CN107339938A - 一种用于单目立体视觉自标定的异型标定块及标定方法 - Google Patents
一种用于单目立体视觉自标定的异型标定块及标定方法 Download PDFInfo
- Publication number
- CN107339938A CN107339938A CN201710604098.5A CN201710604098A CN107339938A CN 107339938 A CN107339938 A CN 107339938A CN 201710604098 A CN201710604098 A CN 201710604098A CN 107339938 A CN107339938 A CN 107339938A
- Authority
- CN
- China
- Prior art keywords
- calibration
- special
- shaped
- block
- monocular
- 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 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 230000000052 comparative effect Effects 0.000 abstract 1
- 230000001788 irregular Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明属于单目立体视觉自标定领域,涉及一种用于单目立体视觉自标定的异型标定块及标定方法，包括异型块形状、标定点位置及标定方法。首先利用标定板完成对单目CCD相机的畸变矫正，其次获取异型标定块上标定点的物理坐标及其在单目CCD相机中对应的像素坐标，利用神经网络算法及非线性算法对单目CCD相机和线激光器所构成的系统进行立体视觉标定。通过已知标定点坐标的锯齿形异型标定块来验证其算法的可行性，根据标定实验结果对比分析，经过神经网络算法及非线性算法之后的立体标定结果，测量值与理想值相差小于0.05mm，证明它是一种标定效率高、精度高的单目立体视觉自标定方法。
Description
技术领域
本发明为一种用于单目立体视觉自标定的异型标定块及标定方法，属于单目立体视觉自标定领域。
背景技术
随着机器视觉、数字图像处理技术的不断发展，提高相机畸变矫正及测量的精度，对于机器视觉在线检测显得至关重要，当前针对单目CCD相机应用于3D测量时，大都是利用三坐标测量机、经纬仪等设备去做立体标定，方法复杂，效率低，标定精度不高。目前，并未见到基于异型标定块的单目立体视觉自标定方法。
发明内容
本发明的目的是为了解决单目立体视觉自标定存在精度差、效率低等不足，我们提出了一种用于单目立体视觉自标定的异型标定块及标定方法。
为了实现上述目的，本发明是通过以下技术方案实现的。
一种用于单目立体视觉自标定的异型标定块及标定方法，包括异型块形状、异型块标定点位置及标定方法。
进一步地，为了提高标定精度及质量，需要设定N级阶梯型异型标定块及异型标定块大小，以满足实际标定精度要求。
进一步地，为了准确获取异型块标定点位置，将线激光光束垂直投影到异型块异型面上，通过单目CCD相机捕捉此时异型块与线激光投射光束之间的图像，通过相关图像处理算法，对异型标定块拐点位置坐标进行提取，并将除边缘两点以外的所有拐点处的点，作为标定点位置，并同时确定标定原点位置。
进一步地，为了获取单目CCD相机立体视觉标定参数，首先利用标定板对单目CCD相机进行畸变矫正，其次利用异型标定块标定点物理坐标及对应标定点在单目CCD相机图像中的像素坐标，采用基于神经网络算法或非线性算法，对单目CCD相机立体视觉标定参数进行获取，具体步骤如下：
1)首先利用标定板对单目CCD相机进行参数矫正，通过构造合适的畸变矫正模型，进行单目CCD相机畸变参数矫正。
2)其次，利用矫正后的单目CCD相机拍摄异型标定块，捕捉标定块上的若干个标定点的物理坐标及像素坐标，即P1(2,4)、P2(4.5,7)、P3(7,7)、P4(8.5,10)、P5(11.5,10)、P6(13,7)、P7(15.5,7)、P8(18,4)，分别对应于像素坐标P′1(501,2061)、P′2(953,1521)、P′3(1413,1521)、P′4(1685,977)、P′5(2229,977)、P′6(2497,1523)、P′7(2953,1521)、P′8(3413,2062)，分别将这若干个标定点进行统一。
3)通过对标定点像素坐标及物理坐标的综合分析，构造合适的神经网络算法及非线性算法模型来分析其两者之间存在的标定参数关系。
4)利用已知异型块标定点位置坐标的锯齿形异型标定块验证其神经网络算法及非线性算法的正确性。则该若干标定点像素坐标值分别为P11(501，977)、P12(857，1513)、P13(1229，977)、P14(1593，1512)、P15(1953，977)、P16(2317，1517)P17(2685，977)、P18(3041，1509)、P19(3409，977)，对应的理想标定点物理坐标分别为P11′(2,10)、P12′(4,7)、P13′(6,10)、P14′(8,7)、P15′(10,10)、P16′(12,7)、P17′(14,10)、P18′(16,7)、P19′(18,10)，根据上面步骤所得出的神经网络算法及非线性算法，可得出实际标定点坐标值分别为P11"(2.0427,9.9509)、P12”(3.9922,6.9883)、P13"(6.0281,9.9698)、P14"(8.0214,7.0130)、P15"(9.9917,9.9887)、P16"(11.9849,7.0041)、P17"(13.9990.10.0078)、P18"(15.94854，7.0674)、P19"(17.9625,10.0266)，从以上对比我们可以看出，经过神经网络算法及非线性算法后，实际标定点参数与理想标定点参数之间的精度误差是可以忽略不计的，实现了通过单目立体视觉的办法达到了高精度三维测量的目的。
从标定结果我们可以看出，基于异型标定块的单目立体视觉标定是一种可行的自标定方法。
附图说明
图1为单目立体视觉自标定用的异型标定块。
图2为单目立体视觉自标定流程图。
图3为阶梯型异型标定块标定点坐标示意图。
图4为用于验证算法的锯齿形异型标定块。
图5为锯齿形异型标定块标定点坐标示意图。
具体实施方式
参阅图1、图2、图3、图4、图5所示，一种用于单目立体视觉自标定的异型标定块及标定方法，包括异型块形状、异型块标定点位置、标定方法。
一种用于单目立体视觉自标定的异型标定块及标定方法，包括异型块形状、异型块标定点位置及标定方法。
进一步地，为了提高标定精度及质量，需要设定N级阶梯型异型标定块及异型标定块大小，以满足实际标定精度要求。
进一步地，为了准确获取异型块标定点位置，将线激光光束垂直投影到异型块异型面上，通过单目CCD相机捕捉此时异型块与线激光投射光束之间的图像，通过相关图像处理算法，对异型标定块拐点位置坐标进行提取，并将除边缘两点以外的所有拐点处的点，作为标定点位置，并同时确定标定原点位置。
进一步地，为了获取单目CCD相机立体视觉标定参数，首先利用标定板对单目CCD相机进行畸变矫正，其次利用异型标定块标定点物理坐标及对应标定点在单目CCD相机图像中的像素坐标，采用基于神经网络算法或非线性算法，对单目CCD相机立体视觉标定参数进行获取，具体步骤如下：
1)首先利用标定板对单目CCD相机进行参数矫正，通过构造合适的畸变矫正模型，进行单目CCD相机畸变参数矫正。
2)其次，利用矫正后的单目CCD相机拍摄异型标定块，捕捉标定块上的若干个标定点的物理坐标及像素坐标，即P1(2,4)、P2(4.5,7)、P3(7,7)、P4(8.5,10)、P5(11.5,10)、P6(13,7)、P7(15.5,7)、P8(18,4)，分别对应于像素坐标P′1(501,2061)、P′2(953,1521)、P′3(1413,1521)、P′4(1685,977)、P′5(2229,977)、P′6(2497,1523)、P′7(2953,1521)、P′8(3413,2062)，分别将这若干个标定点进行统一。
3)通过对标定点像素坐标及物理坐标的综合分析，构造合适的神经网络算法及非线性算法模型来分析其两者之间存在的标定参数关系。
4)利用已知异型块标定点位置坐标的锯齿形异型标定块验证其神经网络算法及非线性算法的正确性。则该若干标定点像素坐标值分别为P11(501，977)、P12(857，1513)、P13(1229，977)、P14(1593，1512)、P15(1953，977)、P16(2317，1517)P17(2685，977)、P18(3041，1509)、P19(3409，977)，对应的理想标定点物理坐标分别为P11′(2,10)、P12′(4,7)、P13′(6,10)、P14′(8,7)、P15′(10,10)、P16′(12,7)、P17′(14,10)、P18′(16,7)、P19′(18,10)，根据上面步骤所得出的神经网络算法及非线性算法，可得出实际标定点坐标值分别为P11"(2.0427,9.9509)、P12”(3.9922,6.9883)、P13"(6.0281,9.9698)、P14"(8.0214,7.0130)、P15"(9.9917,9.9887)、P16"(11.9849,7.0041)、P17"(13.9990.10.0078)、P18"(15.94854，7.0674)、P19"(17.9625,10.0266)，从以上对比我们可以看出，经过神经网络算法及非线性算法后，实际标定点参数与理想标定点参数之间的精度误差是可以忽略不计的，实现了通过单目立体视觉的办法达到了高精度三维测量的目的。
从标定结果我们可以看出，基于异型标定块的单目立体视觉标定是一种可行的自标定方法。
Claims (3)
1.一种用于单目立体视觉自标定的异型标定块及标定方法,包括异型块形状、标定点位置、标定方法。
2.根据权利要求1，一种用于单目立体视觉自标定的异型标定块包括：N级台阶异型块和类似方法的标定块。
3.根据权利要求1，一种单目立体视觉的自标定方法，具体检测步骤包括：
1)首先利用标定板对单目CCD相机进行参数矫正，通过构造合适的畸变矫正模型，进行单目CCD相机畸变参数矫正。
2)其次，利用矫正后的单目CCD相机拍摄异型标定块，捕捉标定块上的若干个标定点的物理坐标及像素坐标，即P1(2,4)、P2(4.5,7)、P3(7,7)、P4(8.5,10)、P5(11.5,10)、P6(13,7)、P7(15.5,7)、P8(18,4)，分别对应于像素坐标P′1(501,2061)、P′2(953,1521)、P′3(1413,1521)、P′4(1685,977)、P′5(2229,977)、P′6(2497,1523)、P′7(2953,1521)、P′8(3413,2062)，分别将这若干个标定点进行统一。
3)通过对标定点像素坐标及物理坐标的综合分析，构造合适的神经网络算法及非线性算法模型来分析其两者之间存在的标定参数关系。
4)利用已知异型块标定点位置坐标的锯齿形异型标定块验证其神经网络算法及非线性算法的正确性。则该若干标定点像素坐标值分别为P11(501，977)、P12(857，1513)、P13(1229，977)、P14(1593，1512)、P15(1953，977)、P16(2317，1517)P17(2685，977)、P18(3041，1509)、P19(3409，977)，对应的理想标定点物理坐标分别为P11′(2,10)、P12′(4,7)、P13′(6,10)、P14′(8,7)、P15′(10,10)、P16′(12,7)、P17′(14,10)、P18′(16,7)、P19′(18,10)，根据上面步骤所得出的神经网络算法及非线性算法，可得出实际标定点坐标值分别为
P11"(2.0427,9.9509)、P12”(3.9922,6.9883)、P13"(6.0281,9.9698)、P14"(8.0214,7.0130)、P15"(9.9917,9.9887)、P16"(11.9849,7.0041)、P17"(13.9990.10.0078)、P18"(15.94854，7.0674)、P19"(17.9625,10.0266)，从以上对比我们可以看出，经过神经网络算法及非线性算法后，实际标定点参数与理想标定点参数之间的精度误差是可以忽略不计的，实现了通过单目立体视觉的办法达到了高精度三维测量的目的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710604098.5A CN107339938A (zh) | 2017-07-21 | 2017-07-21 | 一种用于单目立体视觉自标定的异型标定块及标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710604098.5A CN107339938A (zh) | 2017-07-21 | 2017-07-21 | 一种用于单目立体视觉自标定的异型标定块及标定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107339938A true CN107339938A (zh) | 2017-11-10 |
Family
ID=60217581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710604098.5A Pending CN107339938A (zh) | 2017-07-21 | 2017-07-21 | 一种用于单目立体视觉自标定的异型标定块及标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107339938A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108844489A (zh) * | 2018-06-25 | 2018-11-20 | 苏州乐佰图信息技术有限公司 | 应用线激光扫描物体轮廓的方法以及相机标定方法 |
| CN110097601A (zh) * | 2019-04-17 | 2019-08-06 | 清华大学深圳研究生院 | 用于多模态采集系统视场标定的标定板及标定方法 |
| CN110823130A (zh) * | 2019-10-22 | 2020-02-21 | 北京工业大学 | 一种结构光3d视觉快速自动标定装置及方法 |
| CN111739107A (zh) * | 2020-08-26 | 2020-10-02 | 杭州利珀科技有限公司 | 标定辅助装置、标定系统及标定方法 |
| CN113804124A (zh) * | 2021-09-16 | 2021-12-17 | 飞亚达精密科技股份有限公司 | 一种基于神经网络模型的三维测量方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5506683A (en) * | 1990-04-30 | 1996-04-09 | Kumho & Co., Inc. | Non-contact measuring apparatus for the section profile of a tire and its method |
| JP2010281621A (ja) * | 2009-06-03 | 2010-12-16 | Seiko Epson Corp | 三次元形状計測装置 |
| CN101986350A (zh) * | 2010-10-22 | 2011-03-16 | 武汉大学 | 基于单目结构光的三维建模方法 |
| CN204373600U (zh) * | 2015-01-26 | 2015-06-03 | 长春师范大学 | 三线激光器标定板 |
| CN105841618A (zh) * | 2016-06-08 | 2016-08-10 | 杭州汉振科技有限公司 | 二维三维复合式测量仪及其数据融合标定方法 |
-
2017
- 2017-07-21 CN CN201710604098.5A patent/CN107339938A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5506683A (en) * | 1990-04-30 | 1996-04-09 | Kumho & Co., Inc. | Non-contact measuring apparatus for the section profile of a tire and its method |
| JP2010281621A (ja) * | 2009-06-03 | 2010-12-16 | Seiko Epson Corp | 三次元形状計測装置 |
| CN101986350A (zh) * | 2010-10-22 | 2011-03-16 | 武汉大学 | 基于单目结构光的三维建模方法 |
| CN204373600U (zh) * | 2015-01-26 | 2015-06-03 | 长春师范大学 | 三线激光器标定板 |
| CN105841618A (zh) * | 2016-06-08 | 2016-08-10 | 杭州汉振科技有限公司 | 二维三维复合式测量仪及其数据融合标定方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108844489A (zh) * | 2018-06-25 | 2018-11-20 | 苏州乐佰图信息技术有限公司 | 应用线激光扫描物体轮廓的方法以及相机标定方法 |
| CN110097601A (zh) * | 2019-04-17 | 2019-08-06 | 清华大学深圳研究生院 | 用于多模态采集系统视场标定的标定板及标定方法 |
| CN110823130A (zh) * | 2019-10-22 | 2020-02-21 | 北京工业大学 | 一种结构光3d视觉快速自动标定装置及方法 |
| CN110823130B (zh) * | 2019-10-22 | 2021-09-14 | 北京工业大学 | 一种结构光3d视觉快速自动标定装置及方法 |
| CN111739107A (zh) * | 2020-08-26 | 2020-10-02 | 杭州利珀科技有限公司 | 标定辅助装置、标定系统及标定方法 |
| CN113804124A (zh) * | 2021-09-16 | 2021-12-17 | 飞亚达精密科技股份有限公司 | 一种基于神经网络模型的三维测量方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107339938A (zh) | 一种用于单目立体视觉自标定的异型标定块及标定方法 | |
| CN109741405B (zh) | 一种基于对偶结构光rgb-d相机的深度信息采集系统 | |
| CN105551039B (zh) | 结构光三维扫描系统的标定方法及装置 | |
| CN103278138B (zh) | 一种复杂结构薄部件三维位置及姿态的测量方法 | |
| CN101697233B (zh) | 一种基于结构光的三维物体表面重建方法 | |
| CN103530880B (zh) | 基于投影高斯网格图案的摄像机标定方法 | |
| CN102867304B (zh) | 双目立体视觉系统中场景立体深度与视差的关系建立方法 | |
| CN113409382B (zh) | 车辆损伤区域的测量方法和装置 | |
| CN107133989A (zh) | 一种三维扫描系统参数标定方法 | |
| CN108225216B (zh) | 结构光系统标定方法及装置、结构光系统及移动设备 | |
| CN103994732B (zh) | 一种基于条纹投影的三维测量方法 | |
| CN106949848A (zh) | 一种高精度激光3d轮廓手机结构件检测方法 | |
| CN106981083A (zh) | 双目立体视觉系统摄像机参数的分步标定方法 | |
| CN106815823B (zh) | 一种透镜畸变标定校正方法及其装置 | |
| CN101231750A (zh) | 一种双目立体测量系统的标定方法 | |
| CN104111038B (zh) | 利用相位融合算法修复饱和产生的相位误差的方法 | |
| CN102376089A (zh) | 一种标靶校正方法及系统 | |
| CN104657982A (zh) | 一种投影仪标定方法 | |
| CN105303528B (zh) | 一种slm显微立体视觉图像畸变矫正方法 | |
| CN108833912A (zh) | 一种摄像机机芯光轴中心和视场角的测量方法及系统 | |
| CN102654391A (zh) | 基于光束平差原理的条纹投影三维测量系统及其标定方法 | |
| CN109658497B (zh) | 一种三维模型重建方法及装置 | |
| CN104794717A (zh) | 一种基于双目视觉系统的深度信息对比方法 | |
| CN107220999A (zh) | 工件圆弧边缘特征点匹配方法的研究 | |
| CN109579695A (zh) | 一种基于异构立体视觉的零件测量方法 |
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: 20171110 |
|
| RJ01 | Rejection of invention patent application after publication |