随着农业机器人技术的不断进步和发展，利用机器人采集和处理特定农作物图像信息在农业应用领域中越来越重要，针对传统图像处理方法提取的玉米植株轮廓不完整甚至是缺失的问题，提出一种改进的玉米植株轮廓提取方法。采用HSV颜色空间对玉米植株的绿色叶部分进行图像提取，同时使用RGB通道分离方式对红色的根部分进行图像提取，在得到叶部、根部图像后使用F-B算法选取特征点并对特征点进行描述和匹配，并利用随机抽样一致性算法剔除错误的匹配点，最后用加权融合方式对图像进行拼接并选用Sobel算子提取植株轮廓。实验结果表明，F-B算法相比于传统scale-invariant feature transform（SIFT）、speeded up robust features（SURF）、oriented FAST and rotated BRIEF（ORB）算法在匹配速度、精确度上有所提升且匹配准确度高于80%，使用Sobel算子提取植株图像轮廓，获得的图像清晰度和完整度较好。该方法能够在较快速度和较高的精准度下实现对玉米植株的轮廓提取。

针对传统基于线结构光的视觉测量系统存在光条纹分割精度低的问题，提出了一种改进U-Net的光条纹分割算法。改进算法使用VGG16的卷积池化层代替U-Net编码块中的卷积池化层，在U-Net编-解码层间的跳连接中引入坐标注意力机制，在U-Net编码块末端接入金字塔池化模块，采用Dice函数和交叉熵函数的组合作为网络的损失函数，解决了光条纹占比失衡问题。基于线结构光测量原理，设计了工件尺寸测量系统。实验结果表明：改进U-Net算法的平均像素准确度（mpa）为95.61%，平均交并比（mIoU）为89.73%，均高于其他对比算法；工件测量尺寸的绝对误差小于0.1 mm，相对误差小于1%，重复精度小于0.2%，满足工件的检测要求。

针对传统的迭代最近点（ICP）算法计算量较大、效率较低、易受点云初始位姿影响等缺点，提出一种基于normal distribution transform（NDT）和特征点检测的点云配准算法。该算法采用“粗细结合”的配准策略，首先对点云进行预处理；然后采用NDT算法对处理后的点云进行粗配准，为精配准提供较理想的初始位姿；再利用3D-Harris特征点检测算法提取点云特征点；最后利用ICP算法对提取特征点后的点云集进行精细配准，得到最优解。仿真结果显示，与传统算法对比，所提算法进一步提高了点云配准的效率和精确度。

针对定位跟踪时不同环境的复杂光照变化特点,提出了一种自适应阈值的ORB(Oriented FAST and Rotated BRIEF)特征点提取方法。该方法首先通过自动计算图像块周围的特征点自适应提取阈值,利用该阈值实现图像特征点提取,接着采用水平双目模型进行特征点跟踪。利用数据集在不同环境场景中与不同方法进行对比实验,实验结果表明所提改进的方法在特征点提取时具有更大的检测范围、更快的提取速度以及更好的稳定性,并且在轨迹追踪对比中具有更好的RMSE表现。

针对传统的迭代最近点（ICP）点云配准算法存在收敛缓慢、配准时间长、重叠率过低导致的匹配错误等问题，提出了一种以分块提取特征点为核心、块状配准点云重叠率为约束的改进ICP配准算法。首先，计算点云的平均距离密度，在设定的数量阈值内对点云进行分块，并从分块后的点云中并行提取尺度不变特征变换（SIFT）特征点，采用快速点特征直方图（FPFH）进行特征描述；然后，利用采样一致性初始配准（SAC-IA）算法实现点云的匹配，同时以块间匹配率50%作为依据，提取点云的重叠区域；最后，基于匹配的特征点计算初始姿态，在此基础上利用重叠部分实现两块点云的精确配准。实验结果表明，重叠率较低的点云经分块及重叠区域提取后，可以大幅缩短运行时间，提高配准精度。

针对传统尺度不变特征变换(Scale Invariant Feature Transform, SIFT)算法存在特征点冗余和计算量大等问题,提出一种基于双预筛选的强鲁棒性SIFT算法。首先在构造差分空间之前,利用像素点8邻域标准差相似度方法对特征点进行预筛选,然后利用极值检测方法对特征点进行精确定位。针对传统随机采样一致性(RANSAC)算法存在匹配效率低等问题,提出一种自适应三维多峰直方图投票的方法,采用该方法对初始匹配进行筛选,筛选结果作为RANSAC的初始内点集并对初始匹配进行提纯,最后在最优内点集中对模型参数进行计算。实验结果表明,所提算法在不同类型的图像中,相较于传统SIFT+RANSAC算法,特征点的检测时间平均减少11.7%,总运行时间平均降低10.7%,正确匹配数平均提升2.8%;召回率与F值分别平均提升4.9个百分点与2.7个百分点,说明所提算法的综合性能具有有效性。

针对传统图像拼接方法处理速度慢、效率低、无法满足高分辨率图像快速准确拼接的需要,提出一种基于ORB特征的高分辨率图像拼接改进算法。首先在ORB特征点提取的基础上,采用汉明距离进行快速粗匹配;然后基于渐进采样一致性(PROSAC)算法对匹配点对进行优化,去除误匹配点对之后,求解图像变换矩阵;最后采用渐入渐出加权融合算法对图像重叠区域进行融合,去除拼接痕迹。实验结果表明,相较于传统算法,本文算法不仅在处理速度上具有明显优势,而且匹配准确度更高,能够对高分辨率图像实现快速准确的拼接。

为了提高点云的配准精度,解决单一特征导致迭代最近点(ICP)算法在噪声干扰和数据缺失的情况下鲁棒性差的问题,提出一种基于邻域表面形变信息加权的点云配准方法。先为简化点的邻域信息提出以邻近点数量为约束的邻域构建方法,考虑邻近点对采样点的影响并引入加权方法提高内部形态描述子(ISS)特征点提取算法的提取效率;计算邻域的法向量内积均值对点云进行第二次特征点提取;再利用快速点特征直方图(FPFH)进行特征描述,并运用双重约束条件确定匹配点对关系;最后在配准阶段,采用双向k维树ICP(DTICP)算法来实现精确配准。实验结果表明,与经典ICP算法相比,所提方法能够在噪声环境下有效配准缺失点云,具有较好的鲁棒性和抗干扰性。

针对三维点云数据分割算法准确度低的问题,提出了一种结合点云骨架点和外部特征点的分割算法,所提算法可将传统方法分割不出来的局部小范围凸面体进行有效分割,从而使得三维点云数据分割得更为完善,为三维点云分割提供了新思路。利用C++及其开源的点云库进行编程,利用L1-中值算法对三维点云进行骨架点的提取,利用尺度不变特征变换算法进行特征点的提取,结合骨架点和特征点构建分割平面进行分割,再对剩余的特征点进行检测,再次构建分割平面进行分割,得到最终的结果。实验结果表明,该算法能对三维点云表面的小范围凸面体进行有效分割, 提高了分割的准确性。