在轨组装、维修等航天应用需要大尺寸高精度的在轨测量手段，而视觉测量具有极大的应用潜力。针对目前在轨多相机视觉测量系统缺少人工参考物辅助相机定向的问题，提出一种利用恒星和基准长度尺使多相机视觉测量系统实现外方位参数标定的方法。首先提出一种基于相对外方位参数的恒星和基准长度尺成像模型，解决无人工目标点时多相机空间位置和姿态的解算问题；然后提出一种基于先验误差估计的加权联合平差算法，将三类不同数据融合，实现多相机外方位参数高精度标定。实测实验表明，利用所提标定方法，恒星和基准长度尺端点像面误差的标准差分别为0.48 μm（1/7像素）和0.21 μm（1/16像素）。另外，在2.5 m×1.4 m的测量范围内，所提方法的空间X、Y和Z坐标误差的标准差分别为0.15 mm、0.04 mm和0.05 mm。所提方法能为视觉测量在轨应用中面临的系统参数标定问题提供方法和参考数据。

针对Faster R-CNN在多尺度目标检测时易出现小目标漏检和误检的问题, 提出一种改进的多尺度目标检测算法。将利于小目标检测的低层网络和利于大尺度目标检测的高层网络进行多尺度特征融合; 在训练阶段, 采用在线难例样本挖掘算法维护难例样本分类池, 加速神经网络模型迭代收敛, 解决训练样本不均衡、训练效率低下的问题; 计算并统计待检测目标的尺度大小, 合理控制用于生成候选区域的锚框尺寸, 提高模型泛化能力。采用PASCAL VOC2012公开数据集和类人足球机器人自建数据集进行算法验证, 实验结果表明, 相比Faster R-CNN算法, 本算法的平均检测精度在上述数据集下分别提高了8.61和5.47个百分点。

针对超大范围相机标定和定向的难题，提出了一种双相机联合标定与定向的方法。采用无人机携带长度尺构建大型空间虚拟标定场的方式，两台相机同时采集长度尺两端标志点图像；并利用长度尺空间长度作为约束，建立自标定光束平差模型，解算两相机各自的内方位参数和畸变系数及相机之间的相对外方位参数；最后利用重建长度尺的长度进行误差和精度评估。在40 m×10 m×14 m的超大范围下，所提方法重建长度尺时的平均长度误差为0.193 mm，均方根误差为2.316 mm，相对精密度优于1/20000。实验结果表明，所提方法可在超大范围下方便准确地标定双相机系统的全部参数，具有操作简便、成本低、精度高的优点，具有很强的适用性，为超大范围大尺寸结构视觉测量提供了方法参考和数据依据。

为了评价平面镜面形误差, 采用基于条纹反射法的面形检测原理、通过平面镜法线偏移实现面形误差评价的方法。将正弦条纹投射至光屏, 经被测平面镜反射至相机, 通过小孔成像原理和四步相移法获得被测平面镜上一点的法线, 并与经最小二乘算法面形重建的该点理论法线比较, 获得该点法线偏移, 利用法线偏移实现对平面镜的面形评价。对测量方法进行计算机仿真, 以证明其正确性, 搭建实验测量系统, 并对某一款手机屏幕进行测量实验。结果表明, 该测量方法的重复性精度优于1mrad, 测量重复性高。该研究为玻璃面板等具有高反射特性的平面面形误差提供了参考。

由于现有以大数据量和计算量为基础的大尺寸动态视觉测量系统处理速度较慢，本文建立了一个高速大尺寸动态视觉测量系统，并对该系统涉及的特征点中心定位、编码点识别、相机定向等算法进行了并行化研究。首先，分析了在不同测量条件下各个主要算法的时间消耗情况及每个主要算法的并行性; 然后，对常规的特征点中心定位和编码点识别算法做了介绍，分别提出了特征点中心并行快速定位和编码点并行快速识别算法，并详细说明了这两种并行快速算法的实现原理。最后，针对大量原子操作的问题，提出了线程束集体原子操作的优化方法。实验结果表明: 在不损失定位精度和识别率的前提下，图像中包含300个点时的并行方案比串行方案的时间开销减少了42%，当点数达到20 000时，时间开销减少91%以上。实验显示提出的并行设计方案有效地提高了处理速度，解决了大尺寸动态视觉测量系统实时性差的问题。

数字近场摄影测量中计算靶点中心方法有多种.通过实验对二值法、周长平均法、灰度平方法、灰度法等四种求靶点中心的计算方法进行评价比较,结果表明采用二值法可使产生的误差最小也最稳定,其它由优至次依次为周长平均法、灰度平方法、灰度法.