单目视觉中的参考点共面问题是计算机视觉领域内一个基础而重要的问题。建立了针对共面参考点的PnP（Perspective-n-Point）问题模型，并提出了一种稳健的解决方法，具体包括直接法和迭代法两个部分。在直接法环节，针对位姿恢复过程中存在的尺度不统一问题，利用奇异值分解方法对旋转矩阵的恢复进行改进，获得相机位姿估计结果，并将此结果用作迭代法的初始值。在迭代法环节，介绍了以物方空间共线性误差为目标函数的正交迭代算法，为提升该算法的稳健性，研究了加权正交迭代算法，确立了重投影误差中外点的判定阈值并以此为依据引入了权重信息。实验结果表明，在参考点数量较少或少量异常值存在的条件下，所提方法具有良好的计算精度及稳健性，有较高实用价值。

近年来仿生扑翼飞行器利用视觉系统自主飞行成为一个具有广泛前景的研究方向, 然而, 其有限的带载能力对视觉传感器的类型、尺寸和重量提出了严格要求。目前商用图像处理模块的尺寸和重量较大, 且需要回传图像信息至地面控制系统处理, 文章旨在设计一款轻量化机载单目视觉系统, 帮助微型仿生扑翼飞行器获取外界信息并实现智能自主的飞行。相比于其他图像处理模块, 此系统以国产高算力芯片K210为核心进行设计, 可脱离电脑端完成图像处理, 尺寸仅为2.2cm×2.3cm, 重量仅为3g, 内部兼容轻量化网络模型实现分类识别, 通过串口进行信息交互, 控制扑翼飞行器实现手势识别和目标追踪。

为了提高组合导航系统的可靠性与位姿估计的精度，把偏振定向传感器引入同步定位与建图过程，提出并设计一种新的偏振光辅助的视觉惯性组合导航系统。采集偏振定向传感器、单目视觉相机及微惯性测量单元的数据，对多传感器数据进行时间戳对齐和预处理后，利用最小二乘优化方法建立目标方程，通过求解非线性方程组获取最佳的运动估计。该系统根据天空偏振分布实现了方位角的可观性，并融合了多传感器数据。基于上述组合导航系统进行户外车载实验，实验结果表明：在2 km的长距离运行中，相比原始视觉惯性系统，偏振光辅助的视觉惯性导航系统的位置误差降低了16.7%，航向角精度提升了23.4%。偏振定向传感器的接入能够抑制惯性器件测量值的漂移，改善导航系统的位置精度和姿态角精度，可满足卫星信号受到干扰等环境下的位姿估计精度和可靠性要求。

针对位姿测量系统会增加被测物重量的问题，设计了网格结构光的视觉位姿测量系统。提出了一种基于二维平面靶标的网格结构光标定算法，利用靶标和结构光的共面性，同时标定网格结构光和相机，实现被测物表面三维点云的获取。为了验证网格结构光点云测量精度，进行了结构光标定实验以及点云精度验证实验，结果表明点云精度在0.04 mm以上。研究了点云配准的位姿测量算法。采用采样一致性初始配准（SAC-IA）算法对测量点云与参考点云进行粗配准，为后续点云精配准提供较好的初始位置。采用改进的迭代闭合点（ICP）算法进行点云精配准，引入随机采样一致（RANSAC）算法和法向量阈值过滤匹配点，以点到面的距离为误差函数，实现位姿测量。进行了点云配准算法对比实验和位姿测量实验，实验结果证明：被测物发生旋转运动时，该系统的最大误差不超过0.25°；平移运动时，最大误差不超过0.35 mm。

在进行三维重建、场景理解等计算机视觉任务时，从二维图像中恢复三维空间中的深度信息是一项基本的任务。当前使用深度学习完成该任务时，精确度较高的方法往往需要巨大的数据量，而这些数据的获取通常复杂且开销大。针对这个问题，提出了一种基于迁移学习的全局自注意力编解码网络。所提网络以单张图像作为输入，在编码时的每一个阶段都具有全局性的感受域，解码后把深度回归任务转化为一种分类任务，在保证模型精确度的前提下大大降低所需的训练数据量。实验结果表明，与当前先进的深度估计网络AdaBins和DPT-Hybrid相比，所提网络在均方根误差上降低了约2.2%和0.3%，在训练数据量上降低了约80%和99.6%。