针对无人机室内无全球定位系统(GPS)信号、定位精度较低的问题, 提出融合视觉和惯性数据来实现无人机室内定位。前端改进特征匹配算法, 针对图像发生旋转运动提出了利用主成分分析法(PCA)计算旋转角度, 改变特征点所在网格及其8邻域网格, 并根据邻域特征点与匹配特征点欧氏距离设定高斯阈值, 提出新的分数统计模型, 使正确匹配对的数量增多, 提高了特征匹配的快速性和视觉室内定位的准确性。针对图像局部相似产生误匹配问题, 提出了利用特征点之间的几何关系确定数据集, 通过Pearson相关系数分析数据的相似性, 设定阈值剔除置信度较低的特征匹配对, 优化视觉估计无人机的位姿信息、后端采用视觉惯性基于滑动窗口的紧耦合优化位姿信息。通过设计室内光线正常与室内光线较暗情况下的无人机悬停实验, 分析其飞行日志可知, 改进后网格运动统计(GMS)算法的特征匹配速度是原算法的3倍, 并在局部相似区域剔除误匹配, 特征匹配准确率能达到94%, 无人机室内定位精度达到0.02 m, 能在复杂**环境中有更好的应用。

针对特征点较少时网格运动统计(GMS)算法存在误匹配集中、鲁棒性差等问题，提出一种基于特征匹配质量评价的GMS特征匹配改进算法。该算法不依赖于增加特征点数量，而是通过引入特征匹配质量因子，依据高质量匹配对计算单应矩阵，剔除误匹配提高匹配准确性，因此具有更好的实用性。实验表明,该算法不仅有效地解决了GMS 算法中特征点较少时误匹配集中的问题，而且对特征点数量依赖性更小，算法运行时间相比ORB+RANSAC缩短约 30%，算法具有更高的鲁棒性、准确性和实时性。

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。

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。

针对结构光双目三维重建方法中存在误匹配点较多的问题, 提出了一种基于相机抖动的多方位误点淘汰筛选算法。利用平面镜轻微移动模拟相机抖动, 对复原图像进行重新投影, 进行误点的淘汰筛选, 提高复原精度。实验结果表明, 该方法与未抖动相机时比较, 单幅图复原误点明显减少, 多幅图平均精度提高20%~30%, 精度平均水平达到0.16 mm, 可以实现对机车轨道和轮对检测的高精度三维测量, 满足实际检测的高精度要求。

为了提高多目标图像的ORB匹配的正确率, 提出一种基于Mask R-CNN的图像ORB去除误匹配方法, 该算法首先通过Faster R-CNN方法对图像进行识别, 运用区域推荐网络得到矩形框标注的感兴趣区域和类别标签, 该步骤可以得到感兴趣区域的预测类别和坐标信息, 并且通过全卷积网络卷积层进行像素级别校正, 得到像素级别的目标所属类别, 然后进行目标分割。最后在原有ORB特征点匹配基础上, 剔除两幅图像中相同目标分割区域以外的误匹配点。为了验证该方法的有效性, 对传统ORB匹配与基于本文方法的ORB匹配进行了仿真实验。改进后的算法, 使得在多目标环境下的目标的匹配精度提高了约18.6%, 结果表明, 本文算法较传统的ORB匹配算法的精度有一定提高。

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。

针对随机抽样一致性算法(RANSAC)计算量大、耗时长、匹配点选取不当会影响变换矩阵精度、阈值的鲁棒性较差, 以及不能完全去除误匹配等不足, 提出了一种基于SIFT特征和误匹配逐次去除的图像拼接算法。该算法首先提取图像的SIFT特征, 并利用近似的最近邻搜索算法(BBF)进行特征初始匹配, 然后利用一种误匹配逐次去除的迭代算法正确地估计图像间的变换矩阵。在这种误匹配逐次去除的迭代算法中, 采用预检测模型的方法, 减少了迭代运算的数据量, 提高了拼接速度; 采用匹配点按块随机选取的方法保证了变换矩阵的稳定性和精确度; 通过逐次筛选去除误匹配, 且在筛选过程中采用自适应阈值, 完全去除了误匹配。实验结果表明, 该算法在保证较高精度和鲁棒性的情况下, 缩短了拼接时间, 提高了拼接效率。

多视点云拼接技术是物体三维测量过程中的重要环节。现有的无标志点三维点云自动拼接方法在对不同表面进行测量拼接时稳定性较差。针对此问题，提出了一种基于几何特征和图像特征的点云自适应拼接方法。该方法建立了一个配准算法选择模型，通过引入配准算法判断因子来综合评价物体表面的几何、纹理复杂程度，从而系统可根据判断因子自适应地选择合适的配准算法，实现基于几何特征配准和基于图像特征配准的有机结合。并在特征点匹配过程中，采用随机抽样一致（RANSAC）算法对误匹配特征点进行剔除。实验结果表明，该方法可实现不同表面的稳定点云拼接。