针对机载全景视频流影响，提出了一种基于嵌入式的全景实时拼接方法。提取图像中的SURF(speeded up robust features)特征点，生成特征描述子。通过计算2个特征点之间的欧式距离来确定匹配度，经过仿射变换后，利用泊松变换实现图像间的融合平滑处理。将上述流程在目标设备上进行并发执行，根据每个流程自身的特点进行定制化优化，实现全景实时拼接。试验测试表明，本方法实现了拼接接缝处基本无缝的效果，拼接速度达到30 Hz，能够满足实时显示的要求。

针对点云配准过程中点云数据量大、配准时间长、配准精度低的问题，提出了一种基于内部形态描述子（intrinsic shape signatures, ISS）和三维形状上下文描述子（3D shape context, 3DSC）的点云配准算法。该方法首先使用体素网格滤波器对点云进行下采样，接着利用ISS算法提取特征点，并通过3DSC进行描述，然后通过改进的随机采样一致性（randon sample consensus, RANSAC）算法进行粗匹配，最后用改进的迭代最近点算法（iterative closest point, ICP)对点云进行精匹配。试验结果表明，与基于ISS+3DSC的三维正态分布变换(normal distribution transformation, NDT)算法和基于采样一致性初始配准（sample consensus initial aligment, SAC-IA）的ICP算法相比，本文算法的配准精度及效率更高，且对于数据量大的点云也有较好的匹配效果。

针对局部缺失点云配准时精度不高和收敛过慢等问题，提出了一种基于扩展高斯图像聚类的快速点云配准算法。通过将点云映射到扩展高斯图像中进行聚类后逆映射实际点云获取待配准的子点云，进而规避局部缺失带来的干扰；此外，为提高计算效率和配准精度，采用距离-曲率描述子查询对应点对进行奇异值分解进行粗配准，并结合迭代最近点精配准算法实现点云配准过程。实验结果表明，该算法对于局部缺失点云具有较高精度（均方误差相对于结合ICP的传统算子FPFH降低了近17.9%），且相比其它算法有一定的速度优势（耗时相对于结合ICP的SHOT算子加速了近32.5%）。该算法可以有效的运用在局部缺失点云的位姿识别中，从而可以被广泛地应用于工业现场中三维物体的快速识别定位。

对图像特征中的局部聚集描述子向量（Vector of Aggragate Locally Descriptor，VLAD）特征进行研究后发现，该特征缺乏尺度不变特征变换（Scale Invariant Feature Transform，SIFT）描述子的空间分布信息，为了提高图像检索的准确率，提出利用空间分布熵改进VLAD的方法。首先，求取图像中的VLAD特征。其次，将SIFT描述子的空间分布信息根据描述子与聚类的对应情况，分为若干个集合。再次，在每一个集合中生成空间分布熵，将所有集合的熵值表示为空间分布熵向量。最后，利用该向量表示描述子的空间分布混乱程度，并将该向量与VLAD结合使用。实验结果表明，在码本大小为64时，在Holidays数据集上可以将平均准确率由0.519提升至0.601，在Oxford5k数据集上可以从0.395提升至0.408。该方法利用VLAD特征大幅度提高图像检索的平均准确率。

针对SURF（speeded-up robust features）算法计算量大、图像拼接效率低的不足，以FAST （features from accelerated segment test）角点取代SURF斑点在图像重合区域提取特征点，使用SURF描述子进行特征点描述，通过描述子降维、自适应最近邻与次近邻比值法、几何约束法剔除错误匹配点，提高匹配的准确性。匹配完成后，通过减少样本集的个数和舍弃不合理参数模型来改进RANSAC（random sample consensus）方法，获取单应性矩阵，最后进行图像变换、融合和拼接。实验结果显示，该图像拼接算法与传统的SURF算法相比，图像拼接总时间减少了12%，拼接效率得到了显著提高。