机器视觉是利用计算机技术对人类视觉的一种探索及模拟,随着机器视觉理论及计算机技术的发展,它越来越广泛地应用到实际的生产生活过程中。基于机器视觉的工作包含目标检测、目标跟踪、目标定位等,它们均是从视觉传感器拍摄的二维图像信息出发获取需要的信息进而完成工作任务。本文对视觉定位中的关键问题进行了研究与实现。　　 首先,针对运动目标检测算法存在的一些缺点,比如对光照敏感、易受自然环境变化的影响、易受阴影影响等,本文提出一种基于空间边缘方向直方图(SEOH)的运动目标检测算法,依赖目标的边缘方向信息进行检测,提高了对光照及环境变化的抗干扰性；进一步,将该算法与Kalman滤波相结合,通过对运动参数的预测修正提高了算法的实时性。　　 其次,针对运动目标跟踪时的颜色干扰、目标重叠遮挡、目标瞬间丢失等问题,提出一种基于空间边缘方向直方图(SEOH)的改进的Camshift运动目标跟踪算法,提高了跟踪算法对颜色的抗干扰性,并在目标遮挡时采用分块匹配思想对目标进行跟踪,达到较好的跟踪效果；进一步,用Kalman滤波器对运动目标的位置进行预测更新,提高了算法的实时性和鲁棒性。　　 再者,在总结并分析了现有的摄像机标定技术及各自的优缺点的基础上,研究了不同位置不同摄像机的同时标定问题,首先利用标定板在不同位置的成像之间的对应关系建立基于单应矩阵的约束方程,在求解方程得到不同摄像机的内参数的基础上,由多视点成像原理对不同摄像机之间的相对位置进行标定。实验结果验证了该算法的有效性、合理性、实用性。　　 最后,针对视觉定位的难点——图像匹配提出一种基于像素与基于特征相结合的图像匹配算法:首先提出一种基于灰度信息的粗匹配算法,目的是得到目标的初始匹配区域,然后在该区域内进行SIFT特征提取与匹配。在提取尺度不变特征时,为了剔除不稳定特征点及弱边缘点,综合考虑了不同尺度空间中的关键点信息。最后,利用双目摄像机的标定结果和匹配好的目标特征点,由双目视觉视差原理实现对目标的定位。实验结果表明该算法不仅能够精确地获得图像间的匹配特征,而且满足实时性需求。　　 本文研究了机器视觉中的摄像机标定、运动目标检测、运动目标跟踪、图像匹配等关键问题,并在实验室环境下,对本文的算法进行了实验研究。