值的新應用，以後處理的方式提升點雲及影像之間的密合度 。 首先透過相機的內外方位將點雲投影成一張大小與影像相同的點雲強度影像，並與內方位率定後之測繪車影像進行自動化特徵點匹配，最終計算特徵點的差值MDA，數字越低則代表密合度越高。 接下來，透過本次研究發展的整合型特徵點蒐集程式，以人工方式點選點雲及影像特徵點蒐集後方交會所需的觀測值，並組成共線式做為最小二乘平差的觀測方程式，不斷迭代相機外方位初始值，直到修正值皆趨近於收斂。最終以更新過後的相機外方位初始值作為新的相機外方位重新將點雲投影成點雲強度影像確認密合度是否有提升 。
本次實驗採用了 4組的影像特徵匹配演算法 SIFT、 SURF、 ORB_BF、ORB_LSH以及 2組的測繪車點雲及影像資料：108年詮華沙崙內場、109年詮華沙崙外場四種特徵匹配方法計算得的內場與外場MDA坐落於15~25 pixels之間，將建議閥值定為20 pixels後， 此 自動化檢核機制 平均能找出35.2%的合格影像以節省人力審查證明此方法能節省大量檢核時間與人力。 沙崙外場連續五筆影像外方位的修正率 為58.52%，沙崙內場連續五筆影像外方位的修正率為證明透過後方交會對相機外方位進行後處理修正可行，且目前測繪車系統存在系統性誤差。

To evaluate the data displacement problem of the Mobile Mapping Systems’ data in Taiwan, the objective of this research is to develop an effective inspection mechanism to clarify the error source then modify it.
In this thesis, an image-based matching method is purposed to check the closeness of point clouds and images produced by the mobile mapping system called MDA (Matching points Deviation Average). Furthermore, a method based on space resection and least square adjustment is used to modify EOPs of bad closeness images.
In this experiment, four kinds of image-based feature matching algorithms are adopted to compare the results, including SIFT, SURF, ORB_BF, and ORB_LSH. Besides, two test datasets in Shalun are used for testing, including 2019 inside test field data and 2020 Shalun outside test field data.
As the result, the range of MDA values is about 15 to 25 pixels. After setting 20 pixels as the MDA threshold, and it comes up the pass rate average is 35.2% Furthermore, the result indicates that after compensating EOPs, the average MDA improve 58.52% in the outside test field and 11.79% in the inside test field.

N. Meierhold, M. Spehrb, A. Schilling, S. Gumholdb, H.-G. Maasa(2010), Automatic Feature Matching Between Digital Images And 2d Representations Of A 3d Laser Scanner Point Cloud. In ISPRS Vol.38, part5.
Alexander Neubeck, Luc Van Gool(2006), Efficient Non-Maximum Suppression.In ICPR Vol.18
David G. Lowe(2004), Distinctive Image Features from Scale-Invariant Keypoints. In IJCV
Edward Rosten, Tom Drummon(2006), Machine Learning for High-Speed Corner Detection. In ECCV 2006 pp 430-443
Heng Zhang, Yanli Liu, Jindong Tan(2015), Loop Closing Detection in RGB-D SLAM Combining Appearance and Geometric Constraints.In Sensor 2015.
Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary Bradski(2011), ORB: an efficient alternative to SIFT or SURF.In 2011 International Conference on Computer Vision(pp.2564 - 2571)IEEE.
Chaoqun Ma, Xiaoguang Hu, Jin Xiao, Huanchao Du, Guofeng Zhang(2020), Improved ORB Algorithm Using Three-Patch Method and Local Gray Difference. In Sensors 2020.
T.Y. Shih and W. Faig (1992) , A Solution For Space Resection In Closed Form. In ASPRS 1992.
Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool (2008), Speeded-Up Robust Features (SURF). In Computer Vision and Image Understanding 110 (pp.346-359).
江凱偉,曾義星,莊智清,洪榮宏,郭重言,王驥魁,呂學展,郭佩棻(2020),高精地圖標準及智能移動測繪技術發展工作案(109-110)第3期成果報告。
內政部(2018)，109 年及110 年建置光達測繪車校正系統作業案工作總報告。
劉虹妤，曾義星，王聖鐸(2001)，數位相機檢定之自動化，航測及遙測學刊第六卷第三期第23-35頁。
自強工程顧問有限公司 (2019)，移動測繪系統資料採集與品管報告。
鄭錦桐，黃梓育，王選中，林玉梅，鄧澤揚，黃意筌，賴穎萱，王禹翔(2021)，人工智慧與高精地圖於道路資產管理之實務應用。
高精地圖研究發展中心(2020)，高精地圖圖資內容及格式標準v1.1。
台灣資通產業標準協會(2020)，高精地圖檢核及驗證指引。
林冠穎 (2016)，多測站具 GPS 定位之球形全景影像之光束法平差，航測及遙測學刊第二十一卷第2期第95-106頁
Deepanshu Tyagi(2019), Introduction to SURF (Speeded-Up Robust Features) https://medium.com/data-breach/introduction-to-surf-speeded-up-robust-features-c7396d6e7c4e
Deepanshu Tyagi(2019), Introduction to ORB (Oriented FAST and Rotated BRIEF) https://medium.com/data-breach/introduction-to-orb-oriented-fast-and-rotated-brief-4220e8ec40cf
Aishwarya Singh(2019), A Detailed Guide to the Powerful SIFT Technique for Image Matching https://www.analyticsvidhya.com/blog/2019/10/detailed-guide-powerful-sift-technique-image-matching-python/