在基于视觉的抓取中,物体定位的目的是为机器人提供抓取目标的位置和姿态信息,以及抓取目标的可抓取位置和机械手在该位置的抓取姿态。机器人根据获得的这些抓取信息,才能完成机械手的运动规划等其他抓取环节,并最终完成对目标的抓取。机器人基于视觉对目标进行抓取时,在明暗不均、模糊不清、对比度较差的低亮度图像中,难以基于完整的图像信息获取足够的抓取信息。如何在低亮度图像中获得足够的抓取信息,使机器人能够快速且准确地对抓取目标进行定位,对机器人的视觉定位研究提出了挑战。本文针对低亮度图像中的抓取目标,开展机器人视觉定位方法研究。为了获取清晰的图像信息,以便在抓取过程中为机器人提供准确的视觉信息,从而实现对抓取目标的稳定定位,针对提高获取图像的质量问题,对图像对比度增强方法进行研究。引入感兴趣区域的概念,通过灰度变换确定图像的感兴趣区域,并基于全局直方图均衡原理,提出基于直方图均衡的感兴趣区域对比度增强算法。该算法选择性提高了图像中感兴趣区域的对比度,对图像的对比度增强效果良好,且耗时短。为了使机器人在抓取过程中实现对抓取目标的稳定定位,基于局部不变特征,提出基于追踪点-线特征的位姿估计方法。该方法在满足机器人抓取任务对抓取速度的要求,能够实现对视频序列中抓取目标位姿的准确估计。获取准确的初始位姿是该方法成功实现的前提,因此,提出基于多点匹配的初始位姿求解算法,该算法将测量得到的位姿作为目标追踪的初始值。为了适应复杂多变的环境,在追踪目标时,融合点-线特征的优点,提出融合点-线特征的位姿追踪算法,并利用M估计器来抵抗外界环境的干扰。机器人在对抓取目标进行视觉定位时,不仅要准确地知道抓取目标的位置,同时还要能够清晰地判断出抓取目标的可抓取位置。为了解决这一难题,提出基于YOLO v2网络的实时抓取检测方法。该方法的核心是在YOLO v2网络架构的基础上,提出了一个以图像为输入、抓取参数为输出的“端-端”的实时抓取检测网络模型,并通过定义损失函数、扩充数据集以及迁移学习,训练网络模型的泛化能力。该模型在实现对目标的可抓取区域以及机械手的抓取位姿的实时检测的同时,能够保持较高的检测准确率。为了验证本文研究的方法是否能够实现对抓取目标的稳定定位,从而使机器人实现成功的抓取,搭建由视觉相机、机械臂和计算机组成的基于视觉的机器人抓取实验平台,开展基于视觉的机器人抓取实验。在抓取实验进行之前,为了获取符合真实情况的图像信息,采用一种计算原理简单,且操作便捷的基于无监督消失点的相机自标定方法,对相机的内部参数进行标定。本文对图像对比度增强、位姿估计和抓取检测三方面进行方法研究,旨在提高机器人在基于视觉的抓取过程中对目标的定位能力,进而提高机器人基于视觉的抓取成功率,为机器人对低亮度目标的抓取应用奠定基础。