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。

针对在轨服务任务如何在近距离处获取空间非合作目标的相对位置和姿态的难题,提出一种三目立体视觉测量方法。首先利用三台呈等边三角形布置的大视场可见光相机获取图像;然后采用所提方法对特征点进行匹配;接着采用RANSAC方法解算被测目标在世界坐标系下的位姿参数;最后通过对非合作卫星模型的静止、位置移动和姿态转动进行实验。实验结果表明,静止状态下的相对位置精度优于2.2 mm,相对角度测量精度优于0.3°;当模型位置移动时,绝对位置精度优于3 mm;当模型姿态转动时,相对位置精度优于5.6 mm,相对角度测量精度优于1.7°,说明所提方法可以改善双目立体视觉技术在测量角度大的区域易出现测量盲区、特征点定位误匹配和测量视场有限的不足。

视觉定位系统中,图像匹配的精度直接影响整个定位系统的精度,针对图像匹配中存在的误匹配率较高等问题,提出了一种基于多层次FAST(MFAST)和优化采样的随机采样一致性(RANSAC)算法的图像匹配算法。首先采用MFAST算法提取角点,运用加速稳健特征算法确定主方向生成特征描述符;然后在基于RANSAC的框架下,利用改进的加权K-最近邻分类方法选取新的样本集合计算出最佳模型参数,从而剔除误匹配点。在真实场景下进行实验,结果表明,与传统算法相比,该算法能高效剔除误匹配点,提高图像的匹配精度,且满足实时性要求。

基于光电跟踪设备对空间目标进行跟踪测量时, 由于电磁干扰、云层遮挡或者地影等因素的影响, 造成空间目标成像在设备视场中无法提取, 严重时甚至导致系统闭环跟踪不能平稳进行。此时可以采用理论引导的方式, 利用预测轨迹继续进行跟踪搜索。本文将广泛用于计算机视觉领域特征提取的随机抽样一致性 (RANSAC)算法引入轨迹预测, 并根据观测数据分布的特点进行改进提出 WRANSAC算法, 用于实时处理有限的历史观测数据, 进行轨迹预测。引入该算法后, 在对空间目标轨迹预测时, 对历史观测数据的容错能力提高, 对模型的敏感性降低, 预测结果的准确性和鲁棒性远远优于最小二乘法。通过对比预测轨迹和实际轨迹, 证明了该算法的有效性。