采摘机器人的应用有利于缓解农业劳动力日益不足的问题,能够大大提高农业产品的采摘效率。但是采摘过程中其视觉系统获取的图像如何进行快速实时性的匹配问题关系到采摘机器人在农业生产中的应用和发展。因此,开展油茶果双目图像匹配的算法研究,有着十分重要的现实意义和广阔的应用前景。本论文主要开展以下研究工作:1.对图像匹配的基本原理及双目成像的视差理论、坐标转换进行研究,在此基础上讨论并分析一种简化的相机标定方法并将完成相机标定实验。同时,对图像匹配要素系统进行讨论,从特征空间、搜索空间、搜索策略、相似性度量四方面分析图像匹配的内容。从匹配稠密程度、作用范围和匹配基元三种不同的分类所对应的匹配算法进行概述。2.由于油茶果采摘机器人工作环境为非结构化环境,获取的环境油茶果图像质量难以保证,因此对油茶果图像预处理展开研究。分析原始图像的增强方法,采用对比度拉伸的方法来实现原始油茶果图像的对比度增强。然后对含噪声的模糊油茶果图像进行去噪研究,对比常用的几种去噪方法,并采用一种改进的阈值折中小波降噪的方法进行降噪。实验证明,该方法能够得到较理想的降噪效果。同时,也对去噪后的图像进行边缘提取、二值化及图像校正工作。3.对SIFT匹配算法进行研究,给出了 SIFT算法的步骤,并对各个步骤进行了详细的介绍。在此基础上从实时性方面进行改进,提出基于自适应阈值特征的匹配与基于构建图像金字塔的两个方面进行改进的SIFT特征匹配算法。4.在实际的非结构化环境下对SIFT算法的性能进行验证,结果表明无论在旋转不变性测试,还是噪声不变性测试、亮度变化不变性测试均取得了理想的效果。同时,对改进SIFT算法的实时性进行验证性实验。从特征点提取、时间消耗、正确匹配率与算法处理速度和不同光照条件下双目油茶果图像误匹配率四个方面对采集到的油茶果图像进行匹配验证实验。本文提出的改进算法相比SIFT算法检测速度更快,虽然检测的特征数量相比要少,但是平均花费时间仅为SIFT算法的一半左右,实现机器人采摘定位时的实时性更具潜力。同时,在尺度变换、旋转变换和亮度变化这三种不同的情况下,改进算法的正确匹配率、特征点检测时间及匹配时间各方面都要优于原SIFT算法。而且,本文提出的改进的SIFT算法在不同光照条件下均表现出比传统SIFT算法更好的匹配效果。在合适的光照强度下,即1～1.2万lx时,匹配率满足实际使用需求,相比传统SIFT算法有更强的非结构化环境适应性。