在我们的日常生活场景中存在着大量的平面,而平面凭借其自身特殊的结构特征,在计算机视觉领域发挥着越来越重要的作用。自动提取出复杂场景中的各个平面,在图像配准、相机标定、三维重建、增强现实等方面都有广泛的应用。二维图像的平面检测工作,最常用的方法是采用像素点在不同视角下的运动特征,即单应性矩阵定义平面模型,利用特征点对到模型的匹配进行平面拟合。这种匹配方法只采用特征点对的坐标偏移量来计算匹配度,容易出现误差,限制了平面检测算法的准确度和鲁棒性。另一方面,得到的结果仅仅是对离散稀疏的特征点按照所属平面进行分类,不是对整张图像连续的像素的分类。在缺乏纹理的光滑平面检测不到特征点,因而无法提取出对应的平面。同时,采用固定的阈值作为平面划分的标准不能适应不同场景下多尺度划分的需求。针对这些问题,本文提出一种基于区域匹配的平面检测方法。首先对随机取样一致性的平面拟合算法进行改进,利用线段和区域匹配,提高平面拟合的准确度和精确度,生成平面模型候选。其次利用区域到模型的匹配性度量,为每个初始区域分配最佳匹配的平面候选。并根据区域的共面性,层次地合并相邻区域,构造平面提取的层次树。至此,我们可以灵活选择任意层次,得到对整张图像的平面划分结果。本文大胆尝试引入区域的概念,将传统平面模型拟合问题转化成层次聚类的区域合并问题,实验证明,在复杂场景平面检测任务中有很好的表现。