针对菠萝削皮流水线生产加工过程中菠萝表面有内刺残留，需要人工二次去除内刺的问题，采用图像处理的方法对菠萝内刺进行特征提取与空间定位，从而确定菠萝内刺的精确位置，以实现菠萝内刺的自动化去除。设计了菠萝图像采集系统以及针对当前系统的菠萝内刺检测算法。对菠萝图像进行预处理，将内刺特征从背景中分离出来剔除干扰特征，并将内刺的轮廓作为提取特征。轮廓的面积和轮廓的圆度作为描述子，菠萝内刺轮廓最小外接矩形的中心坐标作为菠萝内刺在图像中的位置，利用菠萝外轮廓将内刺的二维坐标转换成三维坐标从而精确定位菠萝内刺。对比实验表明：菠萝内刺检测算法准确率明显高于传统的斑点检测算法，内刺中心位置拟合精度较高，检测最大误差为0.63 mm，平均检测误差为0.33 mm。研究表明，平均检测速度和精度都能满足菠萝内刺去除工序的需要，这为菠萝流水线加工过程中的内刺去除提供一定的技术基础。

针对当前手势识别算法易受光线变化、复杂场景等干扰, 从而导致手势识别准确性下降的问题, 定义了一种体感控制与深度相机的手势识别算法。所提出的手势识别方法结合了体感控制(Leap Motion)传感器和Kinect深度传感器, 可以有效提高手势识别精度与鲁棒性。通过体感控制传感器提取指尖与手的质心距离、指尖与手掌平面的高度、指尖与手掌中心的角度, 以及指尖在手参照系统中的3D位置; 通过Kinect深度传感器来提取手指样本与手部中心的距离、手部轮廓的局部曲率、手部形状的连通区域以及距离特征之间的相似性; 为了结合两种不同传感器数据的互补信息, 摒弃冗余, 通过采集的指尖3D位置, 找到旋转平移参数, 以最小化所有采集帧中指尖点的平均投影误差来定义一种联合校准方法, 确定体感控制传感器和Kinect深度传感器的外部参数, 完成两种传感器坐标转换; 采用支持向量机(SVM)进行分类学习, 完成手势识别任务。实验表明: 相对于已有的手势识别算法, 所提算法不仅在Jochen.Triesch手势数据库中具有更高的平均识别率, 约为97%, 而且在不同光线、不同肤色和背景的复杂环境下, 其同样具有更高的准确率与稳健性。

为提升城市园林等类型景观的建模精度，以激光三维点云为技术基础，设计一种三维景观建模方法。采用激光三维点云立体式非接触测量技术，获取景观表面数据点三维坐标，在一个坐标系内统一化各角度点云数据，将顺序点间的最远距离作为滤波标准，设定超过标准点为固定端点，平滑处理图像点云，采用三角形网格参数化策略，映射三维网格模型至二维平面中，取得特征点纹理坐标，利用调和映射算法求解非约束点的纹理坐标，通过自适应部分调整策略，优化点云数据纹理，得到最终的景观模型。试验采集研究区域中一处景观的三维数据，结合景观模型效果与评估指标值得出，所提方法能够有效建立模型，且精准度较高，模型细节信息保存得相对完整。

无人机（UAV）的姿态角参数是衡量无人机飞行性能的重要参数。传统测量方法中UAV装置的各类传感器受UAV本身影响会产生较大数据误差，现有的视觉测量方法受光线影响，对标记点的识别精度有限，因而提出了一种基于激光投射和视觉的UAV姿态角测量方法。通过全站仪数据确定标记点在世界坐标系下的三维位置，并由搭载于UAV的激光发射器向前侧及左右两侧的幕布发射激光，相机实时捕捉并解算幕布上激光点的位移信息，通过激光点与标记点的几何关系及Rodrigues旋转公式求解UAV姿态角。实验结果表明，所提方法的姿态角解算误差在0.2°以下，可满足UAV姿态角度测量的精度要求。

在雷达测量精度检测中需要将大地坐标转换为雷达坐标以获得目标的真值。首先,介绍了大地坐标系与雷达坐标系的相互转换方法。然后,从大地成果测量误差、雷达参考点选择误差及雷达正北标定误差方面分析了坐标转换误差,并利用某连续波雷达实际测量数据给出了误差仿真结果。最后,提出了提高雷达测量精度的方位角与原点修正方法。将所提方法应用到上述连续波测量雷达中,可使目标真值更为准确,明显减小坐标转换误差对雷达测量精度的影响,进而能更准确地反应雷达测量精度。

随着图像处理技术的发展、嵌入式硬件的进步, 无人机 (UAV) 的机器视觉成为一个十分热门的研究领域。UAV 自动降落控制是 UAV 飞行控制系统的关键技术之一, 对 UAV 降落的稳定性、精确性、可靠性、实时性具有重要的作用。针对车载 UAV 自动返航降落误差大的缺点, 通过机载视觉处理单元对 UAV 降落的平台进行图像处理后, 将获取的 UAV 和降落平台的位置信息通过坐标转换算法转换为真实坐标信息, 然后通过模拟遥控器杆量的方式来控制 UAV 实现精准降落。实验表明, 利用所提出方法能够精准识别 UAV 降落平台, 与只有 GPS 定位的实验结果相比, 该方法能够有效地增加 UAV 降落的精度, 具有一定的实际应用价值。

太阳能计算是依据太阳几何学并结合地面太阳辐射数据来计算太阳能接收器所收集到的太阳辐射。尽管其计算过程因接收器的结构、光学特性、安装方式的不同而存在很大差异,但最基本的计算是确定太阳光在接收器上的入射角和太阳光在特定截面上的投影入射角。传统方法采用天球坐标作为描述太阳运动规律和相关计算的基础,导致相关计算过程十分复杂。以固定和跟踪太阳板为案例,详细分析了如何用向量方法分析线与线(面)的空间角度关系及光线经过镜面反射后的空间传输规律,阐述了选择和建立坐标系的原则及坐标转换的简便方法。研究结果显示:根据实际需要选择和建立合理的坐标系可以大大简化光线在固定和跟踪平面上的入射角及光线在特定面投影角的计算过程,向量代数非常适用于分析光线在反射式线聚光器内的三维传输过程。

在激光雷达的光机设计中,由于各项参数需要满足实际项目的指标需求,会导致激光雷达的光源中心与机械旋转中心不重合,进而造成点云图像产生弯曲,严重影响激光雷达的性能。因此,结合三维雷达的实际扫描情况,首先分析了激光雷达点云图像产生弯曲的原因并推导出每一条扫描线的误差计算公式。其次,通过修正参数的方式,将相对坐标系下的像素点转化成世界坐标系下的深度值,从而完成坐标系的转换,最终修正点云图像的弯曲,同时结合五幅点云图像详细分析了修正后算法的可靠性。实验结果证明,在进行算法修正之后,点云图像表现为处处是平面,几乎没有弯曲,所有测试障碍物的外形轮廓没有明显变形,像素点的排列整齐有序,测距误差由原来的10.2 cm减小到2 cm以内。且雷达在监测区域内最近处[坐标为（0,1.8 m）]的横向距离分辨率达到7.5 cm,纵向距离分辨率达到4.8 cm;最远处[坐标为（25 m,4.5 m）]的横向距离分辨率达到20 cm,纵向距离分辨率达到6.1 cm。通过与传统的数据匹配和拼接模型相比,证实了坐标系转换的算法可以从根本上解决坐标中心不重合和振镜旋转引起的两种非线性误差,而且通过下雪和复杂环境下的测试实验进一步证明了算法具有很高的稳定性。