单应性估计问题是指由存在单应性变换的两个平面估计出对应的变换矩阵。单应性估计在许多计算机视觉相关的科研与应用中起到重要作用，比如图像拼接、相机校准、即时定位与地图构建以及增强现实等。传统的单应性估计算法技术上通常由关键点检测、关键点匹配以及单应性估计三个步骤完成估计任务。伴随着硬件算力的提升以及卷积神经网络优秀的自动提取图像特征能力，基于卷积神经网络的单应性估计算法快速发展，然而利用深度学习进行单应性估计时却有着一个不可忽视的问题：卷积神经网络提取出的深度图像特征无法直接映射到单应性变换上。单应性变换是一个点到点的变换，直接使用神经网络学习深度特征与单应性变换之间的映射关系取得的效果并不理想，目前基于深度学习的方法在估计精度方面甚至无法超越一些基于关键点匹配的传统方法。
　　本文提出了一种将图像对转换到光流域再由光流估计单应性的算法框架。由于光流描述的是像素点运动的信息，而单应性变换则是点到点变换关系，利用图像间的光流来估计单应性，则可以解决图像本身的深度特征与单应性不对应的问题。利用先估计图像对间光流再由光流估计单应性的方法可以有效地提升估计精度。
　　对于基于卷积神经网络的单应性估计算法估计精度较低的问题，本文提出了一种通用的迭代预测方法来提升估计精度。单应性估计问题具有一个特殊性质，即存在单应性变换的两个图像，对其中一个图像施加任意一个单应性变换后得到的图像依然与另一个图像间存在着单应性变换。通过利用该性质，经过多次的变换与预测，最后将每轮预测结果的累加作为最终预测结果。通过这种迭代预测的方式在已有算法的基础上进一步提升了估计精度。
　　本文利用真实图像生成了一个统一测试集，并在该测试集上进行一系列对比实验，通过这些实验的结果验证了本文提出的算法的可行行与有效性。