为进一步提高事件传感器光流估计的精确度，解决平面拟合算法的拟合模型误差问题，提出一种事件传感器平面拟合光流估计改进算法。该算法采用Prim贪婪算法思想，从事件流中提取有效事件，获取最优局部邻近事件集，为后续光流估计奠定基础。同时，采用特征值算法代替传统最小二乘法，结合贪婪算法下事件集内数据的优劣排序，优化平面拟合模型的建立，提高光流估计算法的精确度。实验结果表明，相比于现有的基于平面拟合的事件传感器光流估计算法，该算法在平均端点误差和平均角度误差两个指标上分别约提升20%和11%，有效提升了事件传感器光流估计算法的精确度。

direct driver（DD）马达的端面全跳动直接影响着其定位精度。由于端面全跳动测量复杂，实际生产中一般使用千分表测量其端面跳动来近似替代。此方法易损坏被测物的表面，效率低下且精度不高。针对上述问题，提出一种基于点云驱动的DD马达端面全跳动测量方法。首先，采用线激光传感器获得DD马达表面的点云，该传感器使用激光三角测量法测量被测物的距离，Z轴测量精度为1.8~3.0μm，重复精度为0.4μm；其次，使用均匀下采样算法压缩点云；接着，设计一种基于曲率和密度的混合分割算法分割压缩后的点云，获得DD马达工作面的点云；然后，对工作面点云进行异常值分析，并采用基于拉依达准则的算法将异常值剔除；最后，使用随机抽样一致性算法对点云进行平面拟合，获得点云平面方程，并将该平面作为基准面计算DD马达的端面全跳动。实验结果表明，所提方法测量结果为16.8458μm，与参考结果（15μm）在微米级别上误差为12%左右，满足工业精度要求，有效验证了所提方法的优越性。此外，还基于点云库、Qt和Visual Studio平台开发了DD马达端面全跳动测量软件，实现了数据显示、点云处理、一键测量、数据管理等功能。

仿生复眼系统解决了传统单孔径光学系统中视场与分辨率的矛盾关系, 兼具了较大的视场和高分辨率。但随着视场和分辨率的增加, 图像信息增多, 随之带来了图像拼接中效率和质量问题。针对该问题, 提出一种基于改进尺度不变特征转换(SIFT)算法和主成分分析(PCA)算法的仿生复眼多路图像拼接融合方法。该方法缩小了特征点提取区域, 减少了多路图像特征点匹配次数, 降低了图像特征点描述符的维度。再利用改进的自适应迭代随机抽样一致(RANSAC)算法对特征点进行提纯增加鲁棒性, 最后通过加权平均算法来完成对多幅子图像的高质量融合。实验结果表明, 该算法设计合理, 且随着图像信息的复杂程度增加, 相较传统算法的拼接效率不断提升, 同时保证了较好的拼接质量, 可有效拼接融合仿生复眼系统多路图像, 对多路图像类系统拼接融合提供借鉴。

针对无人机影像匹配容易出现匹配速率低、鲁棒性差的问题，提出一种改进AKAZE（accelerate-KAZE）算法的快速图像匹配方法。首先，在特征提取阶段，使用AKAZE算法对非线性尺度空间进行构建，采用fast retina keypoint（FREAK）描述符对特征点进行有效描述；之后，利用基于网格的运动估计（GMS）方法对所获得特征点进行预匹配，并进行鲁棒性优良的区分；最后，在随机抽样一致性（RANSAC）算法的基础上对匹配结果进行进一步筛选。为了验证所提方法的有效性，使用Oxford标准图像数据集和RSSCN7遥感图像数据集进行实验，对所提方法与改进AKAZE、ORB、KAZE、SIFT+FREAK算法进行对比，确保所提方法在保持较高准确率的同时能够实现快速的图像配准。在图像光照变化、模糊变换及压缩变换下，所提方法能够保持较好的鲁棒性，可以满足无人机影像实时匹配的需求。

三维扫描获取待测对象点云时，不可避免地会出现噪声点和异常值，严重影响点云平面参数估计和平面拟合精度。随机抽样一致性（RANSAC）和主成分分析（PCA）结合的算法可以有效估计点云平面参数并拟合平面，具有一定鲁棒性，但RANSAC算法每次迭代时都需要判断以区分内点与外点，具有冗余性，对运行效率有一定影响，同时其估计结果也会受到迭代次数的影响。针对以上问题，提出了一种结合最小平方中值（LMedS）和PCA的算法拟合点云平面，并选取3种点云模型进行实验，分别为Semantic3D户外场景点云数据库、线激光传感器获取的零件表面点云及普林斯顿大学的室内数据集。实验结果表明，在十万数量级点云中，LMedS算法可以有效估计点云平面参数，与RANSAC算法相比，LMedS算法不仅可以有效估计平面模型，且运行速度有一定提高，耗时少，两者的精度相当，是一种具有较强鲁棒性和优势性的点云平面拟合算法。

针对传统视觉同时定位与地图构建（vSLAM）系统在动态场景中无法有效去除运动物体及缺少可用于更高层应用的语义地图等问题，提出了一种可有效去除动态物体并构建表征室内静态环境的语义八叉树地图的vSLAM系统方法。首先，使用Fast-SCNN作为语义分割网络提取图像的语义信息，同时，利用金字塔光流法对特征点进行跟踪匹配。然后，使用步进随机抽样一致算法（Multi-stage RANSAC）通过多次执行不同尺度的RANSAC流程对特征点进行步进采样，再利用对极几何约束并结合Fast-SCNN提取的语义信息进行视觉里程计动态特征点剔除。最后，通过体素滤波降低点云冗余后构建纯静态环境的语义八叉树地图。实验结果表明：所提方法在公用数据集TUM RGB-D的8个RGB-D高动态序列中测试的相机相对位移误差、相对旋转误差和全局轨迹误差相较于ORB-SLAM2系统有94%以上的提升，全局轨迹误差仅为0.1 m；相较于同类DS-SLAM系统，动点剔除总耗时有21%的缩减。建图性能方面，经体素滤波后构建的语义点云地图与语义八叉树地图分别占据9.6 MB、685 kB的存储空间，相较于17 MB的原始点云，语义八叉树地图仅占用其4%的存储空间并因含有语义可用于更高层次的智能交互任务。

针对基于传统特征点匹配的双目视觉测量方法误匹配率高和测量精度低的问题,提出了一种基于ORB(Oriented Fast and Rotated Brief)特征与随机抽样一致性(RANSAC)的双目测距方法。首先,基于双目位置信息的极线约束与基于汉明距离的特征匹配方法删除误匹配点,得到初步筛选的正确匹配点对。然后,基于k维树的近邻点顺序一致性约束方法筛选出初始内点集合,并采用迭代预检验方法提高RANSAC的匹配速度。最后,为了提升测量精度,采用二次曲面拟合得到亚像素点视差并计算实际距离。实验结果表明,本方法可以有效提高特征的匹配速度及测量精度,满足实时测量的要求。

针对随机抽样一致性(RANSAC)算法在特征点匹配中存在的精度低、稳定性差等问题,提出了一种基于平滑约束和聚类分析的图像配准算法。首先,利用邻域匹配特征点的尺度信息及空间角度顺序构建平滑约束,将初始匹配点划分为高内点率的抽样集和高内点数的验证集;然后,通过反复抽样和模型检验求解暂定内点集,并对其进行聚类分析,根据聚类中心在图像重叠区域的分布质量选取最优内点集;最后,利用最优内点集求解模型参数,实现图像的稳健配准。仿真结果表明,相比RANSAC算法,本算法的配准精度提高了26.83%,误差标准差由0.68降至0.19。