针对目前轨道交通市场上的一些以人工智能为主的地铁车辆列检产品在车辆变速时检测精度不高的问题，提出一种基于计算机视觉的地铁测速方法。首先，通过图像透视变换获取校正后的地铁图像，在校正后的图像基础上，利用深度学习目标检测方法定位车身区域。其次，对相邻两帧图像定位到的车身区域进行特征点检测，并采用区域最强特征点匹配方法获取匹配点对。然后，根据匹配点对计算出地铁移动的平均像素距离，结合像素尺寸换算出实际移动距离，再通过已知的相邻两帧图像时间差即可获取当前地铁实时速度。最后，根据实时检测的速度信息实时调整线扫相机行频，尽可能减少地铁车辆变速或者停车时产生的图像畸变，进一步提高地铁列检产品在车辆变速时的检测精度。在上海地铁17号线朱家角站的实际测试结果表明，由该技术获取的地铁车辆线扫图像不会因车速的变化而产生明显畸变，而且测速频率高，测试误差在1.2 km/h以内。

随着农业机器人技术的不断进步和发展，利用机器人采集和处理特定农作物图像信息在农业应用领域中越来越重要，针对传统图像处理方法提取的玉米植株轮廓不完整甚至是缺失的问题，提出一种改进的玉米植株轮廓提取方法。采用HSV颜色空间对玉米植株的绿色叶部分进行图像提取，同时使用RGB通道分离方式对红色的根部分进行图像提取，在得到叶部、根部图像后使用F-B算法选取特征点并对特征点进行描述和匹配，并利用随机抽样一致性算法剔除错误的匹配点，最后用加权融合方式对图像进行拼接并选用Sobel算子提取植株轮廓。实验结果表明，F-B算法相比于传统scale-invariant feature transform（SIFT）、speeded up robust features（SURF）、oriented FAST and rotated BRIEF（ORB）算法在匹配速度、精确度上有所提升且匹配准确度高于80%，使用Sobel算子提取植株图像轮廓，获得的图像清晰度和完整度较好。该方法能够在较快速度和较高的精准度下实现对玉米植株的轮廓提取。

由单视角图像重建三维人体姿态时，深度信息的缺失与姿态的多样性使二维姿态映射到三维姿态时易出现朝向错误、细节姿态处理不佳等问题。为此，结合立体人体模型的骨骼及顶点分布规律，以优化模型变形策略为核心，提出了一种基于多特征点匹配的三维姿态重建方法。所提方法的核心是以优化能量函数的方式将多个二维人体特征点与人体模型三维特征点进行匹配拟合，从而实现三维姿态的重建，并通过部分关节点建立朝向约束项来降低深度信息缺失对重建姿态的影响，同时利用多个头部特征点调整头部姿态降低姿态多样性对头部姿态重建的影响。在公开姿态数据集MPI-INF-3DHP与LSP上的实验结果表明，所提方法有效解决了姿态模糊及细节姿态处理不佳的问题，能够准确重建常见动作下的三维人体姿态。

提出了一种基于快速特征点提取和描述（ORB）算法与色调、饱和度和明度（HSV）的图像特征点匹配算法，并进行了实验研究。首先利用双边滤波和均值滤波结合对图像进行预处理；然后使用ORB算法进行特征点提取；接着利用K维二叉树（K-D Tree）算法与汉明距离进行特征点粗匹配；再利用图像的HSV信息对匹配特征点对进行二次筛选。实验结果表明，在图像进行预处理阶段，采用方差、Vollath、信息熵的加权平均作为评价指标，与原图、直方图均衡化、双边滤波结果相比，双边滤波和均值滤波结合得到的图像指标值最佳；在特征点匹配和图像拼接阶段，利用HSV信息筛选后特征点匹配正确率提高了12.60个百分点，由此得到的图像拼接结果质量更好，其自然图像质量评价（NIQE）指数值更小。

汽车喷油嘴的喷油孔加工一般使用工装夹具进行定位并建立坐标系，工装夹具制造精度和安装误差会导致孔径、孔形以及孔的位置与理论值有较大的偏差，从而影响喷油嘴工作的可靠性，这对柴油机的整体性能、排放指标的稳定性甚至柴油机工作的可靠性产生严重影响。基于此，提出了一种基于多特征点匹配算法的高精度自适应定位技术。通过在真实的燃油喷嘴上测量若干（最少6个）特征点的空间位置，以模型中给出的特征点测量数据为基础，计算实际工件与理论模型在机床坐标系下的精确定位参数，以此计算工件上所有待加工孔的机床参数。实验结果表明，工件定位精度小于等于0.1 mm。该定位技术能有效减小孔加工偏差，是解决燃油喷嘴定位精度的一种有效可行的方案。

针对传统尺度不变特征变换(Scale Invariant Feature Transform, SIFT)算法存在特征点冗余和计算量大等问题,提出一种基于双预筛选的强鲁棒性SIFT算法。首先在构造差分空间之前,利用像素点8邻域标准差相似度方法对特征点进行预筛选,然后利用极值检测方法对特征点进行精确定位。针对传统随机采样一致性(RANSAC)算法存在匹配效率低等问题,提出一种自适应三维多峰直方图投票的方法,采用该方法对初始匹配进行筛选,筛选结果作为RANSAC的初始内点集并对初始匹配进行提纯,最后在最优内点集中对模型参数进行计算。实验结果表明,所提算法在不同类型的图像中,相较于传统SIFT+RANSAC算法,特征点的检测时间平均减少11.7%,总运行时间平均降低10.7%,正确匹配数平均提升2.8%;召回率与F值分别平均提升4.9个百分点与2.7个百分点,说明所提算法的综合性能具有有效性。

在目标识别和图像配准等领域中,进行特征点匹配时一般都会产生误匹配点,对误匹配点的准确剔除可以有效提升识别精度及配准精度,因而成为研究的重点。当前比较成熟的剔除算法,如random sample consensus(RANSAC)、M-estimator sample consensus(MSAC)等,经常会出现剔除部分正确匹配点的情况。针对当前存在的问题,提出了一种基于Pearson相关系数,对长度和夹角进行双约束的误匹配点剔除算法。所提算法首先粗剔除误差较大的误匹配点,进而通过迭代的方式对误差较小的误匹配点进行精细剔除。多幅图像的实验结果证明,所提算法能在剔除全部误匹配点的基础上保留绝大部分正确匹配点,与对比组算法相比,保留正确匹配点的比例更高,有效地降低了误剔除率,对提升图像匹配的准确度具有重要意义。

针对传统图像拼接方法处理速度慢、效率低、无法满足高分辨率图像快速准确拼接的需要,提出一种基于ORB特征的高分辨率图像拼接改进算法。首先在ORB特征点提取的基础上,采用汉明距离进行快速粗匹配;然后基于渐进采样一致性(PROSAC)算法对匹配点对进行优化,去除误匹配点对之后,求解图像变换矩阵;最后采用渐入渐出加权融合算法对图像重叠区域进行融合,去除拼接痕迹。实验结果表明,相较于传统算法,本文算法不仅在处理速度上具有明显优势,而且匹配准确度更高,能够对高分辨率图像实现快速准确的拼接。