Las imágenes capturadas desde diferentes puntos de vista o dispositivos a menudo han mostrado diferencias geométricas y fotométricas significativas debido a factores como variaciones ambientales, diferencias tecnológicas de la cámara e inestabilidad de las condiciones de disparo. Para abordar este problema, la estimación de homografía ha atraído mucha atención como un método para describir la relación de proyección geométrica entre imágenes. Los investigadores han propuesto numerosos métodos de estimación de homografía para imágenes de una sola fuente y multimodales en las últimas décadas. Sin embargo, aún falta una revisión y análisis exhaustivo de los métodos de estimación de homografía, desde los basados en características hasta los basados en aprendizaje profundo. Por lo tanto, proporcionamos una visión general exhaustiva de los avances en la investigación de métodos de estimación de homografía. Primero, ofrecemos una introducción detallada a los principios básicos de la estimación de homografía y las representaciones matriciales. Luego, revisamos los métodos de estimación de homografía para imágenes de una sola fuente y multimodales, desde métodos basados en características hasta métodos basados en aprendizaje profundo. Específicamente, analizamos en detalle los métodos tradicionales y basados en aprendizaje para la estimación de homografía basada en características. Para los métodos de estimación de homografía basados en aprendizaje profundo, exploramos los métodos supervisados, no supervisados y otros en profundidad. Posteriormente, revisamos específicamente varios métricos utilizados para evaluar estos métodos. Después de eso, analizamos las aplicaciones relevantes de la estimación de homografía y mostramos las amplias perspectivas de aplicación de esta técnica. Finalmente, discutimos los desafíos actuales y las futuras direcciones de investigación, proporcionando una referencia para investigadores y ingenieros de visión por computadora.