相机定标和三维点云配准是计算机视觉领域的两个关键问题。其中,前者架起了二维图像与三维世界转变的桥梁,后者构建了不同三维世界之间的联系。这两个问题的研究已有了较长的发展历史。然而近年来,随着计算机视觉的相关应用及硬件设备逐渐走近人们的日常生活,传统的相机定标和三维点云配准方法不再适合人们的实际使用需求。本文从实际应用角度出发对这两个问题进行了研究,本文主要内容及贡献为:在相机定标问题上,传统定标算法使用的定标物一般需要专门制作,尤其在高精度应用场合下还需购买商业定标物,不仅昂贵,使用也很不方便。本文以日常生活随处可见的任意工业产品作为定标物,如杯子,工业零件等,提出了两种新的标定算法。1.提出了基于相同物体间刚性变换的相机标定方法。本算法分析了刚性变换的不变量,提出了其不变量在欧氏空间的几何解释:刚性变换的一对特征向量是三维欧式空间中的一对圆环点,它们是一对共轭复数向量,该对圆环点在图像平面的投影即形成算法需要的圆环点投影值。利用这个性质,本算法以相同工业产品为定标物,由其间刚性变换求解出相机内外参数的线性解,完成相机的标定。工业产品的精度保证了定标物的精度,实验结果证明本算法具有很好的准确度和鲁棒性。2.提出了基于相同物体对应线段长度的相机标定算法。本算法在视觉几何的基础上,分析了相机内外参数之间关系,将相机外参数转化为内参数的表示。之后本算法利用相同物体间的微分几何不变量——线段长度的约束对相机内参数进行非线性求解。本算法使用的定标物为任意两个相同工业产品,此外本算法只需对定标物拍摄两幅图像,使用方便。在点云配准问题上,传统精细点云配准算法只能得到局部最优值。因此在对任意两个点云配准时,为获得最佳配准结果,它们通常必须先由其他粗配准算法提供一个合适的初始配准结果。另一方面,随着三维点云获取方式的不断进步,获得的点云精度与密度不断地提高,每个点云中包含点的数量级也快速地增长。传统点云配准算法在处理这些大数据量的点云时,其性能和效率都普遍无法满足实际应用的需求。为了解决上述问题,本文针对不同的点云数据情况,提出了几种不同的点云配准算法。1.提出了基于对应球的精细点云配准算法。本算法利用三维对应球模型在点云中寻找近似对应点。当第一对对应球即基对应球找到后,算法采用分层扩散策略扩散出更多的三维对应球,扩散对应球很好地分布于点云重叠区域内。通过找到的所有对应球,点云间大量近似对应点被获得。算法使用随机采样一致性(RANdom SAmple Consensus,RANSAC)算法和最小二乘算法计算所有近似对应点间的最佳刚体变换矩阵,完成点云的精细配准。本算法可以对位于任意初始位置的点云直接进行精细配准。2.提出了基于平面结构提取的点云配准算法。对于大场景的城市三维点云数据,平面是其中的主要几何元素,点云的配准可以由平面结构的匹配得到。为了准确提取出点云中的平面,本算法首先提出一种同时结合数据点相关性和模型假设相关性的联合聚类算法。之后本算法对平面结构采用随机采样策略匹配,并通过最佳匹配平面获得点云配准结果。本算法仅对原点云采样后的稀疏点云计算,降低了处理过程中的数据量与复杂度,十分适合于大规模的城市点云配准。3.提出了基于图像信息的快速点云配准算法。现有三维激光扫描设备通常配有一个同轴相机,它拍摄的扫描场景图像可为点云配准提供辅助信息。本算法利用视觉几何知识,首先通过同轴相机在不同扫描站点拍摄的场景图片直接计算出扫描点云间的旋转变换;再使用本文提出的改进迭代最近点(Iterative Closest Point,ICP)算法对平移变换进行迭代,完成点云配准。此迭代过程只对平移变换的三个变量进行计算,与需要迭代计算六个变量的传统ICP算法相比,本算法计算复杂度大幅降低,且收敛速度有所提高。