计算机视觉是上世纪七十年代兴起的学科,在工业界,由于视觉传感器的简单易用,信息丰富以及成本低廉,使得基于视觉的工业任务越来越多。基于视觉的目标检测需要从图像中提取出不变的元素,这通常通过稳定的点特征或对图像模板进行编码来实现。目标定位是和目标检测密切又不一致的任务,虽然在目标检测的同时就可以完成粗糙定位,但工业应用中往往对精度有苛刻的要求,高精度的目标定位属于图像配准范畴,由于噪声,光照等因素的存在,也为图像配准带来了挑战,衍生了不同角度的图像配准算法。本论文对常见的目标检测及图像配准算法进行了回顾和总结,对现有算法进行了改进,设计并实现了面向工业应用的快速,鲁棒的目标检测方法以及精确的图像配准算法。论文的主要研究内容和成果如下:1.面向工业应用的快速目标检测算法。总结了基于特征和模板匹配的流行算法,针对工业应用中目标纹理较少的情况,本文改进了前人的工作,提出了快速同时检测多个目标的算法,通过引入训练步骤学习鲁棒模板,结合鲁棒模板的投票机制,能够在100毫秒内检测图像内的多个物体。2.面向工业应用的亚像素配准算法。总结了基于图像灰度的Lucas-Kanade框架与基于图像空间信息的ICP框架,针对工业应用中的速度要求,本文引入不同的距离度量和优化目标函数,为ICP算法中的数据点引入新的维度,结合KD-tree编码加速图像配准,实现了少纹理物体的亚像素检测。3.基于前人的Graph-Matching算法,提出新的数学模型,并用于目标检测。总结了传统的GA算法和最近基于优化算法的框架,结合投影矩阵对SMAC算法提出了改进,并实现了基于Graph-Matching算法的目标检测系统。