三维点云快速点特征直方图(FPFH)特征提取的邻域半径采用预设固定值,导致特征描述具有随意性、不全面性、低效性等问题,点云配准整个过程自动化程度低、耗时长。针对该问题,提出一种三维点云配准中FPFH邻域半径自主选取算法。首先,计算多对点云圆周密度并且保留最大圆周半径;其次,设置迭代次数,根据迭代次数和每对点云最大圆周半径自动划分单次邻域半径,通过划分的邻域半径提取FPFH特征并用于采样一致性算法配准;最后,统计多对点云圆周密度及对应的最优邻域半径,使用多项式拟合法求出映射函数,形成FPFH特征提取优化算法。结果表明,所提算法能够根据点云圆周密度自动选取最佳邻域半径,有效降低了点云描述的不全面性和冗余度,在提高点云配准自动化程度的同时提高了点云配准速度和精度。

传统三维(3D)点云配准过程中存在配准误差高、计算量大及耗时长等问题,针对该问题,提出了一种3D点云中关键点的配准与优化算法。在关键点选取阶段,用边缘点检测算法剔除边缘关键点,以提高关键点特征描述的全面性和重复性,降低3D点云配准误差。在3D点云配准阶段,用K-维树(KD-tree)加速的最近邻算法和迭代最近点算法剔除粗配准结果中的误配准关键点,降低配准误差,提高3D点云配准的速度与精度。实验结果表明,本算法在不同点云数据下,均能获得良好的配准结果。与传统3D点云配准算法相比,本算法的平均配准速率提高了68.725%,平均配准精度提高了49.65%。

针对同时定位与地图构建（SLAM）中的特征匹配关键环节, 提出一种融合特征点和特征区域的图像追踪与匹配算法, 以解决交替出现纹理丰富和纹理缺失的间断纹理环境中图像特征易丢失、误匹配率较高的问题。首先, 利用ORB算法和半稠密直接法分别对图像提取特征点和特征区域。其次, 使用渐进一致采样法(PROSAC)剔除ORB算法的误匹配特征点, 并计算特征点的正确匹配率。最后, 针对纹理缺失环境中特征点丢失严重的问题, 以特征点的正确匹配率作为判断依据, 对低匹配率图像, 则基于特征区域使用半稠密直接法实现图像的追踪, 同时对追踪结果进行非线性优化, 提高了特征区域追踪的准确性和稳定性。实验结果表明, 该算法适用于间断纹理环境, 在纹理丰富和纹理缺失条件下均可提高图像匹配的准确率。

图像特征匹配是视觉里程计的重要环节, 针对视觉图像序列特征点匹配中存在的匹配精度低问题, 提出一种融合金字塔特征光流与角点特征的精确快速图像特征匹配算法。算法首先利用ORB(二进制定向简单描述符)算法快速提取图像特征点, 然后融合金字塔Lucas-Kanade特征光流的追踪特性, 使用局部特征窗口计算图像特征点位移矢量。接着针对图像特征的匹配对齐问题以及特征丢失问题, 算法采用K最近邻半径搜索作为特征滤波器移除混淆的匹配, 最后使用RANSAC(Random Sample Consensus)算法剔除冗余误匹配点对, 提高匹配率。通过多组实验数据对比, 该算法的图像特征匹配率可达到98%。对比传统的ORB特征匹配算法, 该算法在实时性和图像特征匹配精度上均有显著提高。