根据传统ICP算法存在的缺点, 提出了一种遗传算法结合自适应阈值约束优化的ICP位姿估计方法。采用统计学滤波和区域增长分割算法对原始点云进行预处理, 去除离群点并得到各混乱工件的点云集; 针对ICP易陷于局部最优的问题, 利用遗传优化算法对点云进行粗匹配, 得到目标点集相对于参考点云的初始位姿; 针对迭代速度较慢的缺点, 提出了一种自适应阈值约束法, 利用点对距离约束和法向量夹角约束去除局部大变形点, 在保证实时性的同时提高了位姿估计的精度。实验表明, 该方法能够在84.5ms内定位一个工件, 位姿估计误差达0.39mm, 满足实时性和抓取精度要求, 能够为工业机器人随机箱体抓取提供理论依据与指导。

针对机器人随机箱体抓取过程中场景分割困难的问题, 提出一种基于改进欧氏聚类的散乱工件点云分割方法。采用直通滤波法和迭代半径滤波法进行预处理, 得到去除干扰点后的散乱工件点云; 通过基于法线夹角的边缘检测去除点云中的边缘点, 并使相互碰撞的工件在空间上产生分离; 采用改进的搜索半径自适应欧氏聚类进行点云分割, 得到多个工件点云子集, 基于距离约束将去除的边缘点补齐到点云子集之中, 从而完成点云分割。此外, 线下模板点云注册为分割参数的选取提供依据, 从而保证了分割结果的准确性, 提高了分割速度。结果表明：基于改进欧氏聚类的散乱工件点云分割方法能够准确地分割出感兴趣的工件, 分割时间约为696 ms, 满足了工业机器人抓取的实时性要求。

为实现图案布匹瑕疵在编织过程中的实时检测，提出一种通过区域差影自动分割瑕疵区域的检测方法。通过求取水平和竖直两方向距离叠加函数极值，并对极值做权重分析，精确求取纹理基元周期；根据所求纹理基元周期确定区域差影的区域大小，并对区域差影图像求取梯度，再进行标记分水岭分割，能够快速准确地分割出纹理瑕疵区域。实验结果表明：该算法能够准确地检测出纹理布匹瑕疵的位置，检测一帧用时200 ms，准确率均达98%以上，实时性强，检测精度高，满足工业现场要求。

为了提取亚像素角点和实现高精度的标定, 提出了一种基于Harris算子和空间矩的亚像素角点提取方法。利用Harris算子, 在优化后的范围内提取像素级角点; 运用改进后的梯度模板提取像素级角点周围部分边界点, 并利用空间矩的方法得到边界点的亚像素级坐标; 将亚像素边界点进行直线拟合, 并将交点的平均值作为该角点的亚像素坐标。实际测试证明：利用该方法提取到的角点精度可以达到0.1pixel, 可满足实际的公差要求, 为X型靶标的角点提取提供了一种新的思路, 目前已经将该方法应用到了嵌入式机器视觉工业现场。

为了提高二维视觉测量的精度，本文提出了一种嵌入式机器视觉光轴与物面垂直度调节的新方法(面积法)。该方法将立体成像原理与数字图像处理结合，采用Harris 算子与空间矩结合提取特征点亚像素坐标，利用海伦公式计算特定区域的面积，再根据相机镜头与被测物相对倾斜时特定区域的面积变化规律，准确的判断光轴与物面垂直度。实验证明，该方法操作简单，稳定性好，实用性强，能够很好的提高二维视觉测量的精度。该方法已应用在嵌入式机器视觉工业现场。