为进一步提高事件传感器光流估计的精确度，解决平面拟合算法的拟合模型误差问题，提出一种事件传感器平面拟合光流估计改进算法。该算法采用Prim贪婪算法思想，从事件流中提取有效事件，获取最优局部邻近事件集，为后续光流估计奠定基础。同时，采用特征值算法代替传统最小二乘法，结合贪婪算法下事件集内数据的优劣排序，优化平面拟合模型的建立，提高光流估计算法的精确度。实验结果表明，相比于现有的基于平面拟合的事件传感器光流估计算法，该算法在平均端点误差和平均角度误差两个指标上分别约提升20%和11%，有效提升了事件传感器光流估计算法的精确度。

针对无人机影像匹配容易出现匹配速率低、鲁棒性差的问题，提出一种改进AKAZE（accelerate-KAZE）算法的快速图像匹配方法。首先，在特征提取阶段，使用AKAZE算法对非线性尺度空间进行构建，采用fast retina keypoint（FREAK）描述符对特征点进行有效描述；之后，利用基于网格的运动估计（GMS）方法对所获得特征点进行预匹配，并进行鲁棒性优良的区分；最后，在随机抽样一致性（RANSAC）算法的基础上对匹配结果进行进一步筛选。为了验证所提方法的有效性，使用Oxford标准图像数据集和RSSCN7遥感图像数据集进行实验，对所提方法与改进AKAZE、ORB、KAZE、SIFT+FREAK算法进行对比，确保所提方法在保持较高准确率的同时能够实现快速的图像配准。在图像光照变化、模糊变换及压缩变换下，所提方法能够保持较好的鲁棒性，可以满足无人机影像实时匹配的需求。

针对ORB算法特征匹配精度低的缺陷,结合金字塔光流特性,提出一种优化ORB特征匹配的方法。首先,采用区域分块法对待匹配图像进行处理,挑选出最佳匹配子块,缩小无效匹配区域;接着,对子块提取ORB关键字并计算匹配描述子得到粗匹配点对,采用金字塔光流法追踪ORB特征点,求解特征点的运动位移矢量,以此剔除粗匹配部分错误的匹配对;最后,采用随机采样一致算法进一步剔除冗余匹配点,获取更为精准的匹配对。实验结果表明,本文优化的ORB算法可以很好地满足实时性和精度的要求,特征匹配的平均耗时为原ORB算法的87%左右,且平均匹配率达98%以上。

针对大视场下气瓶阀门的自动化操作,提出一种基于对称性投影的三维定位算法。采用级联分类器对阀门进行初定位与分割,通过随机采样一致性(RANSAC)算法提取阀门平面法向,利用规则刚体结构的对称性,以一种轴向投影与自适应阈值相结合的方式获取阀门平面的边缘点对,并结合空间直线方程计算出最终所需的中心坐标,实验结果表明:在690 mm×520 mm的视场范围内,坐标及位姿的均方根误差分别为0.352 mm,0.0145 rad。与常规边缘提取方式相比,该算法能更好地应对噪声与点云的缺失,实现了大视场下阀门中心的精确定位。

针对最近点迭代算法(ICP)在大数据点云下配准效率低及对配准点云初始位置依赖性强的缺点,提出了一种基于快速点云粗配准与 ICP 算法相结合的方法。根据体素对原始点云进行下采样,结合法向量特征提取关键点,使用快速点特征直方图(FPFH)算法描述关键点;根据局部邻域内的关键点匹配对的向量夹角特性进一步对匹配点对进行精简;对精简后的关键点对集使用随机采样一致性算法(RANSAC)获取内点最多的变换参数,从而完成点云粗配准;最后在粗配准点云的基础上使用 ICP 算法完成精确配准。实验结果表明,本算法在高密集点云上的配准效率和精度均有所提高。

针对标准Hough变换在直线检测中存在的问题,提出了一种基于改进随机Hough变换的直线检测算法。利用8邻域搜索对边缘图像像素点进行了聚类分组;提出了像素点梯度方向差分概念,求出每一个边缘分组中相邻像素点的梯度方向差分,从而进行直线预检测,排除不含直线特征的边缘组;基于随机抽样一致性算法,提出了一种带有直线参数模型预检验的改进随机Hough变换算法。研究结果表明,该算法有效解决了标准Hough变换中的问题,改善了直线检测过程中的误检情况,具有检测速度快、检测精度高的优点。

随着三维扫描技术的迅猛发展,点云数据的数据量变得异常庞大,这对点云计算的性能提出了更高的要求。因此,如何有效提高算法的执行效率一直是该领域的研究热点和难点。日益增大的数据量隐藏了丰富的三维(3D)形状模型,将形状模型参与到点云计算过程中,为提高点云计算的执行效率提供了一种新的方法和思路。利用3D几何特征分析技术,获取与形状相关的特征参数,并使其参与到点云分割过程中,提出了形状分割方法。利用八叉树算法组织点云数据,发现数据之间的相邻关系,依靠点云数据的密度自适应地双向线性调整八叉树并建立数据索引。使用规则图形建立3D形状模型库,实现模型与分割区域的匹配,进而提取分割区域的形状参数,为提高点云数据计算的精度和速度奠定基础。在分割效果和分割时间上,对比了不同算法,验证了基于形状的点云分割算法的可行性以及稳健性。

针对双Kinect扫描大型物体过程中双Kinect外参标定问题,利用改进的随机采样一致性方法提取了点云球体及平面模型的关键参数,分析了不同Kinect坐标系下的球心坐标及平面法向量间的关系,提出了一种基于球体及平面模型的双Kinect空间位置的标定方法,实现了视角位移变化较大的平移旋转矩阵的标定。相对于利用传统迭代最近点(ICP)算法及改进的ICP算法标定两个Kinect外参的方法,所提方法的速度、精度均有较大幅度提高。最后,利用实际模型的配准结果验证了所提方法的可行性,所提方法为视角位移变化较大的双Kinect外参的标定提供了一种快捷、准确的标定方案。

针对鞋面匹配中存在的尺度变化、光照变化以及噪声干扰等问题,提出基于加速稳健特征和对象请求代理(SURF-ORB)算法结合随机抽样一致(RANSAC)算法的鞋面匹配检测算法。采用SURF算法提取鞋面图像特征点;通过ORB算法对提取到的特征点进行描述,得到描述子;采用汉明距离完成初匹配,再结合RANSAC算法对由噪声干扰和光照变化而产生的误匹配点进行剔除,获得较为精准的匹配点对。结果表明:当鞋面图像中存在尺度变化、光照变化和噪声干扰等影响时,该算法能够准确匹配,具有较强的稳健性。

针对常用特征点匹配算法在低对比度图像中存在特征点少、匹配精度低的问题, 将图像自相似性用于图像特征点提取, 并改进特征点匹配过程, 提出了自相似性与改进归一化互相关相结合的方法。该方法首先根据像素点自对称值提取出图像特征点, 然后通过特征点的尺度信息构建自适应相关窗口来改进互相关匹配, 最后由阈值筛选和随机抽样一致性算法优化匹配结果, 从而完成低对比度图像特征点的提取和匹配。实验结果表明, 该方法在匹配低对比度图像特征点时相比常用算法具有较高的效率, 且对图像尺度和旋转变换具有较强的鲁棒性。