道路消失点检测是高级驾驶辅助系统中盲区监测的重要组成部分。针对现有消失点检测方法所存在的准确度低、运算量大等问题,提出一种基于车载视频图像的道路消失点检测算法。该算法在Harris角点检测基础上优化得分函数检测出图像特征点,减少在跟踪阶段的运算量;通过金字塔光流法和帧差距离对运动特征点进行跟踪,在结束帧上准确获得各特征点的位置;对特征点去除离值点后,通过优化初始聚类中心的K-Means聚类算法,得到车载视频图像的道路消失点。最后将算法应用于各种车辆行驶场景进行测试,在较短运行时间内,能准确检测出车载视频图像中道路消失点,证明算法鲁棒性好、运算简单易实现。

对于背景变换和抖动分量比较小的视频序列, 传统稳像算法不能直接适用, 本文提出一种基于 Harris图像拼接的全景稳像算法。首先采用 Prewitt算子提取出图像的边缘信息, 在此基础上进行分区的 Harris特征点检测; 然后结合 NCC(normalized cross correlation)算法与 RANSAC(random sample consensus)算法实现图像间的特征点精确匹配, 接着利用加权平均融合的方法进行图像融合; 最后对融合后的全景图像进行剪裁, 完成图像补偿, 输出稳定的视频序列。实验结果表明: 改进的 Harris算法提高了算法效率以及正确特征点数量, 并且本文稳像算法实时性较好, 能够有效消除视频抖动并输出稳定的视频序列。

检测图像中的显著关键点并提取特征描述子是视觉里程计和同步定位与建图系统等计算机视觉任务中的重要环节。特征点提取算法的主要目标是检测准确的关键点位置并提取可靠的特征描述子。可靠的特征描述子应对旋转、尺度缩放、光照变化、视角变化、噪声等保持一定程度的稳定性。目前基于深度学习的方法由于描述子特征在下采样过程中存在图像信息丢失，导致描述子可靠性和特征匹配准确度降低。针对这一问题，提出了一种面向细节保持的特征描述子提取网络。该网络融合浅层细节特征和深层语义特征，将描述子特征上采样到更高的空间分辨率，并结合注意力机制，使用局部特征（角点、线段、纹理等）、语义特征和全局特征来改进特征点检测，提高特征描述子可靠性。在Hpatches数据集上的实验结果表明，所提方法的匹配准确度为55.5%。输入图像分辨率为480×640时，所提方法的单应性估计准确度比现有方法高5.9个百分点。实验结果表明了所提方法的有效性。

摄像机标定是结构光三维传感技术中联系测量系统内外参数与三维坐标之间的重要环节。基于灰度信息提取特征点的摄像机标定方法易受图像噪声、对比度等因素的影响。提出一种基于绝对相位靶（APT）的摄像机标定方法，采用时间相位展开算法计算绝对相位，提取相位值为4π整数倍的特征点，采用局部窗口最小二乘拟合算法计算特征点的精确亚像素坐标，进而建立特征点的图像坐标与世界坐标的对应关系。通过仿真实验，分析不同高斯噪声和模糊条件下摄像机参数的绝对误差变化，发现相对于传统的棋盘格和圆点标定法，所提APT标定法对图像噪声和模糊具有更好的鲁棒性，且具有更高的标定精度。真实的对比实验显示，APT标定方法的标定精度优于棋盘格和圆点标定法，尤其在“离焦”（标靶处于相机有效工作距离之外）情况下可将重投影误差降低58.68%，证明了APT标定方法的有效性和可行性。

根据双目立体视觉的三维重构原理, 如果能获得致密的三维点云数据, 就可以确定三维物体表面形状的特征。因此, 提出一种改进天牛须的图像配准方法, 首先采用SURF算法对双目拍摄的图像进行特征点的提取, 利用返回的二进制或从强度图像中提取其特征向量及特征向量对应位置。再由正态分布统计两幅图像特征点对应程度, 剔除不满足设定百分界值的数据, 最后将两张图之间的关系矩阵作为改进天牛须算法的目标函数, 计算出双目立体视觉中左右图像之间的转换关系。通过图像分割等方式寻找其中一幅图中的内侧面二维点云数据, 使用关系矩阵计算得到对应二维点云数据, 最终重构出内侧面的三维点云数据。由图像对比分析可知, 相比通过寻找对应点计算关系矩阵从而配准图像的SURF算法, 采用计算出的旋转平移矩阵进行配准更加精准。

为了满足“察打一体化”无人机精确打击目标的要求, 针对现有目标定位算法的准确率低、实时性差的特点, 本文提出了一种基于图像配准的无人机目标精确定位算法。该算法主要分为两个阶段: 特征点检测阶段和目标精确定位阶段。首先采用基于侧抑制竞争的特征点检测算法, 实现局部图像中目标特征点的检测工作; 然后利用图像局部信息的配准算法, 完成目标所处的局部区域图像的精确配准工作, 最终实现了目标的高精度定位。实验结果显示该算法的定位精度可以达到 0.21 m, 能够满足精确作战时的目标情报保障需求。

为了克服三维重建高度依赖标定板, 满足3D打印模型的工业需求, 提出基于图像自标定的高效3D打印模型生成方法, 无需借助标定板计算相机参数, 直接使用单相机采集序列图像进行三维重建。为了克服基于自标定方法易受图像质量和特征点匹配精确度的影响, 根据人机交互与自适应分割算法相结合的方法去除原始图像背景及过滤噪声, 使图像感兴趣区域特征更为明显, 采用快速稳定特征算法提取序列图像中特征点并根据特征点的匹配度进行精确的特征点匹配, 再使用匹配信息自标定求解得到相机模型参数, 最后根据相机模型以及特征点信息完成三维目标的稠密重建。实验结果表明, 自标定及重建方法对大小各异, 表面材质不同的目标均可实现重建。

为了准确获取空间目标跟踪、视觉导航等领域中目标的三维姿态,进行了目标三维姿态单目视觉测量方法研究.提取图像目标的典型特征点构造出直角三角形,并通过其边长比例先验信息以及弱透视成像模型推导出目标三维姿态的单目解算算法.与传统测姿方法相比,该算法在相机焦距等内参量未知条件下依然可解算姿态,增大了测姿应用范围；与传统迭代测姿方法相比,避免了循环迭代求解过程,无需设置迭代初值,提高了解算效率.数值仿真试验结果表明目标在离相机1~3 km成像时姿态测量误差低于1.5°；实际图像序列测量结果表明目标俯仰角和偏航角测量结果拟合残差小于1°,翻滚角拟合残差小于2°.实验验证了算法的正确性和稳定性,表明该算法在内参量未知条件下能有效测量中远距离成像目标三维姿态.

研究了基于机器视觉的三维重建技术。利用普通的数码摄像机拍摄图片，通过摄像机定标、特征点检测和匹配、基础矩阵和本质矩阵计算来实现图像的三维重建。采用张正友标定方法的相机标定工具箱实现了相机的标定，利用尺度不变特征变换(SIFT)特征点的检测和匹配方法进行了图像特征点的检测和匹配，采用RANSAC算法计算基础矩阵，最后利用相机内参数和由基础矩阵获得的本质矩阵重建物体的特征点，并进行纹理贴图。实验结果表明利用这些图像可以进行物体重建，并且能够很好地反映出物体的三维特征。