位姿估计是计算机视觉和摄像测量学中的基础性问题,常用于视觉伺服、SLAM等领域。针对舰载机刚体目标的位姿估计和跟踪问题,本文分别对使用几何测量和深度学习的方法进行探讨分析。为了对复杂环境下运动的刚体目标进行实时位姿估计,使用直线特征的透视投影对位姿估计问题建模。首先,通过直线间的匹配度量函数和直线透视投影模型,建立位姿估计优化函数,然后,为了提高算法的自适应性,对位姿参数进行鲁棒估计,最后使用加权最小二乘算法求解。考虑到目标运动具有一定的连续性,对实时提取的图像直线,根据前一帧的投影直线进行断裂修复。而在SFM框架下对多帧序列图像进行联合位姿估计,可使位姿估计精度有所提高。仿真和半实物实验结果表明,该基准方法在复杂的环境下的目标位姿的优化求解中具有较高的精度和较快的速度。基于特征点、直线的位姿估计方法,通常研究在已知2D-3D点或线段集合对应关系下,刚体在三维空间任意姿态配置。而工程实际中,刚体目标往往在某个空间平面上运动,在此约束下,通过建立合适的坐标系和转换关系,对现有的基于点或直线的位姿估计算法进行改进,将待计算的位姿参数从6个降为3个。仿真和半实物实验结果表明,系列方法在不同程度上提高了求解的鲁棒性和速度。传统的位姿测量方法主要是基于图像的特征匹配和成像的几何方程,而本文最后使用深度神经网络用于位姿估计。本文将位姿估计问题分为两步:目标检测和位姿映射。首先使用类似Xception的网络作为主干网的Light Head RCNN用于快速的目标检测,然后使用轻量级Tiny-Net网络进行位姿估计,将此方法应用于标准数据集和舰载机目标,在近距离室内场景下取得了较高的精度和20fps的速度。