德布鲁因序列常被用于结构光条纹的编码，但是序列中相邻的相同码元会导致在相同颜色区域内难以确定码元个数以及每个码元的确切编码范围。为了解决这一问题，提出一种邻接跳变德布鲁因序列，该序列在保留子序列唯一性的基础上保证了相邻码元的相异性。首先，证明了所提出序列的存在性，并给出了其生成方式。然后，将该序列用于相位周期级次编码，结合正弦相移条纹设计了一种彩色条纹编码方法。在解码阶段，按颜色通道分别提取、计算得到包裹相位和相位周期级次，最终获得展开相位。实验结果表明，所提方法与传统相移法有相似的测量精度，且仅需要4幅投影图像即可完成三维测量，显著提高了测量效率。

在充分兼顾嵌入式三维测量系统对高效性、集成性、通用性以及灵活性等需求的基础上，设计了一种由3个异构核心构成的结构光三维测量系统架构。该多核异构架构层次清晰、结构灵活、通用性强，能兼容多种通用接口的光学器件（相机、投影仪等）。在此架构基础上，结合现场可编程门阵列并行流水优化方法，设计并实现了一种涵盖相位解调、解包裹以及相位深度映射等模块的全流程结构光三维测量系统。实验结果表明，所提方法在测量精度与传统PC平台相当的情况下，大大提高了测量效率，处理13幅1280×800分辨率的图像仅需12 ms，是同类算法在传统PC平台上的11倍。

针对工业机器人Bin-Picking场景中因噪声、遮挡等因素造成的物体识别困难问题，提出一种新的基于曲率点对特征的三维识别算法。该算法在原始点对特征的基础上，引入曲率差特征，使点对具有更强的特征描述性，提高点云配准率。在预处理阶段，通过基于距离变换的分水岭算法对场景点云进行分割，提取候选目标，加快算法匹配速度。同时，在位姿投票阶段提出一种新的加权投票方案，根据曲率差信息将更强点对赋予更大的权重，进一步提高点云配准率。实验结果表明，与原始算法相比，所提算法在精度和速度方面都有明显的提升，并能满足实际应用场景的要求。

针对指针式仪表图像特点及现有读数识别方法存在的局限，提出了一种基于轻量级图像语义分割模型的读数全自动识别方法。首先，以轻量级语义分割网络CGNet为基础进行改进，通过增加通道注意力模块SENet进行特征增强和融合，同时适当加深分类层，从而预测更准确的刻度线、指针、量程数字等语义信息；接着，根据刻度线语义分割结果拟合椭圆，建立与标准圆的透视变换关系校正倾斜畸变的图像；然后，在校正图像中通过极坐标变换、图像细化、垂直投影等后处理操作精确提取刻度线、指针，并通过optical character recognition技术识别量程数字；最后，根据刻度线与指针相对位置关系及量程信息确定仪表读数。为验证该方法的有效性，构建了指针式仪表图像数据集。实验结果表明，该方法在图像语义分割精度上与现有轻量化方法相比有较大提升，对测试集图像读数识别的平均相对误差约为0.63%，可满足实际应用需求。

为了快速、准确地获取空间不连续物体的三维信息，提出了一种既包含相位级次又包含相对相位的混合编码方法。在传统相移轮廓术的基础上，根据De Bruijn序列将相位的级次信息调制到相移图片中，序列的长度为相位的周期数，其中每一个码元对应一个周期的相位。计算得到相对相位后，将每个周期所对应的码元组成的序列与原序列进行匹配，码元在原序列中的位置则为该周期相位的级次。该方法不需要投影额外的图片来编码相位的周期级次，仅根据投影的相移图片，就可获取相位展开所需要的相位级次以及原始相对相位。实验结果表明，本文方法在只投影拍摄4张图片的情况下，可以还原多种形状的待测物体的三维形貌，重建平板的标准差为0.319 mm。

与密集网格表示的图像不同，点云自身具有不规则和无序性的特点，因而如何准确地推理出点云数据中的形状特征是一项具有挑战性的工作。为解决当前研究存在的不足，提出了点集内-外形状卷积（IE-Conv）。该卷积利用高效的双边结构将点集内的局部形状与点集外的全局形状分开处理，在点集内部，基于门控的方式有选择地学习丰富的点间关系，同时利用自校准功能优化逐点与局部特征；在点集外部，通过图卷积构建全局图形，并聚焦于点集之间的远程依赖关系；最后将双边输出有机融合起来。将IE-Conv分层嵌入形状推理卷积网络中（SR-Net），并在标准ModelNet40和ShapeNet数据集上进行分类与分割实验。实验结果表明，分类任务精度达到93.9%，分割任务平均交并比达到86.4%，验证了SR-Net在点云分析中的良好性能。

利用相位级次的编码和调制方法将相位级次信息叠加到相移图像中,提出了一种直接利用相移图像进行相位解包裹的方法。在投影端,提出了一种邻接不重复德布鲁因序列,并用该序列对相位级次进行编码,然后将该周期级次编码序列调制、叠加到多步相移图像中。相应地,在解码阶段,从拍摄到的相移图像中同时解调、分解出包裹相位和周期级次编码序列,通过序列的匹配还原真实周期级次信息,并最终准确地解包裹出绝对相位。以四步相移法为例,本文方法相比传统的时间相位解包裹算法,投影图片从10张(64个相位周期)缩减到了4张,提高了测量效率。

针对现有热红外图像行人检测方法在精度和速度方面存在的问题, 提出一种基于弱显著图的实时行人检测方法。该方法以轻量级 LFFD(Light and Fast Face Detector)网络为基础, 由两级改进网络即 SD-LFFD(Saliency Detection-LFFD)和 SF-LFFD(Saliency Fusion-LFFD)组成, 首先以热红外图像作为输入经 SD-LFFD网络产生初步行人检测结果和行人区域弱显著图, 接着将该弱显著图与原热红外图像结合“点亮”潜在行人区域并经 SF-LFFD网络产生新的行人检测结果, 最后将两级改进网络的行人检测结果融合得到最终结果。在数据集 CVC-09和 CVC-14上实验结果表明, 该方法与现有轻量级神经网络相比行人检测的平均精确率有大幅提升, 且在有限硬件资源下可实现实时检测。