针对相机内参数已标定和未标定情况下的相机位姿求解, 提出了基于共面直线迭代加权最小二乘的相机位姿估计算法。推导了关于相机焦距和位姿参数的线性方程, 通过4条以上共面直线实现了相机位姿参数的线性解算; 对参数线性解进行迭代加权最小二乘优化, 得到更高精度的参数估计值和直线权值; 最后, 利用直线权值和欧式变换的保距性实现相机焦距的解算, 得到了相机焦距和位姿参数的估计值。仿真实验表明: 提出的算法在相机已标定, 直线数为20, 像点噪声方差为5 pixel的情况下, 角度误差小于0.2°, 相对平移向量误差小于0.5%, 耗时大约为1 ms。真实数据实验表明, 提出的算法可以获得与棋盘标定结果相近的精度。与现有算法相比, 提出的算法抗噪性更好, 精度更高, 能够实现基于单幅图像的未标定相机的位姿估计。

提出了基于轮廓模型的复杂背景弱纹理目标单应优化方法。算法在随机抽样一致(RANSAC)框架下实现了初始变换的求解，通过优化法向距离实现了单应的优化求解。为了快速稳健地求解初始单应，算法随机选取三条满足一定几何约束的直线段进行假设变换关系的求解，通过选取使得投影误差最小的变换关系作为单应初值。为了解决复杂背景条件下模型-图像对应错误引起的优化失败问题，在模型-图像点匹配阶段，算法为每个采样点保留多个图像点对应，同时在对样本点进行加权过程中，该算法综合考虑了样本点自身的属性和样本点同周围点的关系，有效提高了稳健性。实验结果表明：该方法能够实现复杂场景目标单应的优化求解，相比传统的方法，该方法能够有效克服复杂背景的干扰，实现弱纹理目标单应的稳健估计。

为了求解复杂环境下目标的位姿, 提出了基于多直线对应的加权最小二乘位姿估计算法。首先对模型直线进行等间隔采样, 并沿采样点投影法线方向搜索图像点对应; 然后利用图像点对应局部和全局特性对样本点进行加权; 最后通过优化法向距离实现目标位姿的优化求解。为了解决模型-图像对应错误引起的优化失败问题, 算法在模型-图像点匹配阶段为每个采样点保留多个图像点对应, 通过随机Hough变换(RHT)算法将图像点对应约束在直线上, 并为每条模型直线保留多图像直线对应。在对样本点进行加权时, 综合考虑了样本点自身的属性和样本点同周围点的关系, 有效提高了算法对纹理, 背景, 噪声等的鲁棒性。实验结果表明: 提出的方法能够实现复杂环境下目标位姿的优化求解, 其在x方向、y方向和z方向的角度估计误差分别优于0.4, 0.3和0.1°; 在垂直光轴方向和沿光轴方向的相对位置误差则分别优于0.03%和0.1%。相比单假设方法, 提出的方法能够更有效地克服复杂背景干扰, 实现特殊视图目标位姿的稳定估计。