为实现对流化床中目标颗粒空间位姿追踪测量，开发了一种基于单目视觉及彩色纹理编码球体的位姿测量系统。针对空间位置定位，建立了空间球体成像模型，并基于小孔平面成像模型及相机坐标转换模型，结合空间解析几何相关理论，分析了单目位置测量原理。考虑球体颗粒无法通过自身形状特征实现空间姿态测量，引入纹理特征，通过提取目标颗粒纹理，比较并建立其与合成库中已知方向图像之间的相似关系，实现空间姿态的测量。根据以上理论分析，搭建实验系统并进行了一系列实验。结果表明，位置测量综合误差率不大于0.5%，姿态测量误差不大于2°，验证了所提模型的有效性和可行性。

在复杂环境中执行任务已经成为旋翼无人机发展的必然趋势。为了让旋翼无人机在复杂环境中高效、安全地执行任务, 学者们对旋翼无人机的双目视觉避障技术展开了广泛的研究。为了解旋翼无人机的双目视觉自主避障技术的现状及发展趋势, 首先,介绍了双目视觉避障系统的构成, 分析各技术在双目视觉避障系统中的作用; 然后, 重点介绍双目视觉避障技术中常用的相机标定方法、立体匹配算法和避障算法, 总结了各自的优缺点, 并阐述最新发展; 最后, 对双目视觉避障技术的发展方向进行了展望。

针对基于特征点的图像匹配方式在复杂纹理场景中匹配效果不理想的问题, 提出一种将加速稳健特征算法 (SURF)与一致性敏感哈希匹配结合的图像匹配算法 (CSH)。使用 SURF算法对图像进行特征点提取, 再以特征点为圆心构建特征区域, 最后对特征区域使用 CSH进行匹配, 从而实现高精确匹配。为了进一步加快算法运行速度, 对现有的 SURF算法进行修改, 在提取 SURF特征点时去除了对于特征点方向的计算。仿真实验证明, 算法较一般的特征算法在复杂纹理图像匹配中效果更佳, 且较 CSH算法效率提升了 10%~15%。

为提升半全局匹配（SGM）算法效率，提出一种基于改进匹配代价计算和路径优化策略的立体匹配算法。代价计算阶段，通过对角线取点方式对局部二值模式（LBP）算子进行优化，降低时间复杂度和数据规模；代价聚合阶段，根据聚合逻辑选择5个方向进行扫描线优化，结合灰度相似性约束和距离约束条件，对聚合路径进行自适应权重赋值；再通过赢者通吃（WTA）策略计算初始视差值，通过左右一致性检测和二次多项式插值算法对视差图作进一步优化。最后算法在Middlebury 2.0和3.0数据平台上进行匹配效率验证，实验结果表明，所提算法相比SGM算法在不损失匹配准确度的情况下，代价计算阶段用时减少63.1%，代价聚合阶段用时减少39.3%，算法整体效率提升54.2%，达到效率提升的目的。

为进一步适应复杂环境及战斗机自身状态的变化，提高目标跟踪算法的跟踪性能，在TLD算法框架下对其进行改进。首先，将改进了的SIFT特征匹配算法与TLD算法中的光流法相结合，根据战斗机的不同状态及周围环境自适应地选择相应算法，提高算法的鲁棒性和对复杂环境的自适应能力; 其次，引入粒子滤波进行优化，实时预测战斗机状态并缩小检测范围，在降低计算难度的同时提高跟踪速度和持续性; 最后，设置置信度检测以有效解决误判问题，提高跟踪精度。实验结果表明，当战斗机处于复杂场景或自身状态变化较大时，改进算法取得了优于参考算法的跟踪性能，可以满足长时间鲁棒跟踪的要求。

针对数字散斑投影三维测量技术中的立体匹配问题, 提出基于反向合成高斯牛顿的半全局立体匹配算法。该算法采用基于Census变换的匹配代价值来衡量像素点间的相似性, 通过代价聚合算法增强匹配代价对噪声的鲁棒性; 在此基础上, 提出基于一阶形函数的反向合成高斯牛顿算法, 实现亚像素级别的视差优化; 最后, 提出耦合唯一性检查、左右一致性检查以及连通区域约束的错误视差剔除算法, 消除由遮挡和噪声引起的错误视差。实验结果表明, 该算法可精确、稠密、完整地重建出复杂物体的三维形貌, 重建精度优于0.06mm。

针对在地磁变化缓慢区域, 一维地磁匹配导航匹配概率低、使用范围有限的情况, 在飞行器组网飞行的背景下, 提出了基于粒子群优化算法(PSO)的多维地磁匹配算法。在一维地磁匹配模型的基础上, 搭建了主从式组网地磁匹配模型, 利用多飞行器空间约束, 将平均绝对值误差法则从一维计算拓展至高维匹配, 使用匹配成功率、匹配定位误差和算法适应度3个维度对定位有效性进行评价。仿真结果表明, 多维地磁匹配能够在短周期内得到较高的匹配概率和匹配定位精度, 在相同的匹配点下, 多维地磁匹配的匹配概率比一维地磁匹配要高10%。

针对基于模板匹配的目标跟踪算法在目标被遮挡时容易出现跟踪丢失的问题,提出一种改进的结合遮挡判断和Kalman预测器的模板匹配算法。首先使用三帧差分法提取运动目标并计算运动目标区域。然后针对目标是否被遮挡引入Bhattacharyya距离进行判断,当Bhattacharyya距离小于设定的阈值,表明目标没有被遮挡,则使用归一化互相关(NCC)匹配算法对目标进行稳定跟踪,反之则利用Kalman预测器对被遮挡目标的位置和大小进行预测。实验结果表明,所提算法在静态背景下、目标发生遮挡时的跟踪成功率达到71.43%,比单一NCC匹配算法提高了21.43个百分点。

为了解决传统非局部立体匹配算法在纹理丰富区域匹配误差较大的问题,提出基于颜色和边缘信息的非局部立体匹配算法。代价计算阶段,结合灰度和梯度信息求得匹配代价。代价聚合阶段,为降低相似背景下的误匹配率,利用最小生成树进行代价聚合,结合颜色和边缘信息重新定义权重函数。再利用胜者为王(WTA)策略求得最佳视差,通过左右一致性检验和中值滤波等后处理操作对视差图作精细化处理。最后在Middlebury数据平台上对算法进行可行性验证,实验结果表明,图像的平均误匹配率由原算法的6.02%降低到5.10%。