Three-dimensional (3D) nonlinear photonic crystals have received intensive interest as an ideal platform to study nonlinear wave interactions and explore their applications. Periodic fork-shaped gratings are extremely important in this context because they are capable of generating second-harmonic vortex beams from a fundamental Gaussian wave, which has versatile applications in optical trapping and materials engineering. However, previous studies mainly focused on the normal incidence of the fundamental Gaussian beam, resulting in symmetric emissions of the second-harmonic vortices. Here we present an experimental study on second-harmonic vortex generation in periodic fork-shaped gratings at oblique incidence, in comparison with the case of normal incidence. More quasi-phase-matching resonant wavelengths have been observed at oblique incidence, and the second-harmonic emissions become asymmetric against the incident beam. These results agree well with theoretic explanations. The oblique incidence of the fundamental wave is also used for the generation of second-harmonic Bessel beams with uniform azimuthal intensity distributions. Our study is important for a deeper understanding of nonlinear interactions in a 3D periodic medium. It also paves the way toward achieving high-quality structured beams at new frequencies, which is important for manipulation of the orbital angular momentum of light.

针对传统SIFT匹配算法复杂、特征冗余点多、难以满足实时性等问题，本文提出了一种具有局部自适应阈值的SIFT快速图像匹配算法。首先，所提方法在SIFT算法的基础上，对构建的高斯金字塔进行了优化，通过减少金字塔层数来消除冗余特征点以提高检测效率，并根据图像局部对比度来自适应提取FAST算法中的阈值从而实现高质量的特征点检测，筛选出鲁棒性较强的特征点进行更准确的匹配；其次，采用高斯圆形窗口建立32维降维特征向量，提高算法运行效率；最后，根据匹配特征点对之间的几何一致性对特征点进行提纯，有效减少误匹配。实验结果表明，本文方法在匹配精度和运算效率方面的综合表现均优于SIFT算法及其他对比匹配算法，相比传统的SIFT算法，匹配精度提高了约10%，算法运行时间缩短了约49%。在图像发生尺度、旋转以及光照变化的情况下，正确匹配率在93%以上。

特征点提取与匹配是遥感图像处理中关键的一环，目前成熟的算法大多面向对地成像类型的遥感图像，对于空间目标的遥感图像，没有考虑成像条件与探测平台的影响因素，特征点匹配质量较差。针对空间目标的匹配精度不高这一问题，文章提出了一种基于聚类的特征点匹配算法。首先，根据空间目标的重复弱纹理进行特征点提取与描述，再利用特征点的空间位置进行聚类，并对特征点簇进行匹配；之后将特征点的主方向减去目标整体方向，利用特征点主方向对每一个点簇进行再分组，并完成特征点匹配；最后利用最近邻次近邻比率方法和随机样本一致算法（RANSAC）剔除外点。采用该特征点匹配方法进行的模拟成像数据实验结果表明，对于空间目标图像，基于聚类的特征点匹配较直接匹配，匹配数量的提升最高可达50%，重投影误差优于1/4个像元。文章提出的这一方法使用目前通用的各种特征描述子，能够大幅度提高空间目标图像特征点匹配的数量与精度。

为了解决结构光三维重建中传统立体匹配存在的特征点匹配错误、匹配缺失和匹配重复等问题，本文将SURF算法中高斯滤波改进为自适应中值滤波结合小波变换，并提出了一种基于OKG算法的二次特征匹配方法。该算法首先使用自适应中值滤波结合小波变换算法对图像进行平滑和降噪处理，再进行初步特征点提取和匹配，然后将构建的尺度空间划分成多个网格，在每个网格内使用FAST算法提取尺度空间特征点，使用ORB算子提取左右图像的特征点，用BRIEF描述子对其进行描述，采用K-D树最近邻搜索法限制特征点选取，通过GMS算法剔除误匹配点。最后，将本文SURF-OKG算法与传统特征匹配算法进行对比分析，并对阶梯块进行三维重建来验证本文算法的有效性。实验结果表明：SURF-OKG算法的正确匹配率为92.47%；对阶梯宽度为40 mm，精度为0.02 mm的阶梯块进行三维重建，实验测得阶梯宽度的误差均值为1.312 mm，最大误差值不超过1.72 mm，基本满足结构光三维重建系统的实验要求。

视差不连续区域和重复纹理区域的误匹配率高一直是影响双目立体匹配测量精度的主要问题，为此，本文提出一种基于多特征融合的立体匹配算法。首先，在代价计算阶段，通过高斯加权法赋予邻域像素点的权值，从而优化绝对差之和（Sum of Absolute Differences，SAD）算法的计算精度。接着，基于Census变换改进二进制链码方式，将邻域内像素的平均灰度值与梯度图像的灰度均值相融合，进而建立左右图像对应点的判断依据并优化其编码长度。然后，构建基于十字交叉法与改进的引导滤波器相融合的聚合方法，从而实现视差值再分配，以降低误匹配率。最后，通过赢家通吃（Winner Take All，WTA）算法获取初始视差，并采用左右一致性检测方法及亚像素法提高匹配精度，从而获取最终的视差结果。实验结果表明，在Middlebury数据集的测试中，所提SAD-Census算法的平均非遮挡区域和全部区域的误匹配率为分别为2.67%和5.69%，测量200~900 mm距离的平均误差小于2%；而实际三维测量的最大误差为1.5%。实验结果检验了所提算法的有效性和可靠性。

针对室内弱纹理环境下基于点特征的视觉同步定位与建图（Simultaneous Localization and Mapping， SLAM）存在的轨迹漂移等问题，提出了一种融合点线特征的双目视觉SLAM系统，并对线特征的提取与匹配问题展开研究。为了提高线特征的质量，通过长度与梯度抑制、短线合并等方法，进一步改进LSD（Line Segment Detector）线特征提取方法。同时，通过将匹配问题转换为优化问题，并利用几何约束构建代价函数，提出了一种基于几何约束的快速线段三角化方法。实验结果表明，本文所提方法在多个数据集上的表现都优于基于描述子的传统方法，尤其在室内弱纹理场景下，其平均匹配精度达到91.67%，平均匹配时间仅需7.4 ms。基于此方法，双目视觉SLAM系统在弱纹理数据集上与已有算法ORBSLAM2，PL-SLAM的定位误差分别为1.24，7.49，3.67 m，定位精度优于现有算法。

为解决基于深度学习的立体匹配方法面临着网络规模大、网络结构复杂等问题，提出了一个网络规模较小、精度较高的网络结构。该网络在特征提取模块删减修改了复杂冗余的残差层并引入了空洞卷积金字塔池化模块来扩大视野范围，提取更多有用的上下文信息；在代价计算模块中使用了三维卷积层以成本聚合提升立体匹配的精度；最后，在代价聚合模块引用了双边格网模块以较低分辨率的成本量来获取精度较高的视差图。将该网络在KITTI 2015数据集和Scene Flow数据集等主流数据集上进行实验，结果显示，相较于其他主流优秀网络类如金字塔立体匹配网络（Pyramid Stereo Matching Network ，PSM-Net），网络规模参数量减少了约38%，并取得了较高的实验精度，其中Scene Flow数据集的终点误差（End-point Error，EPE）为0.86，是一个同时兼顾速度与精度的立体匹配网络。

针对ICP算法在初始位姿差、部分数据丢失和噪声干扰情况下鲁棒性差、配准精度低的问题，提出一种基于统计局部特征描述与匹配的点云配准算法。首先，用点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率构建一个四维的统计局部特征描述符，准确地描述查询点的局部特征；然后，通过点对间的特征差异进行对应点匹配，剔除错误点对，解决点云部分数据缺失和噪声干扰的问题；最后，使用平均匹配距离作为度量改进ICP算法，对点云进行配准，解决初始位姿较差时配准精度低的问题。实验结果表明，该算法在初始位姿差、部分数据丢失和噪声干扰情况下的配准精度提高至少1个量级，配准速率也有较大提升，在鲁棒性和配准精度方面均表现出明显优势。

为解决无人机在室外实际飞行时的自主避障问题，提出一种基于Ghost改进的YOLOv5轻量化双目视觉无人机避障算法。首先，引入Ghost模块改进YOLOv5中的CBL和CSP_X单元，使用CIOUloss作为回归损失函数，并将非极大值抑制CIOUnms修改为DIOUnms以优化损失函数；其次，对双目相机进行标定和校正；使用ORB特征点提取和滑动窗口匹配算法得到检测目标的视差值，再根据视差值和相机内参求解出障碍物的距离信息；最后，根据障碍物的位置和距离实现无人机的自主避障。该避障算法在嵌入式系统中运行的平均FPS达到14.3，并用无人机避障飞行试验证实了该算法的可行性；改进后的网络检测平均准确率为76.88%，与YOLOv5相比，平均检测精度均值下降0.37%，但检测时间下降22%，参数量下降25%。该算法对无人机的自主避障具有重要的应用价值。