提出一种特征感知的三维点云简化方法。通过构造八叉树搜索每个点的k近邻点,并计算每个点的法向量,以此检测并保留边缘点;使用期望最大化算法对点云进行聚类,并确定高曲率的点;使用边缘感知的有向Hausdorff距离方法进行点云精简,合并前述点云并删除重复点,实现模型简化。该方法适用于不同曲率变化的模型,并且能够在保留尖锐特征的同时显示模型整体轮廓。实验结果表明,该方法不仅能够保留原始模型的几何特征和轮廓外貌,而且有效地避免了简化过程中的孔洞现象,几何简化误差较低。

为提高三维点云在数据随机缺失和噪声干扰等复杂情况下的配准精度,提出一种基于多维混合柯西分布(MMC)的点云配准方法。将点云数学模型扩展为MMC模型,求解模型各参数,并构造出特征四面体,以优化旋转矩阵与平移向量;通过最大期望算法分别求出目标点云和待配准点云在MMC模型下的数据中心、协方差矩阵和权重的值。仿真与实验数据表明:与几种常用的算法相比,MMC算法即使在点云数据存在遮挡、缺失,大小不一致,含随机噪声,且具有无序性的条件下,也能精确配准,且具有良好的稳健性。

有序子集期望最大化(OSEM)迭代算法是近年来发展较快的一种迭代类算法。但该算法在迭代过程中容易产生条纹状伪影、金属伪影或者散射伪影。构造了平滑约束矩阵作为先验信息引入到重建迭代过程, 建立了一种平滑约束OSEM(SC-OSEM)迭代重建算法。分别将中值滤波、全变差最小(TVM)方法作为平滑约束条件, 通过数值模拟, 针对不完备理想投影数据、含金属不完备投影数据、含噪声不完备投影数据三种情况, 重建出了与原始模型一致性较好的计算机层析成像技术(CT)图像, 比单独OSEM迭代算法重建质量高, 并且发现中值滤波约束重建图像的整体噪声较小, TVM算法使金属边界更清晰, 表明SC-OSEM迭代重建算法是一种精度高、适应性较强的CT重建算法。

针对室外光照条件下阴影的快速高效检测问题，提出了基于正交分解的阴影检测算法。利用室外场景图像中阴影区域内外的线性模型建立线性方程组，对该线性方程组的解空间进行正交分解，得到一幅彩色光照不变图像和一幅光照变化图像。通过K-means算法将彩色光照不变图像分类为几个区域，每个区域具有一致的反照率。根据分类结果，对光照变化图像采用EM算法进行高斯混合建模，提取阴影区域。最后采用形态学算子对提取的阴影区域进行优化。该算法不需要复杂的特征算子学习过程，大大降低了计算的时间复杂度，而且不需要任何先验知识，可以直接应用到实时场景处理中。

设计了一种基于TMS320DM642 的单目主动视觉运动目标自动跟踪系统，该系统采用了一种期望极大化(Expectation Maximization, EM)自适应窗口的运动目标跟踪方法。本方法以考虑了像素空间位置信息的混合高斯模型建立目标的灰度特征模板，然后通过EM 算法迭代估计出使每帧似然函数最大化的分布参数值，这些参数不但可确定出跟踪目标在图像序列中的位置和形状尺寸，而且为单目摄像机的自动变焦和基于分区逻辑的摇摆运动提供了控制信息。实验表明：系统可以自动而稳定地跟踪具有复杂运动状态的目标，对320 pixels×240 pixels 的图像可实现平均约20 frame/s 的跟踪速度。