为了提高随机抽取一致性算法(RANSAC）的效率和精度，提出了一种基于采样优化的随机抽取一致性算法。首先通过匹配点的相似性度量计算匹配点先验概率，根据先验概率随机抽取最小子集估计模型，在全部数据上检验模型，依次迭代找到次优模型；然后以次优模型对应的内点集作为采样的初始集，随机抽取最小子集估计模型，并在全部数据上检验模型，若模型更好则更新采样初始集，依次迭代找到最优模型；最后，选择最优模型获得符合该模型的内点和最终的模型参数。选取多对不同变换的图像作为实验数据，从算法运行效率和模型精确度两方面对算法进行了测试实验。实验数据表明，本文算法的迭代次数约为标准RANSAC算法的20%，运行时间约为标准RANSAC算法的25%，标准误差降低了30%左右。本文算法充分利用了匹配点的先验知识和模型检验结果对采样模式进行优化，算法的运行效率和精度都有较大提高。

针对多视图三维重建中畸变影像的相对姿态估计问题, 提出了一种高精度的鲁棒性估计方法.根据对极几何关系, 推导了畸变中心未知时的畸变基础矩阵表达模型.在系数矩阵中引入加权矩阵, 控制参与估计的匹配对应点, 通过奇异值分解估计畸变基础矩阵.根据加权矩阵更新准则对加权矩阵进行更新, 然后进行迭代计算, 比较前后两次估计得到的内点数目及平均极线距离, 得到畸变基础矩阵的最优解, 并判断是否需要继续迭代.在得到最优畸变基础矩阵后, 再分别对畸变中心、畸变参数以及焦距进行估计.仿真和真实实验表明该方法能有效提高相对姿态鲁棒估计速度, 在噪声均方差为2.5时, 畸变参数误差均值小于2%, 焦距估计误差小于3.5%.

针对基础矩阵估计过程中因受野值影响导致估计精度下降和稳定性不高等问题，本文提出了一种新的快速鲁棒的基础矩阵估计方法。该方法首先将野值去除融入到计算基础矩阵的过程中，而不再将它作为一个独立的处理步骤。通过迭代将潜在的错误对应点剔除，从而实现基础矩阵的稳定估计。然后，在每次迭代过程中，采用对极几何误差准则来识别野值，同时获得基础矩阵的估计结果。该迭代过程收敛较快，即使存在大量匹配野值的情况下，计算值也会很快趋于稳定。仿真和实际实验结果一致表明：所提出的算法在保证类似估计精度的同时还在计算效率方面有极大地提升，相比较快的M估计法有30%以上的速度提升，而相比于估计精度较优的MAPSAC算法甚至达到4倍以上。

三维视觉定位是基于位置的机器人视觉伺服的重要步骤, 直接影响到系统的控制精度。本文针对眼固定式双目视觉机器人, 提出了一种基于基坐标系的直接视觉定位方法, 通过点-极线对建立齐次线性方程组以求解包含了双摄像机相对位置等信息的基本矩阵, 再根据基本矩阵的性质将其分解为双摄像机相对于机器人基坐标系的投影矩阵, 进而通过由空间平面确定的直线方程直接进行基于基坐标系的重建。该方法简单直接易于实现, 相关实验通过将重建得到的坐标与实际坐标相比较, 验证了该定位方法的精确性和有效性。

为了解决缺乏明显特征点给基础矩阵计算带来的难题，针对水平直线与垂直直线所特有的极几何关系，提出了一种可以联合这两种直线特征的基础矩阵计算方法。首先以相机方位元素、相对姿态为基础矩阵的参数化要素，构建基于水平直线与垂直直线的等量方程式，然后以特征直线作为RANSAC算法的内点筛选出特征点的最优子集，再结合M-estimators算法确定各个要素的权值，最后构建统一的平差模型进行计算。模拟数据与真实图像的对比实验结果表明，该方法切实可行，能够减少传统基础矩阵计算方法对特征点的依赖，特征直线的引入也能在一定程度上提高计算结果的精确度与稳定性。

针对基于灭点的一维相机标定法在抑制径向畸变上的缺陷，提出了一种基于基础矩阵的一维标定法，该方法通过基础矩阵恢复投影意义下的相机矩阵，进而转换至欧式空间的方式来求解内方位元素矩阵。该标定方法中无需任何先验知识或计算灭点，一维标定物能做任意的刚体运动，可以对多个相机同时进行标定，适合于非实验室环境下的相机快速标定。模拟数据的相关对比实验证明，当径向畸变不可忽略时基于基础矩阵的标定法优于基于灭点的标定法，真实数据的相关对比实验验证了该方法的实用性。

随机抽样一致性算法是计算机视觉领域中应用广泛的多视几何图像参数估计方法之一。为提高在高噪声条件下原算法计算效率，提出基于匹配点对邻近点集合一致性的过滤方法，可提高原初始匹配点对集合的内点比例，减少使用RANSAC时寻找参数时的抽样次数。宽基线图像极线几何计算的多组实验表明：提出的算法能够保持与原RANSAC一致的结果，并有效地提高计算速度。

提出了一种基于序贯相似检测(SSDA)的快速鲁棒基本矩阵估计算法来估计基本矩阵。在最大后验一致性(MAPSAC)算法中引入SSDA搜索最优模型参数，通过及时剔除错误模型减少计算成本函数的累加次数，不仅保持了MAPSAC的良好鲁棒性，而且有效减少了算法的计算量。用M估计算法对改进的MAPSAC算法获得的初始内点集进行优化，剔除估计余差较大的内点，并用优化的内点集求解基本矩阵，进一步提高算法的估计精度和鲁棒性。实验结果表明，该算法不仅估计精度较高，鲁棒性较好，而且平均处理速度比MAPSAC算法提高了30%以上，基本满足三维重建、匹配和跟踪、相机自标定等应用领域对实时性、鲁棒性和精度的要求。

提出一种基于图象序列对应概率累积的基础矩阵求解算法.该算法基于序列对应概率累积求最大熵点的对应概率累积分布图,采用RANSAC思想和加权最小二乘法拟合极线,通过统计分类器求解极点并消除出格极线,并利用所求的对应极线和极点,采用一种参量化方法求解F矩阵.该算法工程实现容易,对输入的源图象没有苛刻的要求,可以基于随机拍摄的图象序列方便地求解F矩阵.

分析了摄像机和双目视觉传感器的数学模型,针对大视场视觉测量应用,提出了一种基于基线尺的大视场双目视觉传感器标定方法。在测量空间内任意多次摆放基线尺,由两摄像机拍摄基线尺图像。利用基本矩阵及基线尺上两特征点之间距离的约束,采用线性解和非线性优化相结合的方法同时估计摄像机的内部参数以及双目视觉传感器的结构参数。该标定方法操作简单,标定效率高,无需初始参数即可估计双目立体传感器的全部参数。实验结果表明,该方法适合双目立体视觉传感器的现场标定,在6 000 mm×4 500 mm的范围内可以得到0.06 mm的测量精度。