为了提高基于结构光法的3维重建精度，采用机器学习中的回归模型对物体进行了3维形貌测量，通过以单目式获取对象高度点不同方向的光强信息簇样本，将其作为回归模型的训练集，在训练好回归模型后，直接建立起条纹图案的光强信息分布与对象高度之间的映射函数关系，完成对目标的3维测量;将调制条纹光数值信息以特征形式导入回归模型，获得端到端高度信息，验证了机器学习的神经网络回归模型在3维面形重建上的可行性。结果表明，该模型即使在投影特征模糊或噪音较大的情况也能较精确地重建3维面形，平均重建误差为1.40×10-4 mm，优于一般面形重建方法的数据。该研究为物体在强干扰条件下的单目式高精度3维面形重建提供了参考，简化了繁琐的计算过程和测量过程，提高了测量精度。

提出一种基于二维经验模态分解(2D EMD)的像素匹配方法，并结合五步非等步算法应用于在线三维面形测量中。将一正弦条纹投影到在线匀速运动的待测物体上，物体运动产生等效相移，在一个条纹周期范围内任意采集五帧变形条纹图。采用2D EMD方法对变形条纹图进行分解，可以得到与待测物体形貌变化一致的模态图像，通过大津法对其进行二值化处理，并截取可靠性较高的区域作为像素匹配模板进行像素匹配，使各帧条纹图中物点一一对应并计算出相应的等效相移量。再利用五步非等步相移算法解相可得到截断相位，采用相位展开算法得到连续相位，利用相位高度映射公式可恢复出被测物体的三维面形。计算机模拟与实验验证了该方法的有效性。

提出了一种基于低调制度特征进行像素匹配的在线三维测量方法。仅将一固定的正弦条纹投影到在线匀速运动的待测物体上，物体运动产生相应的等效相移变形条纹图。当CCD等步距采集多帧变形条纹时，由于物体的运动致使变形条纹图中物体像素不对应，需要对所采集的条纹图进行像素匹配。在对变形条纹图提取物体调制度信息的基础上，使用大津法进行自动二值化处理，截取物体低调制度区域作为特征模板，实现像素匹配，从而获得物体上点对点的多帧等步相移条纹图，利用等步相移算法解相并恢复出待测物体的三维形态信息。仿真和实验证明了所提方法的有效性和实用性。

提出了一种基于S变换引导的自适应窗口傅里叶变换相位提取方法。通过连续S变换, 得到局部条纹的最佳变换窗口, 可以保证窗口尺寸随变形条纹的频率变化而自动调整, 适合复杂物体的面形测量。计算机模拟和实验验证表明, 该方法克服了传统窗口傅里叶变换窗口大小固定的缺点, 相位提取的误差由-2~8rad降低为-1~1rad, 而且还可以得到被测物体的调制度, 引导相位展开。

针对基于结构照明的三维面形测量中的位相展开问题,提出了基于复Morlet小波分析的直接从条纹中提取自然相位的算法,并对其进行了理论分析、计算机模拟和实验,研究证明了可行性.该方法从一幅条纹图像中不需要进行相位展开就能够得到准确的相位分布方法,并且避免了传统相位方法所必须的复杂相位展开过程.当待测物体变化率比较大的时候,用传统傅里叶方法恢复得到的误差是-3～3 rad,而采用本文方法得到的误差是-2.5～0.5 rad,且对于顶部平坦部分基本没什么误差.对比分析表明,本文方法的精度要高于传统傅里叶方法.

通过小波脊变换,得到局部条纹的最佳变换窗口,在傅里叶变换三维测量时,可以保证窗口尺寸随变形条纹频率变化而自动调整.实验研究表明,此方法克服了窗口傅里叶变换空间-频率分辨率无法调整的问题,可以最大限度地抑制变形条纹的频谱混叠,准确地提取基频信息,大大地提高了测量精度,误差范围由-2～8mm降低为-1～1mm.并且,由于只需要从一帧条纹图中获取物体的三维分布,适合于动态测量.