针对传统尺度不变特征变换(Scale Invariant Feature Transform, SIFT)算法存在特征点冗余和计算量大等问题,提出一种基于双预筛选的强鲁棒性SIFT算法。首先在构造差分空间之前,利用像素点8邻域标准差相似度方法对特征点进行预筛选,然后利用极值检测方法对特征点进行精确定位。针对传统随机采样一致性(RANSAC)算法存在匹配效率低等问题,提出一种自适应三维多峰直方图投票的方法,采用该方法对初始匹配进行筛选,筛选结果作为RANSAC的初始内点集并对初始匹配进行提纯,最后在最优内点集中对模型参数进行计算。实验结果表明,所提算法在不同类型的图像中,相较于传统SIFT+RANSAC算法,特征点的检测时间平均减少11.7%,总运行时间平均降低10.7%,正确匹配数平均提升2.8%;召回率与F值分别平均提升4.9个百分点与2.7个百分点,说明所提算法的综合性能具有有效性。

针对线结构光自身分布不均匀且易受环境影响的问题,提出了一种基于二次平滑算法的线结构光中心线提取方法。首先对采集的图像进行感兴趣区域裁剪以减少激光条纹中心线提取的计算量;然后用灰度重心法提取激光条纹中心线的初始值,用均值法平滑激光条纹中心线初始位置的大凸起与毛刺;最后通过Savitzky-Golay滤波算法二次平滑激光条纹中心线的小凸起和毛刺。实验结果表明,与灰度重心法相比,该方法提取分辨率为1280 pixel×720 pixel的图像激光条纹中心线用时略快0.10 s,精度提高了19.15%~44.87%,且受光强变化的影响较小,满足实时性强、精度高、稳定性好的要求。