非球类物体形状结构复杂，利用点云直接进行配准易出现误匹配现象。针对该问题，引入流形上的测地距离结合物体的实际几何形状，将三维点云配准问题转换为聚类问题，提出一种基于流形聚类的多站点云配准方法。首先，将经粗配准后的三维点云划分为若干个聚类；然后，以测地距离作为聚类划分的依据更新聚类中心，同时更新刚性变换，再循环迭代此过程以获得最终配准结果；最后，由于在配准过程中计算测地距离矩阵时易产生计算消耗，引入热梯度法将点集在空间中的遍历过程转换为泊松方程的求解过程以提升效率，完成多站点云配准。在斯坦福大学公共数据集中的Bunny、Dragon等点云数据上的实验结果表明，所提方法可有效将非球类物体的配准精度整体提升20%∼30%。

提出一种基于超像素时空特征的视频显著性检测方法。所提方法可对图像进行超像素分割,提取颜色梯度和运动梯度特征,以构建超像素级时空梯度图。用平均加权测地距离来衡量时空梯度图上每一个超像素相对于其邻域的时空显著程度,形成时空显著图。根据时间域上目标运动的连续性,并借助熵的概念来表征运动模式的一致程度,构建运动一致性图。融合时空显著图和运动一致性图,通过自适应阈值处理定位运动目标。实验从可视化分析和定量评估两个方面将所提方法与其他算法进行对比,结果表明所提方法具有较强的抗环境干扰能力,适用于背景纹理复杂或环境随机变化的视频中运动目标的检测,其检测准确率高达92%。

关键点检测是三维人脸识别过程中非常重要的一步，为了提高关键点检测的准确度，提出了一种多特征相结合的三维人脸关键点检测方法。首先对训练集中的三维人脸手工标记关键点，计算三维人脸上每一点的不同特征值，得到每类关键点关于每个特征的均值和方差，其次对关键点和非关键点上的特征进行线性判别分析，得到与每个关键点相关的分值加权向量，将前面得到的均值，方差以及分值加权向量作为线下训练的结果输出。最后对于一个输入模型，结合线下训练的结果得到每个关键点的候选点，利用这些候选点构建人脸结构模型。再根据绝对距离约束，相对位置约束，FLM模型一致性分类，自旋图描述符等方法确定最终的关键点。实验部分，从CASIA-3D FaceV1和FRGC V2.0数据库中选不同姿态，不同表情，姿态与表情混合的三个数据集，对其进行关键点检测。实验结果表明，不同姿态的检测率为94.5%，不同表情的检测率为94%，和其他文献相比，检测率平均提高了20%，并且有着较高的运算效率。

为了提高人脸在姿态和表情变化下的识别率，结合局部平面距离（DLP）对曲面局部凹凸性优良的判断能力，提出了一种采用人脸的等距不变表示形式来匹配的人脸识别方法。首先，对深度摄像头采集到的深度图像进行距离约束、位置约束、转换等操作，得到干净完整的三维人脸，利用三维人脸上每一点DLP值确定鼻尖点，利用聚类的思想确定鼻根点；其次，采用改进的快速推进算法计算人脸的测地距矩阵，设置阈值并切割出有效的人脸区域；最后，计算有效的人脸区域的高阶矩特征，作为人脸的特征向量进行匹配。实验结果表明，对于不同的数据库，本文算法的识别率接近97%；将本文算法与基于轮廓线特征的人脸识别算法以及基于Gabor特征的人脸识别算法进行比较，其识别率分别提高了14.1%和8.3%，同时有着较高的运算效率。

提出了一种基于局部描述符的三维点云物体识别算法.算法首先得到点云的邻域、法线矢量等相关信息，通过邻域进一步得到形状索引值.特征点的提取以形状索引值为依据，以每个特征点为基点对曲面根据欧式距离和矢量夹角分割.分割的曲面片进行等间距划分为多个欧氏距离同心圆，以特征点切平面为基平面投影，并进行等角度抽样，通过抽样点相对特征点的法线矢量及测地距离变化曲线，建立曲面片的二维描述，从而把三维识别转化为二维.根据算法建立模型数据库，给定一个物体，通过和模型数据库中的曲面描述进行比对，得到潜在的识别结果，再通过迭代最近点算法，得到最终的识别结果.最后，通过大量具体实验验证了算法的有效性，并给出了算法的计算复杂度及耗时对比分析，说明了算法的高效性.