在目标识别和图像配准等领域中,进行特征点匹配时一般都会产生误匹配点,对误匹配点的准确剔除可以有效提升识别精度及配准精度,因而成为研究的重点。当前比较成熟的剔除算法,如random sample consensus(RANSAC)、M-estimator sample consensus(MSAC)等,经常会出现剔除部分正确匹配点的情况。针对当前存在的问题,提出了一种基于Pearson相关系数,对长度和夹角进行双约束的误匹配点剔除算法。所提算法首先粗剔除误差较大的误匹配点,进而通过迭代的方式对误差较小的误匹配点进行精细剔除。多幅图像的实验结果证明,所提算法能在剔除全部误匹配点的基础上保留绝大部分正确匹配点,与对比组算法相比,保留正确匹配点的比例更高,有效地降低了误剔除率,对提升图像匹配的准确度具有重要意义。

多视点云拼接技术是物体三维测量过程中的重要环节。现有的无标志点三维点云自动拼接方法在对不同表面进行测量拼接时稳定性较差。针对此问题，提出了一种基于几何特征和图像特征的点云自适应拼接方法。该方法建立了一个配准算法选择模型，通过引入配准算法判断因子来综合评价物体表面的几何、纹理复杂程度，从而系统可根据判断因子自适应地选择合适的配准算法，实现基于几何特征配准和基于图像特征配准的有机结合。并在特征点匹配过程中，采用随机抽样一致（RANSAC）算法对误匹配特征点进行剔除。实验结果表明，该方法可实现不同表面的稳定点云拼接。

大型零件三维测量过程中常需要粘贴较多的标志点来进行自动拼接。由于人工粘贴标志点的随机性与噪声等因素的影响，标志点自动匹配时极易产生误匹配标志点，影响了多次测量时点云数据自动拼合的稳定性。针对此问题，在实现标志点自动匹配的基础上引入随机抽样一致(RANSAC)算法去除误匹配标志点。该方法根据选定好的目标模型和相关评判准则，将所有的匹配标志点分为内点和外点，利用内点计算出当前最佳目标模型参数，经过一定次数的随机采样后计算出最终的最佳目标模型参数，从而有效地去除大型零件点云数据自动拼合过程中出现的距离误匹配标志点和噪声误匹配标志点。模拟实验和拼接实例表明该方法是可行的，能有效地提高大型零件点云数据自动拼合的稳定性。