CN107230234A - 一种基于三线结构光的相机平面标定方法 - Google Patents
一种基于三线结构光的相机平面标定方法 Download PDFInfo
- Publication number
- CN107230234A CN107230234A CN201710317687.5A CN201710317687A CN107230234A CN 107230234 A CN107230234 A CN 107230234A CN 201710317687 A CN201710317687 A CN 201710317687A CN 107230234 A CN107230234 A CN 107230234A
- Authority
- CN
- China
- Prior art keywords
- mrow
- camera
- wire configuration
- msub
- mtd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000003287 optical effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007430 reference method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 24
- 238000013461 design Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明涉及一种基于三线结构光的相机平面标定方法,所述方法包括下列步骤:建立三线结构光标定平台,并在三线结构光标定平台内对棋盘格标定模板进行拍摄;对拍摄的图像进行Harris角点检测,得到相机的畸变模型;根据BP神经网络对相机的畸变模型进行坐标变换,得到在世界坐标系下校正后的相机模型;根据张正友平面标定法对校正后的相机模型进行标定。与现有技术相比,本发明具有标定精度高、标定速度快、易于操作以及实现简单等优点。
Description
技术领域
本发明涉及相机标定领域,尤其是涉及一种基于三线结构光的相机平面标定方法。
背景技术
相机标定技术是线结构光三维测量的关键技术之一。在图像测量过程以及机器视觉应用中,为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系,必须建立相机成像的几何模型,这些几何模型参数就是相机参数。在大多数条件下这些参数必须通过实验与计算才能得到,这个求解参数的过程就称之为相机标定(或摄像机标定)。无论是在图像测量或者机器视觉应用中,相机参数的标定都是非常关键的环节,其标定结果的精度及算法的稳定性直接影响相机工作产生结果的准确性。因此,做好相机标定是做好后续工作的前提,提高标定精度是科研工作的重点所在。传统上相机的标定方法,无法得到精确的相机畸变模型,标定精度低,难以完全消除相机的畸变误差。因此,需要一种针对相机畸变问题的相机标定方法。
发明内容
本发明的目的是针对上述问题提供一种基于三线结构光的相机平面标定方法。
本发明的目的可以通过以下技术方案来实现:
一种基于三线结构光的相机平面标定方法,所述方法包括下列步骤:
1)建立三线结构光标定平台,并在三线结构光标定平台内对棋盘格标定模板进行拍摄;
2)对步骤1)中拍摄的图像进行Harris角点检测,得到相机的畸变模型;
3)根据BP神经网络对相机的畸变模型进行坐标变换,得到在世界坐标系下校正后的相机模型;
4)根据张正友平面标定法对步骤3)中校正后的相机模型进行标定。
所述三线结构光标定平台包括:
结构光发生组件,用于为棋盘格标定模板的拍摄提供三线结构光;
可调拍摄组件,用于拍摄棋盘格标定模板;
底座,用于防止棋盘格标定模板,并支撑结构光发生组件和可调拍摄组件。
所述结构光发生组件包括:
结构光发生器,用于产生三线结构光;
结构光发生器调节器,用于调节结构光发生器的高度和旋转角度,包括第一立柱、夹具和第一调节固定座,所述第一立柱固定于底座上,所述第一调节固定座安装于第一立柱上,所述夹具设置于第一调节固定座上并与结构光发生器连接。
所述可调拍摄组件包括:
相机,用于对棋盘格标定模板进行拍摄;
相机调节器,用于实现相机的多自由度调节,包括第二立柱、滑动光轴、第二调节固定座、微调升降台、相机固定架和夹相机顶块,所述第二立柱固定于底座上,所述第二调节固定座安装于第二立柱上,所述滑动光轴设置于第二调节固定座上并与相机通过相机固定架连接,所述微调升降台通过夹相机顶块固定于相机上;
上位机,与相机连接,用于接收相机拍摄的图像。
所述步骤3)具体为:
31)将步骤2)中得到的相机的畸变模型在像素坐标系下的二维坐标作为BP神经网络的输入层数据;
32)建立三层BP神经网络,依次进行前向计算和反向计算来实现BP神经网络的自适应学习;
33)对计算过程中的权值进行修正,得到在世界坐标系下校正后的相机模型。
所述BP神经网络的自适应学习的学习率具体为:
其中,η为学习率,a为减量因子,b为增量因子,n为迭代次数,E为误差函数。
所述对计算过程中的权值进行修正包括对隐含层与输出层之间的权值进行修正和对隐含层与输入层之间的权值进行修正。
所述对隐含层与输出层之间的权值进行修正具体为:
其中,Δvlj为隐含层与输出层之间的权值的调整量,n为迭代次数,η为学习率,E为误差函数,α为动量因子。
所述对隐含层与输入层之间的权值进行修正具体为:
其中,Δwji为隐含层与输入层之间的权值的调整量,n为迭代次数,η为学习率,E为误差函数,α为动量因子。
所述在世界坐标系下校正后的相机模型在Zw维度中的值为0。
与现有技术相比,本发明具有以下有益效果:
(1)通过引入BP神经网络,来实现相机模型在像素坐标系和世界坐标系之间的坐标变换,利用BP神经网络强大的自适应学习能力,在坐标变换的过程中,实现相机模型的畸变校正,提高了后续在对相机平面标定过程中标定的准确性。
(2)利用自行建立的三线结构光标定平台对棋盘格标定模板进行拍摄,该标定平台将结构光发生组件和可调拍摄组件固定在同一底座上,免去了在拍摄过程中需要人工拿着结构光发生器和相机对棋盘格进行拍摄,减轻了工作量的同时也减少了人为干扰。
(3)结构光发生组件除了包含结构光发生器,还包含结构光发生调节器,可以对结构光发生器的高度和旋转角度进行灵活调节,保证了可以提供符合工作人员需求的结构光,使用灵活的同时也增强了标定的准确度。
(4)可调拍摄组件除了相机以外还设有相机调节器,通过滑动光轴和调节固定座的配合实现相机的多自由度调节,而且设有微调升降台,可以对相机的拍摄角度进行进一步微调,使得可以最大程度的拍摄符合工作人员预期的图像,为提高后续标定的准确度做出准备。
(5)利用BP神经网络进行自适应学习,由于BP神经网络具有动态的进行网络学习、取得合理地学习率、网络的收敛速度加快以及防止网络振荡的产生等优点,因而最大程度的减小了相机模型的畸变程度,提高标定的准确性。
(6)在世界坐标系下校正后的相机模型在Zw维度中的值为0,即将三维坐标降低为二维坐标,这种方法既可以提高标定速度,也不会影响标定精度。
附图说明
图1为本发明的方法流程图;
图2为三线结构光标定平台的结构示意图;
其中,1为棋盘格标定模板,2为结构光发生器,3为夹具,4为调节固定座,5为立柱,6为相机。7为滑动光轴,8为微调升降台,9为相机固定架,10为夹相机顶块,11为镜头。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供的是一种基于三线结构光的相机平面标定方法,具体包括下列步骤:
s1)建立三线结构光标定平台,并在三线结构光标定平台内对棋盘格标定模板1进行拍摄;
s2)对步骤s1)中拍摄的图像进行Harris角点检测,得到相机的畸变模型;
s3)根据BP神经网络对相机的畸变模型进行坐标变换,得到在世界坐标系下校正后的相机模型;
s4)根据张正友平面标定法对步骤s3)中校正后的相机模型进行标定。
下面对上述步骤进行具体描述:
三线结构光标定平台结构特点:
图2中,该标定平台主要包括相机6、镜头11、图像采集卡、结构光发生器2、夹具3、立柱5、夹相机顶块10等,其中相机固定架9与相机6连接固定,固定架为多自由度可调节高度的机械部分。结构光发生器2与电源插座连接以提供光源,其固定方式为可调节高度且可旋转角度。标定板放置在底座上待测。结构光发生器2可以通过调节固定座4进行上下调整以及结构光方向的调整。相机6可以通过调节固定座4进行上下调整,通过滑动光轴7进行左右的调整以及相机6方向的调整,通过微调升降台8进行相机6位置的微调。本实施例中采用的棋盘格标定模板1为8×11黑白方块,其方块大小为30×30mm,材料为许多黑白交错的正方形格子组成的薄板,板子表面平整光滑,相机6中可以采集到棋盘格标定模板1的全部图像,最终能够实现将三线结构光相机平面的标定。
标定原理:
先利用Harris角点检测方法提取特征点坐标,并选用了BP神经网络来校正工业相机的畸变模型,以提高标定算法的优化速度和标定精度;最后采用张正友的平面标定法对校正后的摄像机模型进行标定实验。采用BP神经网络校正摄像机畸变模型,设图像像素坐标为(u,v)、世界坐标为(Xw,Yw,Zw)。
该BP算法包括以下两个重要的过程。正向传播过程:输入信号从输入层传向中间隐含层,再由隐含层传向输出层。反向传播过程:当输出层得不到期望的输出时,则转入反向传播过程,将误差信号沿正向传播的通路反向返回。
BP神经网络结构的设计如下:
神经网络结构的设计是一个重要环节,主要包括输入层数据的设计、学习率的确定、增量因子、减量因子、动量因子、动量项权值的设计。它们的具体说明如下:
输入层数据:图像像素坐标;
输出层数据:经网络学习后输出(Xw,Yw)的二维坐标;
学习率η:采用的学习率η自适应调整公式如下:
式中,a为减量因子,b为增量因子,E为误差函数。
本实施例中,各参数的取值为:减量因子:a=0.9;增量因子:b=1.1;动量因子:α=0.8;
动量项的权值:附加动量项的权值调整公式如下式所示:
式中Δvlj(j=1,2,...;l=1,2,...)隐含层与输出层间权值的调整量,Δwji(i=1,2...;j=1,2,...)隐含层与输入层间权值的调整量,α为动量因子,0<α<1,带有α的那一项为动量项,取值为0.8,n为迭代次数。
通过学习二维与三维之间的坐标关系,利用创建的神经网络可以得出二维图像像素坐标与三维世界坐标之间的关系。考虑到设计的网络是为了实现从图像坐标到三维坐标之间的映射,即从图像像素坐标(u,v)到(Xw,Yw,Zw)的映射关系,同时采用基于平面共面点的方法来进行标定,也就是令三维坐标中的Zw=0把三维降低为二维,这样既可以提高运行速度,又不影响精度。该网络设计具有以下优点:动态的进行网络学习;取得合理地学习率;网络的收敛速度加快;防止网络振荡的产生。
张正友法是一种介于传统标定法和自标定法之间的一种标定方法,该方法操作简便,精度高,成本低,速度快,是标定方法中的不二选择。该标定方法需要对标定板进行不同空间角度的抓拍图像,设Ow-XwYwZw为世界坐标系,Oc-XcYcZc为相机坐标系,标定板在平Zw=0面上,过程为:相机内参数的标定利用MATLAB的相机标定工具箱进行相机的标定,将得到矩阵A;计算相机外部参数。保持结构光发生器2和相机不动,拿下待测物体,计算工作台相对相机的外部参数。获得的相机外参数矩阵。由于图像已经进行了畸变校正,所以不用考虑摄像机畸变,则可以得到单应性矩阵、相机的内部参数以及世界坐标系、相机坐标系之间的关系,如下式所示:
上中的各个字母的含义如下:
H即为单应性矩阵;A中元素为摄像机机的内部参数;s=Zc即相机坐标系的第三个数值;T为从世界坐标系到相机坐标系的平移矩阵;r1、r2、r3为从世界坐标系到相机坐标系的旋转矩阵R的列向量;f为相机的焦距,θ为坐标轴xi与yi之间的实际夹角,k,l为感光芯片像素的实际大小,xi0,yi0为图像的平面中心。
Claims (10)
1.一种基于三线结构光的相机平面标定方法,其特征在于,所述方法包括下列步骤:
1)建立三线结构光标定平台,并在三线结构光标定平台内对棋盘格标定模板进行拍摄;
2)对步骤1)中拍摄的图像进行Harris角点检测,得到相机的畸变模型;
3)根据BP神经网络对相机的畸变模型进行坐标变换,得到在世界坐标系下校正后的相机模型;
4)根据张正友平面标定法对步骤3)中校正后的相机模型进行标定。
2.根据权利要求1所述的基于三线结构光的相机平面标定方法,其特征在于,所述三线结构光标定平台包括:
结构光发生组件,用于为棋盘格标定模板的拍摄提供三线结构光;
可调拍摄组件,用于拍摄棋盘格标定模板;
底座,用于防止棋盘格标定模板,并支撑结构光发生组件和可调拍摄组件。
3.根据权利要求2所述的基于三线结构光的相机平面标定方法,其特征在于,所述结构光发生组件包括:
结构光发生器,用于产生三线结构光;
结构光发生器调节器,用于调节结构光发生器的高度和旋转角度,包括第一立柱、夹具和第一调节固定座,所述第一立柱固定于底座上,所述第一调节固定座安装于第一立柱上,所述夹具设置于第一调节固定座上并与结构光发生器连接。
4.根据权利要求2所述的基于三线结构光的相机平面标定方法,其特征在于,所述可调拍摄组件包括:
相机,用于对棋盘格标定模板进行拍摄;
相机调节器,用于实现相机的多自由度调节,包括第二立柱、滑动光轴、第二调节固定座、微调升降台、相机固定架和夹相机顶块,所述第二立柱固定于底座上,所述第二调节固定座安装于第二立柱上,所述滑动光轴设置于第二调节固定座上并与相机通过相机固定架连接,所述微调升降台通过夹相机顶块固定于相机上;
上位机,与相机连接,用于接收相机拍摄的图像。
5.根据权利要求1所述的基于三线结构光的相机平面标定方法,其特征在于,所述步骤3)具体为:
31)将步骤2)中得到的相机的畸变模型在像素坐标系下的二维坐标作为BP神经网络的输入层数据;
32)建立三层BP神经网络,依次进行前向计算和反向计算来实现BP神经网络的自适应学习;
33)对计算过程中的权值进行修正,得到在世界坐标系下校正后的相机模型。
6.根据权利要求5所述的基于三线结构光的相机平面标定方法,其特征在于,所述BP神经网络的自适应学习的学习率具体为:
<mrow>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>a</mi>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>1.04</mn>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>b</mi>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,η为学习率,a为减量因子,b为增量因子,n为迭代次数,E为误差函数。
7.根据权利要求5所述的基于三线结构光的相机平面标定方法,其特征在于,所述对计算过程中的权值进行修正包括对隐含层与输出层之间的权值进行修正和对隐含层与输入层之间的权值进行修正。
8.根据权利要求7所述的基于三线结构光的相机平面标定方法,其特征在于,所述对隐含层与输出层之间的权值进行修正具体为:
<mrow>
<msub>
<mi>&Delta;v</mi>
<mrow>
<mi>l</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>l</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&alpha;&Delta;v</mi>
<mrow>
<mi>l</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Δvlj为隐含层与输出层之间的权值的调整量,n为迭代次数,η为学习率,E为误差函数,α为动量因子。
9.根据权利要求7所述的基于三线结构光的相机平面标定方法,其特征在于,所述对隐含层与输入层之间的权值进行修正具体为:
<mrow>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&alpha;&Delta;w</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Δwji为隐含层与输入层之间的权值的调整量,n为迭代次数,η为学习率,E为误差函数,α为动量因子。
10.根据权利要求1所述的基于三线结构光的相机平面标定方法,其特征在于,所述在世界坐标系下校正后的相机模型在Zw维度中的值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710317687.5A CN107230234A (zh) | 2017-05-08 | 2017-05-08 | 一种基于三线结构光的相机平面标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710317687.5A CN107230234A (zh) | 2017-05-08 | 2017-05-08 | 一种基于三线结构光的相机平面标定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107230234A true CN107230234A (zh) | 2017-10-03 |
Family
ID=59933689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710317687.5A Pending CN107230234A (zh) | 2017-05-08 | 2017-05-08 | 一种基于三线结构光的相机平面标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230234A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766855A (zh) * | 2017-10-25 | 2018-03-06 | 南京阿凡达机器人科技有限公司 | 基于机器视觉的棋子定位方法、系统、存储介质及机器人 |
CN109443209A (zh) * | 2018-12-04 | 2019-03-08 | 四川大学 | 一种基于单应性矩阵的线结构光系统标定方法 |
CN110392244A (zh) * | 2018-04-18 | 2019-10-29 | 长光卫星技术有限公司 | 一种三线阵相机影像合成彩色影像方法 |
CN111429533A (zh) * | 2020-06-15 | 2020-07-17 | 上海海栎创微电子有限公司 | 一种相机镜头畸变参数估计装置及方法 |
CN112163674A (zh) * | 2019-12-13 | 2021-01-01 | 哈尔滨理工大学 | 双向优化bp神经网络滑模变结构控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5832106A (en) * | 1996-05-22 | 1998-11-03 | Electronics And Telecommunications Research Institute | Method for camera calibration of range imaging system by use of neural network |
CN101893447A (zh) * | 2010-07-21 | 2010-11-24 | 大连理工大学 | 基于神经元网络用于平面图像测量的数字相机校正方法 |
CN104034514A (zh) * | 2014-06-12 | 2014-09-10 | 中国科学院上海技术物理研究所 | 大视场相机非线性畸变校正装置与方法 |
CN104156715A (zh) * | 2014-09-01 | 2014-11-19 | 杭州朗和科技有限公司 | 一种终端设备、信息采集方法及装置 |
CN106097322A (zh) * | 2016-06-03 | 2016-11-09 | 江苏大学 | 一种基于神经网络的视觉系统标定方法 |
-
2017
- 2017-05-08 CN CN201710317687.5A patent/CN107230234A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5832106A (en) * | 1996-05-22 | 1998-11-03 | Electronics And Telecommunications Research Institute | Method for camera calibration of range imaging system by use of neural network |
CN101893447A (zh) * | 2010-07-21 | 2010-11-24 | 大连理工大学 | 基于神经元网络用于平面图像测量的数字相机校正方法 |
CN104034514A (zh) * | 2014-06-12 | 2014-09-10 | 中国科学院上海技术物理研究所 | 大视场相机非线性畸变校正装置与方法 |
CN104156715A (zh) * | 2014-09-01 | 2014-11-19 | 杭州朗和科技有限公司 | 一种终端设备、信息采集方法及装置 |
CN106097322A (zh) * | 2016-06-03 | 2016-11-09 | 江苏大学 | 一种基于神经网络的视觉系统标定方法 |
Non-Patent Citations (4)
Title |
---|
张波 著: "《我国石油企业可持续发展力评价研究》", 31 October 2012, 武汉:中国地质大学出版社有限责任公司 * |
徐春广 等: "《回转体的结构光测量原理》", 31 January 2017, 北京:国防工业出版社 * |
潘晓: "基于神经网络的相机标定", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
闻新: "《应用MATLAB实现神经网络》", 30 June 2015, 北京:国防工业出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766855A (zh) * | 2017-10-25 | 2018-03-06 | 南京阿凡达机器人科技有限公司 | 基于机器视觉的棋子定位方法、系统、存储介质及机器人 |
WO2019080229A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京阿凡达机器人科技有限公司 | 基于机器视觉的棋子定位方法、系统、存储介质及机器人 |
CN107766855B (zh) * | 2017-10-25 | 2021-09-07 | 南京阿凡达机器人科技有限公司 | 基于机器视觉的棋子定位方法、系统、存储介质及机器人 |
CN110392244A (zh) * | 2018-04-18 | 2019-10-29 | 长光卫星技术有限公司 | 一种三线阵相机影像合成彩色影像方法 |
CN109443209A (zh) * | 2018-12-04 | 2019-03-08 | 四川大学 | 一种基于单应性矩阵的线结构光系统标定方法 |
CN109443209B (zh) * | 2018-12-04 | 2019-12-31 | 四川大学 | 一种基于单应性矩阵的线结构光系统标定方法 |
CN112163674A (zh) * | 2019-12-13 | 2021-01-01 | 哈尔滨理工大学 | 双向优化bp神经网络滑模变结构控制方法 |
CN111429533A (zh) * | 2020-06-15 | 2020-07-17 | 上海海栎创微电子有限公司 | 一种相机镜头畸变参数估计装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230234A (zh) | 一种基于三线结构光的相机平面标定方法 | |
CN111429532B (zh) | 一种利用多平面标定板提高相机标定精确度的方法 | |
CN107564069B (zh) | 标定参数的确定方法、装置及计算机可读存储介质 | |
CN107367229B (zh) | 自由双目立体视觉转轴参数标定方法 | |
CN104240262B (zh) | 一种用于摄影测量的相机外参数标定装置及标定方法 | |
CN106296711B (zh) | 一种手机摄像头模组的多轴主动对准方法 | |
CN108986172A (zh) | 一种面向小景深系统的单视图线性摄像机标定方法 | |
CN106408556B (zh) | 一种基于一般成像模型的微小物体测量系统标定方法 | |
CN105486289B (zh) | 一种激光摄影测量系统及相机标定方法 | |
CN105678757B (zh) | 一种物体位移测量方法 | |
CN107633536A (zh) | 一种基于二维平面模板的相机标定方法及系统 | |
CN107270810A (zh) | 多方位投影的投影仪标定方法及装置 | |
CN103033132B (zh) | 基于单目视觉的平面测量方法及装置 | |
CN107358631A (zh) | 一种虑及三维畸变的双目视觉重建方法 | |
CN107886547B (zh) | 一种鱼眼相机标定方法及系统 | |
CN103679693B (zh) | 一种多相机单视图标定装置及其标定方法 | |
CN106127745A (zh) | 结构光3d视觉系统与线阵相机的联合标定方法及装置 | |
CN110443879B (zh) | 一种基于神经网络的透视误差补偿方法 | |
US9185401B2 (en) | Method and apparatus for camera network calibration with small calibration pattern | |
CN108592884B (zh) | 一种通用线阵卫星核线影像生成方法 | |
CN101998136A (zh) | 单应矩阵的获取方法、摄像设备的标定方法及装置 | |
CN109961485A (zh) | 一种基于单目视觉进行目标定位的方法 | |
CN104199257A (zh) | 一种精密定位平台绝对定位精度的测量及补偿方法 | |
CN104406770B (zh) | 波像差测量模块的畸变测量装置和畸变校正方法 | |
CN104240221B (zh) | 一种镜头相背双相机相对方位标定装置与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171003 |
|
RJ01 | Rejection of invention patent application after publication |