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。

结构化场景图像的纹理较为单一, 可提取的局部特征较少。在宽基线情况下, 基于图像局部特征的匹配方法很难获取正确匹配, 导致匹配精度降低。为此, 提出了一种以图像局部特征匹配为基础进行配扩展的方法。匹配扩展时, 将图像中线段的两端点作为匹配的基元, 利用线段两端点在不同视点间的共线性和对极约束限定候选匹配的搜索空间, 剔除错误匹配, 进行匹配关系的传播。实验结果表明: 当图像存在一定的尺度和视点变化以及明显的光照变化时, 该方法能够有效地增加匹配的数目, 为精确的极线几何估计和三维重建奠定了良好的基础。

近红外(NIR)光谱一般具有较多的波长变量数, 对其直接或间接地进行变量选择是提高模型稳定性能及预测性能的关键。 最小角回归(LAR)是一种相对较新和有效的机器学习算法, 常用于进行回归分析和变量选择。 面向光谱建模应用, 提出一种LAR结合遗传偏最小二乘法(GA-PLS)的变量选择方法, 可有效筛选出少数特征波长点。 首先在全光谱区利用LAR消除变量间的共线性得到初筛波长点, 然后用GA-PLS对LAR筛选出的波长点进一步优选从而得到最终建模用的特征波长点。 为验证本文方法的有效性, 以药片和汽油的近红外光谱回归分析作为应用案例, 对原光谱进行预处理后, 采用该方法进行变量筛选, 然后分别建模其中的活性成分含量和C10含量。 结果显示, 在这两个应用中, 最终优化得到的特征波长点数均只需七个, 而两者的预测决定系数R2p分别达到0933 9和0951 9, 与全光谱、 无信息变量消除法(UVE)和连续投影算法(SPA)等方法相比, 特征波长点更少, 同时R2p和预测均方根误差RMSEP值更优。 因此, LAR结合GA-PLS, 能有效地从近红外光谱中选择出信息变量从而减少建模波数, 提高预测精度, 拥有较好的模型解释性。 该方法可为特定领域的专用光谱仪设计提供有效的波长筛选工具。

采用理论分析和数值模拟研究了考虑相对论效应的自生磁场及其产生机制，给出了自生磁场的解析表达式，得到了温度梯度和密度梯度的非共线性所引起的自生磁场空间分布的时间演化关系。数值结果表明，当峰值强度为1019 W/cm2的激光作用于凹形靶前表面时，在等离子体表面领域观察到的自生磁场最大值为51×102 T量级，与实验测量结果相符合。