为了解决视觉-惯性里程计（VIO）在室外复杂环境中图像特征信息不足和累计误差的问题，设计提出了一种基于点线特征的单目VIO和全球卫星导航系统（VIO-GNSS）定位算法。首先，提出了一种基于几何约束的最小化策略对提取的线特征进行前后帧间约束匹配，改进了基于点线特征的单目VIO算法；在此基础上，建立了改进的VIO-GNSS松耦合定位模型，利用GNSS全局观测值对VIO位姿估计的累计误差进行校正和抑制。在KIITI数据集和实测数据集中进行了实验验证，结果表明，与几种同类算法相比，提出算法在GNSS信号良好/间断/拒止的大型室外复杂环境中均可保持良好的精度和鲁棒性，且满足驾驶定位的实时性要求。

针对目前单目同步定位与建图(SLAM)初始化方法鲁棒性差、精度低的问题,提出了一种基于点线特征的单目SLAM初始化方法。首先,在两帧图像之间提取线特征,并进行特征匹配。然后,通过最大化投影线特征的重叠长度优化两帧图像之间的初始旋转和平移矩阵。最后,用滑动窗口增加初始化的图像帧数,利用多帧图像的信息和约束关系以及全局光束平差法优化初始地图和估计的相机关键帧位姿。在TUM和OpenLORIS数据集上的测试结果表明,相比传统初始化方法,本方法的鲁棒性更好、精度更高,能在具有挑战性的场景中快速完成高精度初始化。

为提高视觉同时定位与建图(SLAM)回环检测的准确率和召回率,提出一种基于改进线带描述符(LBD)和数据依赖度量的点线特征视觉SLAM回环检测算法。首先,针对现有LBD二进制转换操作只在各个条带之间比较大小而忽略条带内部属性,从而导致匹配正确率低的问题,增加了条带描述子内部对比操作。然后,考虑到视觉单词词频分布信息对相似性的影响,采用基于数据依赖的方法进行图像相似度计算。最后,在公开数据集上对不同算法进行验证,结果表明,所提算法能够在100%准确率的情况下,获得更高的召回率。

针对激光雷达与相机数据融合问题，提出了一种基于室内结构特征的二维激光雷达和彩色相机之间的标定方法.该方法利用室内场景的柱特征，根据点在线上的位置关系推导激光雷达与相机坐标系间的投影矩阵方程.采用Canny算子和Hough变换提取墙角图像中直线特征，利用RANSAC方法拟合点云中的角点特征.通过奇异值分解法求解投影矩阵，在剔除重投影误差较大的点线特征数据后，进一步优化标定结果.实验结果表明：采用优化后的投影矩阵，柱子特征点的平均重投影误差从0.375 5个像素降低至0.045 9个像素.与两步标定法相比本文提出的算法具有更好的重投影效果.同时该方法不需要特定的标定物体，仅用较少的时间即可实现较高的投影精度.

针对遥感影像中单独利用点特征或线特征容易出现匹配精度低和匹配失败的问题,提出一种融合点线互补特征的遥感影像全自动配准算法。首先利用改进的尺度不变特征变换(SIFT)算法获得初始匹配点,并采用归一化互相关(NCC)测度和随机采样一致性算法剔除可能的误匹配情况,以获得正确率较高的同名点。然后采用改进的线段检测算子(LSD)提取线段特征,通过已知单应性几何变换约束和斜率约束确定候选匹配线段并构建特征描述符,继而获得同名线段。最后提取同名线段的交点并集成第一步的同名点集,计算影像间的投影变换参数以实现影像的配准。实验结果表明:所提算法在匹配精度以及匹配的正确率等方面具有显著优势。

利用点特征求解单目相对位姿是现在普遍采用的方法,但在纹理不明显、角点少的场景下,仅依靠点特征难以得到理想的结果。鉴于此,结合惯性测量单元的测量数据和平面场景存在的单应性约束,提出了基于点线特征结合的单目相对位姿估计算法。先利用惯性测量单元提供的旋转角信息将2帧连续图像校正为正下视图像;再对图像中的点线特征进行检测和匹配;最后根据点线特征的单应性约束求解正下视图像之间的相对位姿,进而转化获得原始图像之间的相对位姿。仿真实验和实物实验结果证明,所提算法能够有效地求解单目相对位姿。

为了解决地下工程场景下巡逻机器人的定位与建图问题,提出了一种基于点线特征融合的半直接单目视觉里程计(SVO)算法。本文算法可分为特征提取、状态估计和深度滤波器3个线程。特征提取线程负责图像点、线特征的提取;状态估计线程利用点、线特征不同的匹配与跟踪策略获得相机的6自由度位姿,并通过帧与帧、特征与特征、局部帧之间的约束关系进一步优化相机位姿;而深度滤波器线程通过概率分布的方式刻画三维路标点相对于相机光心的深度信息,该方式相对于固定深度值的方式能够提高深度估计的稳健性。本文算法在Euroc公开数据集运行的平均定位精度相对于LSD-SLAM算法提高了17.6%,而在Tum公开数据集上运行的平均定位精度相对于SVO 算法提高了6.4%。利用加载摄像头的机器人平台进行测试,实际运行的定位误差大约为1.17%,满足实际需求。