为进一步提高大规模多种类三维点云分类的准确率，提出一种局部区域建立K近邻点关系的卷积神经网络，其关键是从点与点的关系中进行学习。在采样组采样后，对点云模型进行建图，从点与点之间的关系以及中心点的特征进行更深一步的关系学习，从而进行点云的分类工作。由于是从局部的特征整合到整体，使得该方法对形状感知敏感并具有鲁棒性。最终的试验结果表明，该算法在公开数据集ModelNet40上的准确率达到92.5%。与现有的三维点云分类算法相比，其能够更有效地整合局部特征和全局特征，从而能进一步提高三维点云模型分类的准确性。

为了实时测量非合作纹理运动目标相对位姿, 提出一种单目视觉同步建模与位姿计算方法。选择具有良好特征共视关系与分布的模型帧, 增量式恢复目标三维共视特征模型, 实现非合作目标的合作化, 并依靠运动预测模型实现基于特征跟踪的位姿计算。根据模型对应网格的拓扑关系估计目标表面未知区域特征三维信息, 结合网格面法向场进行局部光束平差优化, 同时利用闭环优化抑制尺度漂移, 在减少特征模型恢复误差的同时提高位姿计算精度。实验结果表明, 在非结构化环境中能够在线恢复目标三维信息, 实现目标相对位姿准确计算, 特征平均重投影误差小于1.5 pixel, 位姿计算平均绝对误差为4.29 mm和1.54°, 平均计算时间小于120 ms, 为基于单目视觉的在线三维感知与测量建模提供技术支撑。

为了抑制激光测距仪采集3维距离图像的噪声与畸变, 提出了一种各向异性自适应平滑去噪方法。该方法集成了随机信号处理和尺度空间表述技术, 根据邻域点构建特征估计模型, 对距离图像中局部区域内测量点间的流形拓扑关系进行预测, 并利用无嗅采样技术计算原始图像和估计模型间的马氏距离作为相似性测度构建卷积滤波核, 实现三维距离图像各向异性扩散平滑去噪。通过该方法能够有效抑制原始图像发生的变形或偏移, 在抑制噪声的同时突出主要特征。试验结果表明: 在噪声方差为4.0×10-4 m2时, 经自适应平滑处理后的图像的峰值信噪比增益达16.41 dB, 均方误差减小66.16%。本文方法能够有效提高三维距离图像的质量, 为基于激光测距仪的三维环境感知与测量建模提供技术支撑。

为了提取含有噪声的激光扫描距离图像中的特征，提出了一种多尺度自适应滤波方法。该方法由特征估计和多尺度滤波两部分组成。利用无嗅卡尔曼滤波器构建自适应特征估计器，估计扫描点间的几何拓扑关系，并用估计过程中所获得的Mahalanobis距离构建扩散滤波核，对原始距离像进行多尺度滤波处理。为了能够仅依靠单一模型实现对环境中不同几何元素的有效估计，介绍了一种根据距离像局部特性进行自适应调整的曲线估计模型。试验结果表明，在噪声方差为2.25×10-4 m2时，经自适应滤波处理后的图像的最高峰值信噪比增益达10.55 dB，均方误差减小58.24%。与基于固定模型的滤波相比，本文所述自适应模型滤波法能够使特征提取的正确率提高10%，而时间消耗减少55%。