针对无人机无法在全球定位系统信号弱或拒止环境下实现自主导航的问题, 提出一种基于改进的ORB-LK光流法的速度估计算法。首先, 通过ORB算法提取目标物体上的特征点, 经过LK光流法计算出图像光流速度; 然后, 采用前向后向匹配算法确定匹配点对, 利用渐近一致采样算法剔除误匹配实现精匹配; 最后, 结合惯性测量元件测得的无人机旋转速度和声呐测得的高度计算出平移速度, 为无人机自主导航提供速度信息。通过在Matlab中仿真实验证明, 改进算法在公开图像数据集中的平均运算时间为0.622 s, 满足无人机实时应用的条件, 相较于原ORB-LK算法大幅提升了匹配正确率, 能够准确地进行速度估计。

针对基于视觉传感器的移动机器人在快速运动或发生旋转时出现图像模糊和特征丢失, 以至无法进行特征匹配, 从而导致系统定位和建图的准确度及精确度下降问题,该文提出了一种以深度相机(RGB_D)融合惯性测量单元(IMU)的方案。采用ORB SLAM2算法进行位姿估计, 同时将IMU信息作为约束弥补相机数据的缺失。两种传感器的测量数据采用基于扩展卡尔曼滤波的松耦合方式进行非线性优化, 通过数据采集实验表明, 该方法能有效提高机器人的定位精度和系统建图效果。

针对Camshift算法应用于NAO机器人目标跟踪过程中，当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题，提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口，然后利用Kalman滤波作为目标运动状态的预测机制，以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性，若受到背景干扰，则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配，重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明，改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下，连续稳定地跟踪运动目标。

针对ORB算法在匹配过程中存在误匹配率高和鲁棒性差等问题,提出一种融合描述子的ORB-LBP特征匹配算法。该算法首先对输入图像构建金字塔尺度空间,在每一图层上检测oFAST关键点,提高算法的尺度不变性；然后采用图像块代替像素的方法提高LBP算法抗噪性能,同时通过选取最小值法和排序法使其具有旋转不变性；最后在生成rBRIEF-LBP描述子的过程中用128位改进LBP描述算子代替rBRIEF描述算子中方差较小的后128位,充分利用图像信息,以提高匹配正确率和鲁棒性。实验结果表明,所提算法较传统ORB算法在尺度变化、旋转和亮度变化方面的高精度匹配率和鲁棒性均有很大提高,更加满足复杂图像快速精准匹配的要求。

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。

针对水下环境中传统算法对双目图像匹配时存在速度慢、误匹配较多等问题, 提出一种基于 ORB(的特征检测和曲线极线约束相结合的水下立体匹配方法。先检测图像的特征点, 生成描述子, 并进行特征匹配; 然后根据折射定律, 结合双目相机的内外参数, 推导出水下曲线极线; 最后结合水下曲线极线约束, 剔除误匹配点。实验结果表明, 相比传统的 SIFT算法与曲线约束, 论文提出的立体匹配方法在有效控制误匹配的情况下, 显著提高了运算速度, 对提升水下双目视觉系统的快速处理能力具有实践意义。

在视觉同时定位与地图构建问题中，ORB(Oriented FAST and Rotated BRIEF)特征由于其高效、稳定的优点而受到广泛关注。针对ORB特征提取过程中存在的像点量测精度较低、特征聚集现象明显等问题，提出了一种适用于高精度SLAM的均衡化亚像素ORB特征提取方法。分析了精确特征定位的原理，对误差方程进行合理的简化并采用一种基于模板窗口距离的权函数计算方法，大幅降低了计算负担; 设计了一种基于四叉树结构的特征均衡化方案，对包含特征的像平面空间进行有限次数的迭代分割，然后选取具有最优响应的特征。试验表明，本文方法进行特征提取的额外计算负担小于2.5 ms，在运行TUM和KITTI数据集时，ORB特征的量测精度分别为0.84和0.62 Pixel，达到亚像素水平，可以降低误差初值，提高光束法平差效率，并能够在满足特征总体分布规律的情况下，显著改善特征聚集的现象，有利于后续问题的稳健、准确求解。

传统的仿真技术会受算法的复杂度、运算能力及接口等的限制。针对这一问题，设计了一种基于增强现实的思想在真实图像上进行实时动态红外场景仿真的系统。首先使用3DS MAX生成虚拟目标模型，再对虚拟目标模型进行几何一致性变换和红外辐射一致性变换，使用SURF-ORB特征匹配对探测器的运动姿态进行跟踪，最终通过光栅渲染使虚拟目标与真实场景进行虚实融合，完成基于增强现实的动态红外场景仿真系统的设计。实验结果显示，该系统能够实现高帧频、高真实性的红外仿真图像，具有较强的可扩展性。

针对手持移动摄像装置拍摄视频序列相邻帧间存在平移、小角度旋转运动, 而且易受噪声、光照变化的影响等问题, 提出一种基于优化Oriented FAST and rotated BRIEF(ORB)特征匹配的实时鲁棒电子稳像算法。对相邻帧预处理后用Oriented FAST算子检测特征点, 再用Rotated BRIEF描述提取的特征点并采用近邻汉明距离匹配特征点对, 然后采用级联滤波去除误匹配点对, 最后使用迭代最小二乘法(ILSM)拟合模型参量进行运动补偿实现稳像。图像匹配测试和稳像实验结果表明: 基于改进的ORB算法的电子稳像方法补偿每一帧的时间均小于0.1 s, 定位精度可达亚像素级, 能有效补偿帧间平移旋转运动, 而且对噪声和光照变化有较强鲁棒性。经稳像处理后, 实拍视频质量明显提高, 峰值信噪比(PSNR)平均提高了10 db。

为了在航拍视频中准确实时地提取出运动小目标，提出了一种改进后的ORB 特征匹配和差分相乘算法融合的检测方法。首先，针对原始ORB 特征匹配算法出现大量误匹配对的问题，采用基于K 最近邻的特征点描述后，对前后两帧特征点进行双向匹配，再通过顺序抽样一致性算法进一步提纯，利用提纯后的匹配点对解算背景运动模型，精确补偿背景运动量，最后利用连续四帧图像差分相乘的方法并经过形态学处理准确分割出航拍视频中的运动小目标。实验结果表明，经过本文算法提纯后匹配对准确度提升到99.9%，平均耗时0.46 s，处理速度约是SURF 特征匹配算法的5 倍，SIFT 特征匹配算法的25 倍，能够满足航拍视频实时处理的需求并具有较强的抗噪能力。