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。

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。

激光成像雷达能够获取反映目标三维空间位置的点云数据, 可直接估计目标三维姿态角, 是完成特征提取、目标配准等工作的重要参数。实现场景的三维姿态估计, 借鉴基于点法向量的三维姿态估计算法(PDVA), 针对真实场景中表征场景坐标系(SCS)坐标轴的正方向向量偏差较大的问题, 提出了一种优化的三维姿态估计算法(OPDVA)。该方法利用场景点云存在大面积近似平面区域的特点, 通过随机抽样一致算法(RANdom SAmple Consensus, RANSAC)的平面模型对聚类中其他方向的点法向量进行滤除, 得到最优拟合平面对应的法向量即为修正后的SCS坐标轴。利用旋转变换和重采样等技术手段, 分别采用矩形包围盒法、PDVA和OPDVA对3组真实场景距离像进行实验。实验结果表明: OPDVA方法对场景的姿态估计明显优于其他两种方法, 姿态估计误差不超过4°, 对存在遮挡的场景也同样适用。

针对图像特征误匹配数量大的问题，提出一种基于稀疏光流法的ORB图像特征点匹配算法。对特征点进行暴力匹配得到初始匹配点集，利用稀疏光流法计算特征点运动向量，估计出特征点在待匹配图像中的二维坐标位置，剔除偏离估计位置较远的特征点匹配对，最后利用随机抽样一致算法进行几何校验进一步优化匹配结果，达到剔除误匹配的效果。实验结果表明：该算法相较于ORB算子、SIFT算子、SURF算子准确率平均提升了21.6%，较RANSAC-ORB算法准确率平均提升了2%，且该算法对图像光照变换、视角变换、模糊变换、旋转和缩放变换和光照变化具有较好的通用性。

随着三维扫描技术的迅猛发展,点云数据的数据量变得异常庞大,这对点云计算的性能提出了更高的要求。因此,如何有效提高算法的执行效率一直是该领域的研究热点和难点。日益增大的数据量隐藏了丰富的三维(3D)形状模型,将形状模型参与到点云计算过程中,为提高点云计算的执行效率提供了一种新的方法和思路。利用3D几何特征分析技术,获取与形状相关的特征参数,并使其参与到点云分割过程中,提出了形状分割方法。利用八叉树算法组织点云数据,发现数据之间的相邻关系,依靠点云数据的密度自适应地双向线性调整八叉树并建立数据索引。使用规则图形建立3D形状模型库,实现模型与分割区域的匹配,进而提取分割区域的形状参数,为提高点云数据计算的精度和速度奠定基础。在分割效果和分割时间上,对比了不同算法,验证了基于形状的点云分割算法的可行性以及稳健性。

针对鞋面匹配中存在的尺度变化、光照变化以及噪声干扰等问题,提出基于加速稳健特征和对象请求代理(SURF-ORB)算法结合随机抽样一致(RANSAC)算法的鞋面匹配检测算法。采用SURF算法提取鞋面图像特征点;通过ORB算法对提取到的特征点进行描述,得到描述子;采用汉明距离完成初匹配,再结合RANSAC算法对由噪声干扰和光照变化而产生的误匹配点进行剔除,获得较为精准的匹配点对。结果表明:当鞋面图像中存在尺度变化、光照变化和噪声干扰等影响时,该算法能够准确匹配,具有较强的稳健性。

针对三维图像特征点的匹配问题, 研究了在Kinect三维图像中, 分别基于SIFT、SURF和ORB算法建立的三维特征描述子经RANSAC算法优化后匹配精度和匹配速度的差异。首先, 使用一组Kinect拍摄的测试集进行测试, 三种特征匹配算法经过RANSAC算法优化之后, 都表现出良好的匹配精度,ORB算法在匹配速度上稍有优势。其次, 使用Kinect实际拍摄的室内样张进行重复性测试, 实验结果表明, ORB算法在匹配精度和匹配速度上较SIFT和SURF算法更优秀。因此, 将ORB特征匹配算法用做Kinect图像的特征检测器效果最佳。

大型零件三维测量过程中常需要粘贴较多的标志点来进行自动拼接。由于人工粘贴标志点的随机性与噪声等因素的影响，标志点自动匹配时极易产生误匹配标志点，影响了多次测量时点云数据自动拼合的稳定性。针对此问题，在实现标志点自动匹配的基础上引入随机抽样一致(RANSAC)算法去除误匹配标志点。该方法根据选定好的目标模型和相关评判准则，将所有的匹配标志点分为内点和外点，利用内点计算出当前最佳目标模型参数，经过一定次数的随机采样后计算出最终的最佳目标模型参数，从而有效地去除大型零件点云数据自动拼合过程中出现的距离误匹配标志点和噪声误匹配标志点。模拟实验和拼接实例表明该方法是可行的，能有效地提高大型零件点云数据自动拼合的稳定性。