CN104933718A - 一种基于双目视觉的物理坐标定位方法 - Google Patents

Abstract

一种基于双目视觉的物理坐标定位方法，包括以下步骤：S1、对左右两个摄像机进行设定，建立摄像机模型的坐标系，求得摄像机模型坐标系与世界坐标系的转换关系；S2、提取特征点和获得特征点在左右图像中的像素坐标；S3、算出特征点在世界坐标系中的空间坐标；本发明通过左右两台摄像机模拟双目，建立坐标系转换模型，然后对两个摄像机所拍摄的图像提取特征点和计算像素坐标，再转换为摄像机模型的理论坐标，最后在计算出目标点的空间坐标，提高了测量精度和效率，使得双目坐标定位在工业机器人手眼系统、工业切割、物流运输业、包装业、光学检测与加工等领域具有更好的应用前景。

Description

一种基于双目视觉的物理坐标定位方法

技术领域

本发明涉及计算机视觉领域，更具体地说，是涉及一种基于双目视觉的物理坐标定位方法。

背景技术

双目立体视觉是机器视觉领域中的一个重要分支，其直接模拟人类双眼处理景物的方式，可靠简便。因此双目立体视觉装置在诸如微操作系统的位姿检测与控制，机器人自主导航与航测、三维测量学和虚拟现实等很多领域中都极具应用价值。

随着机器视觉技术的发展，利用摄像头采集的图像信息来进行目标定位具有了较大的可行性和更大的优势。如今基于单目立体视觉的定位已经得到了广泛的应用。但是单目视觉得到的是二维数据，丢失了大量的深度信息，造成了定位速度慢、定位精度不可靠。相对而言，双目立体视觉直接模拟人类双眼的处理方式，具有获取物体深度信息的能力，能得到目标点的精确空间位置信息，因而具有更大的研究价值。双目立体视觉技术已越来越多的应用于工程测绘、军事、航天航空、医疗和消防领域。工程测绘上使用基于双目立体视觉技术精确测量三维物体周长，通过双目视觉实现了机器人对磁场分布的快速准确检测。军事上使用机器人上战场，通过机器人上的摄像头定位敌对目标并进行射击能有效降低人员伤亡，医疗上使用机器手做手术，精确定位空间目标点，消防上基于双目空间定位实现快速准确的定位火源，实现自动化灭火、将火灾隐患消灭于火灾早期，最大程度的降低火灾带来的损失。

基于机器视觉的双目空间定位是从多个视点拍摄一个空间物体，得到它在不同角度下的一系列图像，利用多个图像中对应像素之间的差异，计算得到目标物体的三维几何形状和三维空间位置。空间定位通常都需要前期进行摄像头标定，摄像机标定技术是空间物体三维重建的一个重要组成部分，直接影响三维重建的精度，是系统误差的主要来源之一，是从二维图像获得三维信息关键环节，是立体视觉研究的最重要工作之一。基于双目立体视觉定位的标定方法中传统方法可以适用于任意的摄像机模型，但标定精度高标定过程复杂，提取准确率低，定位精度低，效率不高，而且算法可扩展性低，只能针对一种处理方式。

发明内容

本发明的目的在于克服现有技术中的上述缺陷，提供一种基于双目视觉的物理坐标定位方法，提高了测量精度和效率。

为实现上述目的，本发明提供的技术方案如下：

一种基于双目视觉的物理坐标定位方法，包括以下步骤：

S1、对左右两个摄像机进行标定，建立摄像机模型的坐标系，求得摄像机模型中图像坐标系与世界坐标系的转换关系；

S2、提取特征点和获得特征点点在左右图像中的像素坐标；

S3、算出特征点在世界坐标系中的空间坐标；

作为优选的，所述S1具体包括：

S101、建立模型，设置摄像机的标定模型，建立摄像机模型坐标系；

S102、求出世界坐标系与摄像机模型坐标系的转换模型：

$\left[\begin{array}{c}{x}_c\\ y_c\\ z_c\end{array}\right]=R\×\left[\begin{array}{c}{x}_w\\ y_w\\ z_w\end{array}\right]+T$

其中，R为3×3摄像机模型坐标系的旋转矩阵，T为3×1摄像机模型坐标系平移向量，(x_c，y_c，z_c)为摄像机模型坐标系中的坐标，(x_w，y_w，z_w)为世界坐标系中的坐标。

S103、通过摄像机模型将世界坐标系中的目标点投影到一个二维图像中，建立二维图像的像素坐标系；

S104、求出摄像机模型坐标系与像素坐标系的转换关系；

$z_c\×\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=\left[\begin{array}{ccc}{s}_x& 0& u_0\\ 0& s_y& v_0\\ 0& 0& 1\end{array}\right]\×\left[\begin{array}{cccc}f& 0& 0& 0\\ 0& f& 0& 0\\ 0& 0& 1& 0\end{array}\right]\×\left[\begin{array}{c}{x}_c\\ y_c\\ z_c\\ 1\end{array}\right]$

$\left\{\begin{array}{c}{s}_x=1/d_x\\ s_y=1/d_y\end{array}\right.$

其中，(x_c，y_c，z_c)为摄像机模型坐标系中的坐标，(u，v)是成像平面的像素坐标，(u₀、v₀)成像平面的中心点坐标，f是摄像机焦距，s_x＝1/dx是成像平面横轴上的尺度因子，s_y＝1/dy成像平面纵轴上的尺度因子。

作为优选的，所述S2具体包括：

S21、图像边缘提取；

S22、求出特征点在左右图像中的像素坐标；

进一步的，所述步骤S21具体包括：

S211、通过高斯滤波器实现图像的平滑；

S212、计算平滑后的图像的像素梯度幅值N(u，v)和方向θ(u，v)；

S213、对梯度幅值进行非极大值抑制，将目标像素点的梯度幅值N(i，j)分别与该梯度幅值方向上两端的相邻像素点的梯度幅值N₁(i，j)、N₂(i，j)进行对比，若N>N₂且N>N₁，则N(i，j)保持不变，否则N(i，j)＝0；

S214、采用双阈值检测并连接边缘点，对经过非极大值抑制处理的梯度图像用双阈值算法检测和连接边缘。

进一步的，所述步骤S214中双阈值检测具体方法为，对非极大值抑制图像作用两个阈值th1和th2，两者关系th1＝0.4th2，把梯度值小于th1的像素的灰度值设为0，得到图像1，把梯度值小于th2的像素的灰度值设为0，得到图像2，以图像2为基础，以图像1为补充来连接图像的边缘。

进一步的，所述步骤S214中连接边缘具体步骤为：

(a)、对图像2进行扫描，当遇到一个非零灰度的像素I(u，v)时，跟踪以I(u，v)为开始点的轮廓线，直到轮廓线的终点I’(u，v)；

(b)、检查图像1中与图像2中I’(u，v)点位置对应的点s(u，v)的8邻近区域，如果在s(u，v)点的8邻近区域中有非零像素存在，则将其包括到图像2中，作为r(u，v)点，从r(u，v)开始，重复步骤(a)，直到在图像1和图像2中都无法继续为止；

(c)、当完成对包含I(u，v)的轮廓线的连结之后，将这条轮廓线标记为已经访问，回到步骤(a)，寻找下一条轮廓线，重复步骤(a)、步骤(b)、步骤(c)，直到图像2中找不到新轮廓线为止。

作为优选的，所述步骤S22具体包括：

S221、对图像的每个像素点灰度值进行“八领域”的相似度参数计算，即对于灰度值I(i,j)，分别计算I(i-1,j-1)、I(i-1,j)、I(i-1,j+1)、I(i,j-1)、I(i,j+1)、I(i+1,j-1)、I(i+1,j)、I(i+1,j+1)的灰度值与I(i,j)的差值，如果差值在±20之间则为相似点，可用1表示，否则不为相似点，可用0表示，所有的相似点组成相似矩阵C；

S222、特征点提取；对每一个像素点计算相关矩阵M，计算公式如下：

$M=\left(\begin{array}{cc}A& C\\ C& B\end{array}\right)$

$A=X^2\⊗W$

$B=Y^2\⊗W$

$C=XY\⊗W$

G＝exp[-1/2(x²+y²)/δ²]

其中， $X=\frac{\∂I}{\∂u}=I\⊗(-1,0,1),X=\frac{\∂I}{\∂v}=I\⊗(-1,0,1),$ I表示像素点的像素灰度值强度，X、Y为像素灰度值在像素坐标u、v方向上的一阶偏导数，G为高斯平滑函数，x、y为高斯滤波器尺寸；

S223、计算相似矩阵中每个相似点的角点响应，计算公式如下：

R＝(AB-C²)²-k(A+B)²

其中，k为常数，R为角点响应的最大值；

S224、对与相似矩阵中的每个相似点，在w*w范围内寻找极大值点，w为移动检测窗口尺寸，若角点响应大于某一阀值θ且该点的角点响应比以该点为中心的“八领域”点都大，则视为角点，该点的坐标值为相似矩阵中相似点的坐标，该坐标即像素坐标，对左右图像进行上述步骤操作，算出空间点在左右摄像机模型中的像素坐标；

作为优选的，所述S3包括：

S301、对左右摄像机模型中的像素坐标进行特性匹配，计算特征点视差，其计算公式为：

SAD(u，v，disp)＝Σ|P_L(i+h，j+k)-P_R(i+h+disp，j+k)|

其中，i、j为像素点坐标，h、k为x、y坐标轴上的移动检测窗口尺寸，disp为视差值，P_L、P_R为左右图像像素点的横坐标；

S302、根据三角测距法计算目标点Z轴坐标：

$\frac{T-\left(\right|P_L-P_R\left|\right)}{z_w-f}=\frac{T}{z_w}$

$z_w=\frac{fT}{|P_L-P_R|}$

P_L、P_R为左右图像像素点的横坐标，T为两相机光心连线距离，f为焦距，z_w为目标点跟相机连线的距离值，即目标点世界坐标中的Z坐标值；

S303、根据目标点的Z轴坐标，代入S1步骤中的转换模型，计算出目标点的左、右摄像机模型坐标系下的坐标，进而计算出目标点在世界坐标系中的坐标。

与现有技术相比，本发明的有益效果在于：通过左右两台摄像机模拟双目，通过建立坐标系转换模型，求的两个摄像机获取的目标点的像素坐标，再转换为摄像机模型的理论坐标，最后在计算出目标点的空间坐标，提高了测量精度和效率，使得双目坐标定位在工业机器人手眼系统、工业切割、物流运输业、包装业、光学检测与加工等领域具有更好的应用前景。

附图说明

图1是本发明的方法的流程图；

图2是本发明及成像平面的各坐标系的关系示意图；

图3是本发明的三角测距法的示意图。

具体实施方式

下面结合附图和实施例对本发明所述的一种基于双目视觉的物理坐标定位方法作进一步说明。

以下是本发明所述的一种基于双目视觉的物理坐标定位方法的最佳实例，并不因此限定本发明的保护范围。

如图1所示，一种基于双目视觉的物理坐标定位方法，包括以下步骤：

S1、对左右两个摄像机进行标定，建立摄像机模型的坐标系，求得摄像机模型中图像坐标系与世界坐标系的转换关系；

S2、提取特征点和获得特征点点在左右图像中的像素坐标；

S3、算出特征点在世界坐标系中的空间坐标；

作为优选的，所述S1具体包括：

S101、建立模型，设置摄像机的标定模型，建立摄像机模型坐标系；

S102、求出世界坐标系与摄像机模型坐标系的转换模型：

$\left[\begin{array}{c}{x}_c\\ y_c\\ z_c\end{array}\right]=R\×\left[\begin{array}{c}{x}_w\\ y_w\\ z_w\end{array}\right]+T$

其中，R为3×3摄像机模型坐标系的旋转矩阵，T为3×1摄像机模型坐标系平移向量，(x_c，y_c，z_c)为摄像机模型坐标系中的坐标，(x_w，y_w，z_w)为世界坐标系中的坐标。

S103、通过摄像机模型将世界坐标系中的目标点投影到一个二维图像中，建立二维图像的像素坐标系；

S104、求出摄像机模型坐标系与像素坐标系的转换关系；

$z_c\×\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=\left[\begin{array}{ccc}{s}_x& 0& u_0\\ 0& s_y& v_0\\ 0& 0& 1\end{array}\right]\×\left[\begin{array}{cccc}f& 0& 0& 0\\ 0& f& 0& 0\\ 0& 0& 1& 0\end{array}\right]\×\left[\begin{array}{c}{x}_c\\ y_c\\ z_c\\ 1\end{array}\right]$

$\left\{\begin{array}{c}{s}_x=1/d_x\\ s_y=1/d_y\end{array}\right.$

其中，(x_c，y_c，z_c)为摄像机模型坐标系中的坐标，(u，v)是成像平面的像素坐标，(u₀、v₀)成像平面的中心点坐标，f是摄像机焦距，s_x＝1/dx是成像平面横轴上的尺度因子，s_y＝1/dy成像平面纵轴上的尺度因子。

作为优选的，所述S2具体包括：

S21、图像边缘提取；

S22、求出特征点在左右图像中的像素坐标；

进一步的，所述步骤S21具体包括：

S211、通过高斯滤波器实现图像的平滑；

S212、计算平滑后的图像的像素梯度幅值N(u，v)和方向θ(u，v)；

S213、对梯度幅值进行非极大值抑制，将目标像素点的梯度幅值N(i，j)分别与该梯度幅值方向上两端的相邻像素点的梯度幅值N₁(i，j)、N₂(i，j)进行对比，若N>N₂且N>N₁，则N(i，j)保持不变，否则N(i，j)＝0；

S214、采用双阈值检测并连接边缘点，对经过非极大值抑制处理的梯度图像用双阈值算法检测和连接边缘。

进一步的，所述步骤S214中双阈值检测具体方法为，对非极大值抑制图像作用两个阈值th1和th2，两者关系th1＝0.4th2，把梯度值小于th1的像素的灰度值设为0，得到图像1，把梯度值小于th2的像素的灰度值设为0，得到图像2，以图像2为基础，以图像1为补充来连接图像的边缘。

进一步的，所述步骤S214中连接边缘具体步骤为：

(a)、对图像2进行扫描，当遇到一个非零灰度的像素I(u，v)时，跟踪以I(u，v)为开始点的轮廓线，直到轮廓线的终点I’(u，v)；

(b)、检查图像1中与图像2中I’(u，v)点位置对应的点s(u，v)的8邻近区域，如果在s(u，v)点的8邻近区域中有非零像素存在，则将其包括到图像2中，作为r(u，v)点，从r(u，v)开始，重复步骤(a)，直到在图像1和图像2中都无法继续为止；

(c)、当完成对包含I(u，v)的轮廓线的连结之后，将这条轮廓线标记为已经访问，回到步骤(a)，寻找下一条轮廓线，重复步骤(a)、步骤(b)、步骤(c)，直到图像2中找不到新轮廓线为止。

作为优选的，所述步骤S22具体包括：

S221、对图像的每个像素点灰度值进行“八领域”的相似度参数计算，即对于灰度值I(i,j)，分别计算I(i-1,j-1)、I(i-1,j)、I(i-1,j+1)、I(i,j-1)、I(i,j+1)、I(i+1,j-1)、I(i+1,j)、I(i+1,j+1)的灰度值与I(i,j)的差值，如果差值在±20之间则为相似点，可用1表示，否则不为相似点，可用0表示，所有的相似点组成相似矩阵C；

S222、特征点提取；对每一个像素点计算相关矩阵M，计算公式如下：

$M=\left(\begin{array}{cc}A& C\\ C& B\end{array}\right)$

$A=X^2\⊗W$

$B=Y^2\⊗W$

$C=XY\⊗W$

G＝exp[-1/2(x²+y²)/δ²]

其中， $X=\frac{\∂I}{\∂u}=I\⊗(-1,0,1),X=\frac{\∂I}{\∂v}=I\⊗(-1,0,1),$ I表示像素点的像素灰度值强度，X、Y为像素灰度值在像素坐标x、y方向上的一阶偏导数，G为高斯平滑函数，x、y为高斯滤波器尺寸；

S223、计算相似矩阵中每个相似点的角点响应，计算公式如下：

R＝(AB-C²)²-k(A+B)²

其中，k为常数，R为角点响应的最大值；

S224、对与相似矩阵中的每个相似点，在w*w范围内寻找极大值点，w为移动检测窗口尺寸，若角点响应大于某一阀值θ且该点的角点响应比以该点为中心的“八领域”点都大，则视为角点，该点的坐标值为相似矩阵中相似点的坐标，该坐标即像素坐标，对左右图像进行上述步骤操作，算出空间点在左右摄像机模型中的像素坐标；

作为优选的，所述S3包括：

S301、对左右摄像机模型中的像素坐标进行特性匹配，计算特征点视差，其计算公式为：

SAD(u，v，disp)＝Σ|P_L(i+h，j+k)-P_R(i+h+disp，j+k)|

其中，i、j为像素点坐标，h、k为x、y坐标轴上的移动检测窗口尺寸，disp为视差值，P_L、P_R为左右图像像素点的横坐标；

S302、根据三角测距法计算目标点Z轴坐标：

$\frac{T-\left(\right|P_L-P_R\left|\right)}{Z_w-f}=\frac{T}{Z_w}$

$Z_w=\frac{fT}{|P_L-P_R|}$

P_L、P_R为左右图像像素点的横坐标，T为两相机光心连线距离，f为焦距，z_w为目标点跟相机连线的距离值，即目标点世界坐标中的Z坐标值；

S303、根据目标点的Z轴坐标，代入S1步骤中的转换模型，计算出目标点的左、右摄像机模型坐标系下的坐标，进而计算出目标点在世界坐标系中的坐标。

与现有技术相比，本发明的有益效果在于：通过左右两台摄像机模拟双目，通过建立坐标系转换模型，求的两个摄像机获取的目标点的像素坐标，再转换为摄像机模型的理论坐标，最后在计算出目标点的空间坐标，提高了测量精度和效率，使得双目坐标定位在工业机器人手眼系统、工业切割、物流运输业、包装业、光学检测与加工等领域具有更好的应用前景。

以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于双目视觉的物理坐标定位方法，其特征在于，包括以下步骤：

S1、对左右两个摄像机进行标定，建立摄像机模型的坐标系，求得摄像机模型中图像坐标系与世界坐标系的转换关系；

S2、提取特征点和获得特征点点在左右图像中的像素坐标；

S3、算出特征点在世界坐标系中的空间坐标。

2.根据权利要求1所述的基于双目视觉的物理坐标定位方法，其特征在于，所述S1具体包括：

S101、建立模型，设置摄像机的标定模型，建立摄像机模型坐标系；

S102、求出世界坐标系与摄像机模型坐标系的转换模型：

$\left[\begin{array}{c}{x}_c\\ y_c\\ z_c\end{array}\right]=R\×\left[\begin{array}{c}{x}_W\\ y_W\\ z_W\end{array}\right]+T$

其中，R为3×3摄像机模型坐标系的旋转矩阵，T为3×1摄像机模型坐标系平移向量，(x_c，y_c，z_c)为摄像机模型坐标系中的坐标，(x_w，y_w，z_w)为世界坐标系中的坐标；

S103、通过摄像机模型将世界坐标系中的目标点投影到一个二维图像中，建立二维图像的像素坐标系；

S104、求出摄像机模型坐标系与像素坐标系的转换关系；

$z_c\×\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=\left[\begin{array}{ccc}{s}_x& 0& u_0\\ 0& s_y& v_0\\ 0& 0& 1\end{array}\right]\×\left[\begin{array}{cccc}f& 0& 0& 0\\ 0& f& 0& 0\\ 0& 0& 1& 0\end{array}\right]\×\left[\begin{array}{c}{x}_c\\ y_c\\ z_c\\ 1\end{array}\right]$

$\left\{\begin{array}{c}{s}_x=1/d_x\\ s_y=1/d_y\end{array}\right.$

其中，(x_c，y_c，z_c)为摄像机模型坐标系中的坐标，(u，v)是成像平面的像素坐标，(u₀、v₀)成像平面的中心点坐标，f是摄像机焦距，s_x＝1/dx是成像平面横轴上的尺度因子，s_y＝1/dy成像平面纵轴上的尺度因子。

3.根据权利要求2所述的基于双目视觉的物理坐标定位方法，其特征在于，所述S2具体包括：

S21、图像边缘提取；

S22、求出特征点在左右图像中的像素坐标。

4.根据权利要求3所述的基于双目视觉的物理坐标定位方法，其特征在于，，所述步骤S21具体包括：

S211、通过高斯滤波器实现图像的平滑；

S212、计算平滑后的图像的像素梯度幅值N(u，v)和方向θ(u，v)；

S213、对梯度幅值进行非极大值抑制，将目标像素点的梯度幅值N(i，j)分别与该梯度幅值方向上两端的相邻像素点的梯度幅值N₁(i，j)、N₂(i，j)进行对比，若N>N₂且N>N₁，则N(i，j)保持不变，否则N(i，j)＝0；

S214、采用双阈值检测并连接边缘点，对经过非极大值抑制处理的梯度图像用双阈值算法检测和连接边缘。

5.根据权利要求4所述的基于双目视觉的物理坐标定位方法，其特征在于，，所述步骤S214中双阈值检测具体方法为，对非极大值抑制图像作用两个阈值th1和th2，两者关系th1＝0.4th2，把梯度值小于th1的像素的灰度值设为0，得到图像1，把梯度值小于th2的像素的灰度值设为0，得到图像2，以图像2为基础，以图像1为补充来连接图像的边缘。

6.根据权利要求4所述的基于双目视觉的物理坐标定位方法，其特征在于，，所述步骤S214中连接边缘具体步骤为：

(a)、对图像2进行扫描，当遇到一个非零灰度的像素I(u，v)时，跟踪以I(u，v)为开始点的轮廓线，直到轮廓线的终点I’(u，v)；

(b)、检查图像1中与图像2中I’(u，v)点位置对应的点s(u，v)的8邻近区域，如果在s(u，v)点的8邻近区域中有非零像素存在，则将其包括到图像2中，作为r(u，v)点，从r(u，v)开始，重复步骤(a)，直到在图像1和图像2中都无法继续为止；

(c)、当完成对包含I(u，v)的轮廓线的连结之后，将这条轮廓线标记为已经访问，回到步骤(a)，寻找下一条轮廓线，重复步骤(a)、步骤(b)、步骤(c)，直到图像2中找不到新轮廓线为止。

7.根据权利要求3所述的基于双目视觉的物理坐标定位方法，其特征在于，所述步骤S22具体包括：

S221、对图像的每个像素点灰度值进行“八领域”的相似度参数计算，即对于灰度值I(i,j)，分别计算I(i-1,j-1)、I(i-1,j)、I(i-1,j+1)、I(i,j-1)、I(i,j+1)、I(i+1,j-1)、I(i+1,j)、I(i+1,j+1)的灰度值与I(i,j)的差值，如果差值在±20之间则为相似点，可用1表示，否则不为相似点，可用0表示，所有的相似点组成相似矩阵C；

S222、特征点提取；对每一个像素点计算相关矩阵M，计算公式如下：

$M=\left(\begin{array}{cc}A& C\\ C& B\end{array}\right)$

$A=X^2\⊗W$

$B=Y^2\⊗W$

$C=XY\⊗W$

$G=\exp \[-1/2(x^2+y^2)/{\mathrm{\δ}}^2\]$

其中， $X=\frac{\∂I}{\∂u}=I\⊗(-1,0,1),X=\frac{\∂I}{\∂v}=I\⊗(-1,0,1),$ I表示像素点的像素灰度值强度，X、Y为像素灰度值在像素坐标x、y方向上的一阶偏导数，G为高斯平滑函数，x、y为高斯滤波器尺寸；

S223、计算相似矩阵中每个相似点的角点响应，计算公式如下：

R＝(AB-C²)²-k(A+B)²

其中，k为常数，R为角点响应的最大值；

S224、对与相似矩阵中的每个相似点，在w*w范围内寻找极大值点，w为移动检测窗口尺寸，若角点响应大于某一阀值θ且该点的角点响应比以该点为中心的“八领域”点都大，则视为角点，该点的坐标值为相似矩阵中相似点的坐标，该坐标即像素坐标，对左右图像进行上述步骤操作，算出空间点在左右摄像机模型中的像素坐标。

8.根据权利要求1所述的基于双目视觉的物理坐标定位方法，其特征在于，，所述S3包括：

S301、对左右摄像机模型中的像素坐标进行特性匹配，计算特征点视差，其计算公式为：

SAD(u，v，disp)＝Σ|P_L(i+h，j+k)-P_R(i+h+disp，j+k)|

其中，i、j为像素点坐标，h、k为x、y坐标轴上的移动检测窗口尺寸，disp为视差值，P_L、P_R为左右图像像素点的横坐标；

S302、根据三角测距法计算目标点Z轴坐标：

$\frac{T-\left(\right|P_L-P_R\left|\right)}{z_w-f}=\frac{T}{z_w}$

$z_w=\frac{fT}{|P_L-P_R|}$

P_L、P_R为左右图像像素点的横坐标，T为两相机光心连线距离，f为焦距，z_w为目标点跟相机连线的距离值，即目标点世界坐标中的Z坐标值；

S303、根据目标点的Z轴坐标，代入S1步骤中的转换模型，计算出目标点的左、右摄像机模型坐标系下的坐标，进而计算出目标点在世界坐标系中的坐标。