线结构光三维传感器需要结合扫描机构才能对物体进行三维重构，在使用前需要对扫描方向进行标定。由于各个标定图像的清晰度不同，传统标定方法会多次引入噪声，降低了标定精度。为了减小由图像清晰度不同多次引入的噪声，本文提出了基于联合估计的扫描方向标定方法。在标定过程中，需要使用位移台将平面靶标移动一个固定的距离，使每个拍摄位置处的靶标相对相机坐标系的旋转矩阵相同，同时平移向量的变化由位移台的运动步长约束。通过对旋转矩阵和平移向量增加约束，将平面靶标上的二维特征点拓展为三维特征点；联合所有标定图像进行统一的单应性估计，减小了由图像清晰度不同多次引入的噪声。通过测量量块尺寸进行了验证实验，实验结果表明：所提方法的测量误差相比传统方法减小了约30%，而且所提方法具有更好的重复性。所提方法实现了线结构光三维传感器扫描方向的高精度标定，减小了传感器三维重构的误差。

为提高单应性估计的准确性和解决真实标注难获取的问题, 提出一种具有修正功能的无监督单应性估计算法。该算法采用级联结构, 其思想类似于迭代, 其中每一级网络都保持相同的层数和参数量, 下一级网络输出的单应性矩阵为真实矩阵与之前输出单应矩阵和的残差。考虑到模型复杂度和实时性的需求, 文章采用两级网络级联。通过在COCO数据集中的5000张图片上进行验证, 结果表明, 相比传统方法和其他基于深度学习的方法, 所设计的级联无监督算法具有更准确的估计能力, 其在测试集中的平均像素误差为0.54, 较传统方法下降95.38%, 运行速度达到95f/s。

针对基于特征匹配的单应矩阵估计方法的特征定位噪声的各向异性非同分布对其精度和鲁棒性的影响, 提出了一种结合特征定位噪声表征的单应矩阵估计方法。该方法采用协方差矩阵来表征特征点定位噪声; 基于协方差矩阵加权采样一致性(CWSAC)的内点检验方法来提高单应矩阵估计的鲁棒性。最后, 提出一种单应矩阵高精度估计算法——协方差加权Levenberg-Marquardt(CW L-M)法。该方法结合协方差矩阵重新定义优化目标函数, 提高了单应矩阵的估计精度。基于仿真数据和真实图像的实验表明, 在相同定位噪声和内点比例条件下, 本文算法的估计精度显著优于RANSAC(RANdom SAmple Consensus)、LMedS(Least Median of Squares),PROSAC(PROgressive SAmple Consensus)、M-SAC(M-estimator SAmple Consensus)和MLESAC(Maximum Likelihood SAmple Consensus)等传统算法, 投影均方误差比次优方法降低了3%~21%。另外, 本文方法对定位噪声和内点比例变化均具有较好的鲁棒性。

提出了基于轮廓模型的复杂背景弱纹理目标单应优化方法。算法在随机抽样一致(RANSAC)框架下实现了初始变换的求解，通过优化法向距离实现了单应的优化求解。为了快速稳健地求解初始单应，算法随机选取三条满足一定几何约束的直线段进行假设变换关系的求解，通过选取使得投影误差最小的变换关系作为单应初值。为了解决复杂背景条件下模型-图像对应错误引起的优化失败问题，在模型-图像点匹配阶段，算法为每个采样点保留多个图像点对应，同时在对样本点进行加权过程中，该算法综合考虑了样本点自身的属性和样本点同周围点的关系，有效提高了稳健性。实验结果表明：该方法能够实现复杂场景目标单应的优化求解，相比传统的方法，该方法能够有效克服复杂背景的干扰，实现弱纹理目标单应的稳健估计。