姿态估计被广泛应用于许多领域,例如在人机交互技术中,需要获取人体姿态信息来理解人的指令;在增强现实技术中,姿态估计被认为是最基本的问题之一;对无人飞行器的控制,也需要获取飞行器的姿态信息来完成相关操作。本文主要研究基于流形结构的刚体姿态估计方法,对这种方法的鲁棒性进行了分析,然后提出一种改进的姿态估计方案。本文首先讨论了基于流形结构的刚体姿态估计方法的鲁棒性问题。由于姿态图像会受到噪声、光照等因素的影响,图像的流形结构会发生变化,因此本文提出一种流形结构间的差异性指标,评价不同条件下姿态图像的流形之间的差异性。我们认为,先验姿态图像和待测姿态图像的流形差异性越大,那么姿态估计的误差就越大,于是将该指标用于评估噪声和光照条件对物体姿态估计精度的影响。实验表明,噪声和光照变化的因素对姿态估计会造成很大影响,该方法鲁棒性较差。针对现有的基于流形结构的姿态估计方法鲁棒性较差的问题,本文提出一种改进的基于流形结构的刚体姿态估计鲁棒性方法。为了消除噪声、光照等因素对姿态估计精度的影响,本文将图像分割技术运用于其中,首先对采集到的物体姿态图像进行图像分割预处理;再运用流形学习算法对分割后的姿态图像降维得到低维流形;然后利用支持向量回归方法建立姿态图像与流形坐标之间的回归关系模型;对于待估计的姿态图像,同样进行图像分割预处理后,通过回归关系模型预测得到流形坐标,进而估计出其相应的姿态角度。最后,本文以三维模型的姿态图像作为实验数据,在高斯噪声干扰、椒盐噪声干扰、光照方向变化、光照强度变化的条件下进行了实验。实验表明,采用本文方案后明显减小了先验图像与待测图像的流形差异性,各种因素对本文方法影响都较小,均可取得较高的精度。本文提出的方案很大程度消除了各种因素的干扰,实验验证了该方法的有效性和可行性,本文的方法具有较强的鲁棒性。