针对运动网格统计(GMS)等特征匹配算法误匹配集中出现, 且在视点变化较大的情况下, 由于匹配点过少而导致匹配失败的问题, 提出了一种使用改进GMS算法结合RANSAC计算单应矩阵的特征匹配算法。首先,对原始GMS算法网格进行分配权重, 设置可变阈值以获取足够匹配点, 通过对改进GMS算法得到的匹配点集使用RANSAC拟合单应矩阵, 并对初始暴力匹配集进行细筛选生成最终的匹配点集。在公开的特征匹配数据集上的实验表明, 匹配准确率和召回率分别提升了22.69%, 18.58%, 算法更适用于视点变化较大的场景。

在工程应用中使用三维激光雷达的基础是对激光雷达的外参数进行标定，而对激光雷达外参标定通常都需要其他传感器的数据进行联合标定，且标定方法复杂，过程耗时较长。对此，提出一种简便的自动标定算法。首先利用RANSAC算法拟出多个平面，并通过相邻点法向量的夹角进行平面的二次筛选得到其平面方程，再根据平面方程得到平面间的交点坐标，使用反对称矩阵构建旋转矩阵，进一步利用交点坐标在雷达坐标系与世界坐标系下的不同求得近似转换关系，最后利用最小二乘思想对近似矩阵进行优化，得到较为准确的旋转位移矩阵。所提算法可以在特征点、角点点云缺失的情况下，通过平面方程拟合出较为精确的角点。仿真结果表明，该算法是可行的。

针对目前焊缝外观检测实时性差、精度低等问题，提出一种基于光学低相干的焊缝外观特征检测方法。利用光学低相干测量原理获取焊缝外观的三维坐标信息，并利用滤波算法提取出焊缝三维轮廓；基于焊缝轮廓线的特征，提出采用DBGBCA算法对点集进行分类，以确定拟合区间；利用RANSAC算法进行直线拟合后，精确调整多项式拟合区间和拟合阶数进行曲线拟合；基于直线拟合和曲线拟合确定特征点，得到焊缝外观参数。试验结果表明，所提方法可使检测结果精确到0.004 mm，满足工业生产要求。

为了提升RANSAC算法的匹配正确率, 提出了一种基于二次匹配策略的RANSAC算法。该方法首先将所有样本点中误差过大的特征点进行剔除, 以减小迭代次数, 提高算法匹配速度; 再通过反向匹配的方式进行二次匹配, 保证了算法匹配的准确率和可靠性。实验结果证明, 所提算法匹配正确率和速度都有所提升, 并且在光照变化、模糊环境的干扰下, 仍具有较强的鲁棒性和可靠性。

将三角形约束方法引入到合成孔径雷达(SAR)影像匹配中。利用尺度不变特征转换(SIFT)算子生成特征点；采用鲁棒性较好的随机抽样一致(RANSAC)算法剔除错误匹配点，得到更高精确度的同名点；最后利用SIFT算法得到的同名点建立Delaunay三角网。在同名相似三角网内，以三角形重心点作为内插的虚拟同名点，并对虚拟同名点进行归一化互相关(NCC)约束，剔除不满足阈值要求的虚拟同名点对，同时根据内插得到的虚拟同名点建立新的三角网，对三角网进行动态更新，用于获取更多虚拟同名点，直至满足匹配要求。实验结果表明，本文方法能够有效增加匹配特征点数量，提高雷达影像的匹配精确度。

为了解决当前图像匹配算法主要是通过像素点间的距离信息来实现特征匹配, 忽略了图像间的方差信息, 导致匹配结果中存在较多的错误匹配等不足, 本文提出了一种基于拉普拉斯特征制约与方差度量的图像匹配方法。首先, 引入 Harris算子, 对图像特征进行粗提取, 并利用像素点的拉普拉斯特征, 删除伪特征点, 对粗提取的图像特征进行优化, 获取更为准确的图像特征。然后, 依据图像的梯度特征来计算图像特征的方向信息, 以此建立特征点的邻域, 通过求取该范围内的 Haar小波值, 从而得到特征向量。采用区域方差模型对图像的方差信息实施度量, 并联合特征点的欧氏距离, 对特征点进行更为准确的匹配。最后, 采用随机样本一致性 (RANSAC)机制对特征匹配结果实施优化, 剔除其中的错误匹配, 从而完成图像匹配。实验结果显示：较当前较为先进的匹配算法而言, 在旋转、缩放等几何变换干扰下, 所提算法具备更高的匹配准确率, 维持在 90%以上。

基于单目视觉的机器人同步定位与地图创建 (SLAM)方法是实现机器人自主行走的重要研究方向之一, 而图像特征匹配技术是该方法中的关键技术。基于尺度不变特征变换(SIFT)算法的SLAM匹配方法具有提取特征点数量丰富、稳定等优点, 然而在速度以及正确率方面仍存在一些不足。因此针对SIFT算法描述子维数高、匹配时间长等问题, 提出了一种改进的SIFT算法, 将原128维的特征描述子降至内部矩形外部圆形的24维特征描述子, 匹配过程中应用了三线性插值、RANSAC算法等对匹配结果去除误匹配。实验结果最终表明, 改进后的SIFT算法不仅对角度变化、光照变化等情况均具有良好的鲁棒性, 匹配速度和正确率也有显著提升, 可满足实时SLAM同步地图构建的需要。

针对多个板型物体混叠摆放的场景,提出了一种快速有效的分割算法。该算法充分利用有序点云的特点,将自顶向下以及自底向上的分割策略结合,根据三维点的空间位置和法向量,利用随机采样一致性(RANSAC)算法从三维点云数据中快速提取平面点集;然后将提取的平面点集所对应的图像坐标映射为二值图像,通过连通区域分析将其分割为多个连通的平面区域;接着利用“胶水”算法对这些区域进行快速合并,并对较大的弱连接连通区域进行断裂修正,得到最终的分割结果。实验结果表明:与区域生长算法相比,所提算法的分割结果更优,且算法效率大幅提升。