1、目標位姿參數(shù)測量廣泛應用于目標識別、新武器檢測、自動導航等領域，如何精確地求解目標的位姿參數(shù)一直是相關領域的研究難題?；谟嬎銠C視覺的位姿參數(shù)測量是一種比較熱門的測量方法，根據(jù)拍攝航跡數(shù)據(jù)時攝像機的數(shù)目可分為兩類：多目視覺位姿測量與單目視覺位姿測量。在實際的測量中，由于條件限制，會出現(xiàn)只有一臺攝像機能拍攝到目標而其他攝像機丟失目標的情況，對此本文對單目視覺的目標位姿參數(shù)測量問題進行進一步研究。
　　現(xiàn)有的方法主要通過求解人工指定控

2、制點與成像點之間的對應性問題來獲取目標位姿參數(shù)。在對應性未知的情況下，人們提出了離線訓練、建立并求解目標函數(shù)等策略解決位姿參數(shù)測量問題。但是由于實際測量中目標圖像質量不高、背景較復雜且存在噪聲，現(xiàn)有的方法并不能很好地解決位姿參數(shù)的對應性問題。為此，在目標模型已知的情況下，本文提出了一種目標運動位姿參數(shù)的求解策略。即對圖像進行分割提取目標并獲取其輪廓，使用 OpenGL導入目標模型數(shù)據(jù)，根據(jù)模型投影輪廓與圖像中目標的輪廓的關系構造目標函數(shù)

3、，并結合最優(yōu)化計算方法對目標位姿進行求解，有效地避免了位姿參數(shù)對應性問題的直接求解。
　　本文第二章通過介紹了位姿參數(shù)測量中涉及到的各坐標系，解釋了位姿參數(shù)測量問題的實質。并且從共線方程出發(fā)，論述了攝像機成像過程與 OpenGL成像過程具有的一致性，為本文核心算法中OpenGL與目標模型的使用提供理論基礎。
　　根據(jù)實際測量情況，本文第三章討論對圖像進行分割來獲取目標并精確地提取目標輪廓的過程。通過比較分析編碼本、均值平移圖

4、像分割方法，可知全自動圖像分割方法并不能適應實際中圖像背景復雜且噪聲較多的情況，本文采用了在Graph Cut方法基礎上改進的Grab Cut方法進行半自動的交互式圖像分割。在目標已被提取的基礎上，本文使用相關的圖形學操作，結合輪廓的特性，精確地提取了目標的輪廓。為了實現(xiàn)后續(xù)幀圖像目標輪廓的自動化提取，本文依據(jù)已知的前一幀中目標的輪廓使用光流法跟蹤當前幀目標的輪廓關鍵點。
　　在圖像中目標的輪廓可被精確提取的基礎上，本文第四章把圖

5、像中目標與其模型的位姿匹配問題轉換為兩者的輪廓配準無約束最優(yōu)化問題。本文提出了使用改進的Hausdorff距離方法進行輪廓間的相似性測度，并據(jù)此建立了最優(yōu)化問題的目標函數(shù)。為求解該函數(shù)，本文綜合分析了三種典型的最優(yōu)化計算方法：Hooke-Jeeves、模擬退火算法、差分進化算法，并根據(jù)它們的特性，本文提出了使用差分進化與模擬退火相結合的方法來解決本文輪廓配準的最優(yōu)化問題。
　　最后，本文利用模擬數(shù)據(jù)對本文的方法進行了仿真實驗并對結