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 PDF

Info

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
calibration point
algorithm
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
Application number
CN201710604098.5A
Other languages
English (en)
Inventor
高金刚
刘智勇
张爽
王�华
侯岱双
王文忠
王守龙
黄金
卢廖辉
王寅凯
安峻啸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun Institute of Applied Chemistry of CAS
Changchun Institute Technology
Original Assignee
Changchun Institute Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun Institute Technology filed Critical Changchun Institute Technology
Priority to CN201710604098.5A priority Critical patent/CN107339938A/zh
Publication of CN107339938A publication Critical patent/CN107339938A/zh
Pending legal-status Critical Current

Links

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

一种用于单目立体视觉自标定的异型标定块及标定方法
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。
CN201710604098.5A 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 Pending CN107339938A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
CN109446892B (zh) 基于深度神经网络的人眼注意力定位方法及系统
CN110443879B (zh) 一种基于神经网络的透视误差补偿方法
CN109443245B (zh) 一种基于单应性矩阵的多线结构光视觉测量方法
CN111210468A (zh) 一种图像深度信息获取方法及装置
CN104182969B (zh) 一种单线阵相机内外参数标定方法
CN103994732B (zh) 一种基于条纹投影的三维测量方法
CN104574415B (zh) 一种基于单摄像机的目标空间定位方法
CN108111838B (zh) 一种裸眼3d显示校正治具及校正方法
CN108225216A (zh) 结构光系统标定方法及装置、结构光系统及移动设备
CN109961485A (zh) 一种基于单目视觉进行目标定位的方法
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
CN105252911A (zh) 一种激光打标的校正方法和装置
CN111325803B (zh) 一种评估双目相机内外参与时间同步的标定的方法
CN112200771A (zh) 一种高度测量方法、装置、设备和介质
CN104807405B (zh) 一种基于光线角度标定的三维坐标测量方法
CN111145271A (zh) 相机参数的精确度的确定方法、装置、存储介质及终端
CN104123725B (zh) 一种单线阵相机单应性矩阵h的计算方法
CN105783774A (zh) 一种船舶钢板曲面尺寸在线测量系统及其方法
CN110264527A (zh) 基于zynq的实时双目立体视觉输出方法
CN103945207A (zh) 一种基于视点合成的立体图像垂直视差消除方法
CN104050661B (zh) 面扫描三维测量系统精度的实时调整方法
CN105046691A (zh) 一种基于正交消失点的相机自标定方法
CN104077768B (zh) 一种鱼眼镜头径向畸变的标定方法及标定装置

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