CN107588721A - 一种基于双目视觉的零件多尺寸的测量方法及系统 - Google Patents
一种基于双目视觉的零件多尺寸的测量方法及系统 Download PDFInfo
- Publication number
- CN107588721A CN107588721A CN201710760185.XA CN201710760185A CN107588721A CN 107588721 A CN107588721 A CN 107588721A CN 201710760185 A CN201710760185 A CN 201710760185A CN 107588721 A CN107588721 A CN 107588721A
- Authority
- CN
- China
- Prior art keywords
- right images
- binocular
- feature points
- coordinates
- images
- 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
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双目视觉的零件多尺寸的测量方法及系统,其中的方法包括:对原左右图像进行双目相机标定,获得双目标定参数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;对所述第一左右图像进行极线矫正,获得第二左右图像;基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点;基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。本发明解决了现有技术双目视觉测量方法存在特征点匹配困难的技术问题。
Description
技术领域
本发明涉及视觉测量技术领域,尤其涉及一种基于双目视觉的零件多尺寸的测量方法及系统。
背景技术
随着工业4.0时代的到来,智能制造与智能工厂的概念逐渐进入人们的视野,人们对产品自动化生产程度的要求越来越高,而在现代制造业的自动化生产中,涉及到零件各种各样的检测、测量等应用。这类加工生产的共同特点是连续大批量生产,对自动化程度的要求非常高。随着工业制造技术和加工工艺的提高和改进,对检测手段、检测速度和精度提出了更高的要求。传统的人工检测方法,如游标卡尺、千分尺和三坐标测量仪等工具,测量效率低、劳动强度高,不能实现在线动态实时测量,而且接触式测量还易刮伤工件表面,因此,机器视觉测量的方法应运而生。
视觉测量方法分为两类:主动式测量和被动式测量。主动式测量包括结构光、激光等,被动式测量包括单目测量,双目测量等。结构光作为主动式测量的代表,在文物重建、面部识别,逆向工程等三维重建方面都发挥着重大的作用,但在工业零件尺寸在线测量等方面却存在不足,原因如下:结构光在获取三维点云时需要投射多幅图片,实时性达不到要求;对于一般零件的尺寸测量,只需获得其轮廓的三维点云即可,但结构光在零件表面不连续区域(包括边缘)测量精度较低,甚至会出现错误的测量结果。为了改善测量的实时性,一般采用双目视觉测量方法,该方法具有柔性检测(较为通用的视觉检测)的潜力,对零件的摆放位置、被测表面是否有深度落差以及对双目安装的相对位置等没有苛刻的要求,可以适应不同的零件和不同的检测任务。
然而,现有技术双目视觉测量方法存在特征点匹配困难的技术问题,因此提供一种基于双目视觉的零件多尺寸的测量方法显得尤为重要。
发明内容
本发明实施例提供一种基于双目视觉的零件多尺寸的测量方法及系统,用以解决现有技术双目视觉测量方法存在特征点匹配困难的技术问题。
本发明第一方面提供了一种基于双目视觉的零件多尺寸的测量方法,所述方法包括:
对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
对所述第一左右图像进行极线矫正,获得第二左右图像;
基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
可选地,在所述对所述第一左右图像进行极线矫正,获得第二左右图像之后,所述方法还包括:
采用高斯金字塔原理对所述第二左右图像进行降采样处理。
可选地,在所述采用高斯金字塔原理对所述第二左右图像进行降采样处理之后,所述方法还包括:
基于边缘聚焦的方法对进行采样处理后的第二左右图像进行边缘检测,获得去除弱边缘及噪声的第三左右图像。
可选地,所述基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,包括:
在所述待匹配点为中心的窗结构中进行代价聚类,利用匹配代价函数作为灰度相似性度量标准,获得使所述代价函数最小时对应的特征点,其中,所述特征点包括左图坐标p(x,y)和相关联的视差pd,所述匹配代价函数的公式为:
其中,Fl(x,y)、Fr(x,y)为对应的第二左右图像,n为窗结构尺寸。
可选地,所述基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标,包括:
基于双目测量标准模型的重投影矩阵、所述特征点的左图坐标p(x,y)以及相关联的视差pd,获得所述特征点的三维坐标P(Xw,Yw,Zw),具体计算方法为:
其中,Q为重投影矩阵,f为左右相机的焦距,(cx,cy)第二左右图像中左图的主点坐标,(c'x,cy)第二左右图像中右图的主点坐标,Tx为右相机相对于左相机的水平位移,所述特征点的三维坐标为P(X/W,Y/W,Z/W),其中,Xw=X/W,Yw=Y/W,Zw=Z/W。
基于同样的发明构思,本发明第二方面提供了一种基于双目视觉的零件多尺寸的测量系统,所述系统包括:
畸变矫正模块,用于对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
极线矫正模块,用于对所述第一左右图像进行极线矫正,获得第二左右图像;
特征匹配模块,用于基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
三维坐标生成模块,用于基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
拟合模块,用于根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
可选的,所述系统还包括降采样模块,用于在对所述第一左右图像进行极线矫正,获得第二左右图像之后:
采用高斯金字塔原理对所述第二左右图像进行降采样处理。
可选的,所述系统还包括边缘检测模块,用于在采用高斯金字塔原理对所述第二左右图像进行降采样处理之后:
基于边缘聚焦的方法对进行采样处理后的第二左右图像进行边缘检测,获得去除弱边缘及噪声的第三左右图像。
可选的,所述特征匹配模块还用于:
在所述待匹配点为中心的窗结构中进行代价聚类,利用匹配代价函数作为灰度相似性度量标准,获得使所述代价函数最小时对应的特征点,其中,所述特征点包括左图坐标p(x,y)和相关联的视差pd,所述匹配代价函数的公式为:
其中,Fl(x,y)、Fr(x,y)为对应的第二左右图像,n为窗结构尺寸。
可选的,所述三维坐标生成模块还用于:
基于双目测量标准模型的重投影矩阵、所述特征点的左图坐标p(x,y)以及相关联的视差pd,获得所述特征点的三维坐标P(Xw,Yw,Zw),具体计算方法为:
其中,Q为重投影矩阵,f为左右相机的焦距,(cx,cy)第二左右图像中左图的主点坐标,(c'x,cy)第二左右图像中右图的主点坐标,Tx为右相机相对于左相机的水平位移,所述特征点的三维坐标为P(X/W,Y/W,Z/W),其中,Xw=X/W,Yw=Y/W,Zw=Z/W。
基于同样的发明构思,本发明第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
对所述第一左右图像进行极线矫正,获得第二左右图像;
基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
基于同样的发明构思,本发明第四方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
对所述第一左右图像进行极线矫正,获得第二左右图像;
基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于双目视觉的零件多尺寸的测量方法,所述方法包括:对原左右图像进行双目相机标定,获得双目标定参数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;对所述第一左右图像进行极线矫正,获得第二左右图像;并基于极线阈值约束将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。在上述方法中,由于在进行双目相机标定,获得双目标定参数后,首先对原左右图像进行畸变矫正,然后进行极线矫正,并且基于极线阈值约束将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,即本发明采用基于边缘轮廓的稀疏匹配方法,根据相机标定参数的极线对齐理论,采用了基于极线阈值约束的灰度相关边缘匹配方法,该方法可以综合区域匹配速度较快与特征匹配准确度较高的优点,解决了特征点准确匹配困难,实现了特征点准确匹配的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中双目立体视觉的一般模型示意图;
图2为本发明实施例中双目立体视觉的标准模型示意图;
图3为本发明实施例中一种基于双目视觉的零件多尺寸的测量方法的流程图;
图4为本发明实施例中一种基于双目视觉的零件多尺寸的测量系统的结构图;
图5为本发明实施例中一种计算机可读存储介质的结构图;
图6为本发明实施例中一种计算机设备的结构图。
具体实施方式
本发明实施例提供了一种基于双目视觉的零件多尺寸的测量方法及系统,用以解决现有技术双目视觉测量方法存在特征点匹配困难的技术问题。
本申请实施例中的技术方案,总体思路如下:
一种基于双目视觉的零件多尺寸的测量方法,所述方法包括:首先对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;然后对所述第一左右图像进行极线矫正,获得第二左右图像;再基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;接下来基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;最后根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
在上述方法中,由于在进行双目相机标定,获得双目标定参数后,首先对原左右图像进行畸变矫正,然后进行极线矫正,并且基于极线阈值约束将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,即本发明采用基于边缘轮廓的稀疏匹配方法,根据相机标定参数的极线对齐理论,采用了基于极线阈值约束的灰度相关边缘匹配方法,该方法可以综合区域匹配速度较快与特征匹配准确度较高的优点,解决了特征点准确匹配困难,实现了特征点准确匹配的技术效果。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例提供了一种基于双目视觉的零件多尺寸的测量方法,请参见图1,所述方法包括:
步骤S101:对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
步骤S102:对所述第一左右图像进行极线矫正,获得第二左右图像;
步骤S103:基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
步骤S104:基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
步骤S105:根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
下面对双目视觉测量中的一般模型和标准模型及转换关系进行介绍,首先,请参见图1,为双目视觉测量的一般模型,Ol和Or为左右相机投影中心,Il和Ir为对应的成像面,ulolvl和urorvr是左右相机成像面的图像像素坐标系,世界坐标系中的空间点A(X,Y,Z)在左右像平面的投影坐标分别为al(ul,vl),ar(ur,vr)。
双目视觉测量就是根据空间点A在左右像平面的投影坐标al(ul,vl),ar(ur,vr)和相机标定参数,计算得出空间点A的X,Y,Z坐标。但要找到左成像面上的投影点al在右成像面上的对应点ar并非易事,因为ar可能在右成像面任意位置,需要对整个平面进行二维搜索。
下面介绍双目立体视觉标准模型,如图2所示,在双目立体视觉标准模型中,两相机主光轴OlZl和OrZr完全平行且两成像面Il和Ir完全共面,左右相机投影中心Ol和Or的平移向量为T(Tx,Ty,Tz),其中Ty=Tz=0,旋转向量为R,R为3×3单位矩阵。在此模型下,空间点A在左右相机的成像点al和ar的纵坐标完全相等,也就是说左成像面上al的对应点必定在右成像面上与之水平的极线Er上,此时只需在水平极线Er上搜索对应点al即可。
将图1中双目立体视觉的一般模型转化为图2中的双目立体视觉标准模型,称为双目极线校正,在实际应用中,不存在两相机主光轴OlZl和OrZr完全平行且两成像面Il和Ir完全共面的情况,需要在数学上对其进行校准。通过对一般模型的双目相机进行标定,得到右相机坐标系相对于左相机坐标系的旋转变换矩阵R(3×3)与平移变换矩阵T(Tx,Ty,Tz)。为了使图像重投影畸变最小化,可以将R分离成左右相机各旋转一半的rl和rr,其中rl=R1/2,rr=R-1/2,这样的旋转可以让两相机的成像面平行,但此时对应点的y坐标并不相等。构建使极线El和Er水平对准的矩阵变换Rrect。具体的实现步骤如下:
首先,创建一个由极点e1方向的旋转矩阵,e1的方向就是两相机光心的平移向量方向:
由于e2与e1正交,且与主光轴OlZl正交,然后创建e2并归一化到单位向量:
由于e3与e1和e2正交e3=e1×e2,再构建旋转矩阵Rrect:那么使左右相机光轴平行且对应点y轴对齐的变换矩阵分别为:
下面,结合图1对本申请提供的一种基于双目视觉的零件多尺寸的测量方法进行详细介绍:
首先执行步骤S101:对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像。
在具体的实施过程中,可以利用MATLAB标定工具箱进行双目相机标定,双目标定参数还包括旋转变换矩阵与平移变换矩阵,然后对进行标定后的左右图像进行畸变矫正。
然后执行步骤S102:对所述第一左右图像进行极线矫正,获得第二左右图像。
在具体的实施过程中,可以通过计算极线矫正的变换矩阵Rl和Rr,来完成第一左右成像图像的极线校正。
接下来执行步骤S103:基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图。
具体来说,所述基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,包括:
在所述待匹配点为中心的窗结构中进行代价聚类,利用匹配代价函数作为灰度相似性度量标准,获得使所述代价函数最小时对应的特征点,其中,所述特征点包括左图坐标p(x,y)和相关联的视差pd,所述匹配代价函数的公式为:
其中,Fl(x,y)、Fr(x,y)为对应的第二左右图像,n为窗结构尺寸。
在具体的实施过程中,由于经过步骤S101和步骤S102后,已经完成了对左右图像的畸变矫正和极线校正,此时的第二左右图像对应点均在同一水平线上,也就是说,对于左图像上的一特征点只需在右图像中同一纵坐标下寻找对应点即可。然后基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,即求得使代价函数的值最小时对应坐标p(x,y)及与其相关联的视差pd。
再执行步骤S104:基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标。
在具体的实施过程中,三角测量原理可以参见图1所示的双目立体视觉的一般模型,根据左图中的al和右图中的ar以及相关的双目标定参数,来获得特征点A的坐标。
具体地,所述基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标,包括:
基于双目测量标准模型的重投影矩阵、所述特征点的左图坐标p(x,y)以及相关联的视差pd,获得所述特征点的三维坐标P(Xw,Yw,Zw),具体计算方法为:
其中,Q为重投影矩阵,f为左右相机的焦距,(cx,cy)第二左右图像中左图的主点坐标,(c'x,cy)第二左右图像中右图的主点坐标,Tx为右相机相对于左相机的水平位移,所述特征点的三维坐标为P(X/W,Y/W,Z/W),其中,Xw=X/W,Yw=Y/W,Zw=Z/W。
最后执行步骤S105:根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
在具体的实施过程中,通过对三维坐标进行空间曲线和直线的拟合,就可以得到零件的多个关键尺寸,关键尺寸即为目标尺寸。
在本实施例提供的基于双目视觉的零件多尺寸的测量方法,在所述对所述第一左右图像进行极线矫正,获得第二左右图像之后,所述方法还包括:
采用高斯金字塔原理对所述第二左右图像进行降采样处理。
在具体的实施过程中,为了视觉测量实时性的要求,本发明实施例采用高斯金字塔原理减少运算量,从而提高加速算法执行效率,具体的实现方法如下:
1)对于一幅灰度图像,记为F(x,y),令高斯金字塔L0层图像:G0(x,y)=F(x,y)。
2)设定高斯金字塔Ll层图像为:其中w(m,n)为高斯加权函数。
3)假设空间中一点P(X,Y,Z)在左成像面上的投影为p(x,y),且与其对应的视差为pd,创建第L层高斯金字塔,那么pL(x,y)及在高斯金字塔第L层图像Gl(x,y)中:
在本实施例提供的边缘检测方法中,在所述采用高斯金字塔原理对所述第二左右图像进行降采样处理之后,所述方法还包括:
基于边缘聚焦的方法对进行采样处理后的第二左右图像进行边缘检测,获得去除弱边缘及噪声的第三左右图像。
在具体的实施过程中,首先用较大的高斯核σ0进行Canny边缘检测,得到不含噪声及细节的粗精度边缘图像,用E(i,j,σ0)表示,其中i和j表示边缘点的图像坐标。然后通过减小高斯核σ,选择步长s=0.5,用新的高斯核σ(σ=σ0-s)再次进行边缘检测,得到新的边缘图E(i,j,σ0-s)。并且,再次进行边缘检测时,只在旧边缘及其邻近区域进行边缘检测。由于使用了较小的高斯核σ,新边缘E(i,j,σ0-s)会比旧边缘的定位精度更加准确,但相对于旧边缘会出现一些噪声及不必要的边缘细节。由于选择的迭代步长s较小,新边缘E(i,j,σ0-s)中的强边缘相对于旧边缘的偏移量不会超过一个像素。经过前后两次边缘检测后,保留新的含有噪声的较准确的边缘E(i,j,σ0-s),舍弃旧边缘E(i,j,σ0)。由于新的边缘E(i,j,σ0-s)中含有噪声和不必要的弱边缘,需要将其剔除。解决方法如下:对新边缘E(i,j,σ0-s)用8连通的方法对其连通区域进行标记,若新边缘E(i,j,σ0-s)中的像素点在旧边缘的8邻接范围内,且该点所在的连通区域长度大于T(T根据经验取值),则该点保留,否则去除。该方法可以有效地去除新边缘中出现的弱边缘和噪声。依此类推,遍历新边缘E(i,j,σ0-s)中所有像素点,得到的不含噪声的较高精度边缘图,记为E0(i,j,σ0-s)。本发明中基于边缘聚焦的边缘检测的原理是不断地减小高斯核σ0迭代优化边缘达到逼近真实边缘同时抑制噪声的过程,类似地,接着可以用高斯核σ(σ=σ0-2s)在新边缘E0(i,j,σ0-s)及其邻近区域进行边缘检测,得到边缘图E(i,j,σ0-2s),然后去除弱边缘及噪声,得到高精度边缘图E0(i,j,σ0-2s)。重复上述步骤,直到σ=σ0-ns足够小(可取σ<1)为止,得到不含弱边缘及噪声的高精度边缘图E0(i,j,σ0-ns),即为最终的去除弱边缘及噪声的第三左右图像。
本发明实施例的方法,采用基于边缘轮廓的稀疏匹配方法,根据相机标定参数的极线对齐理论,提出了基于极线阈值约束的灰度相关边缘匹配方法,该方法结合区域匹配速度较快与特征匹配准确度较高的优点,可以解决特征点准确匹配困难的问题。在此基础上,还采用高斯金字塔原理对所述第二左右图像进行降采样处理,结合了高斯金字塔的由粗到精多分辨率技术,进一步提高了运算速度,满足工业上的在线动态测量。进一步地,还分析了边缘定位精度与噪声抑制的矛盾关系,还基于边缘聚焦的方法对进行采样处理后的第二左右图像进行边缘检测,获得去除弱边缘及噪声的第三左右图像,从而解决了测量精度较低的问题。
实施例二
基于与实施例一同样的发明构思,本发明实施例二提供了一种基于双目视觉的零件多尺寸的测量系统,请参见图4,所述系统包括:
畸变矫正模块201,用于对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
极线矫正模块202,用于对所述第一左右图像进行极线矫正,获得第二左右图像;
特征匹配模块203,用于基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
三维坐标生成模块204,用于基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
拟合模块205,用于根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
在本发明实施例提供的基于双目视觉的零件多尺寸的测量系统,还包括降采样模块,用于在对所述第一左右图像进行极线矫正,获得第二左右图像之后:
采用高斯金字塔原理对所述第二左右图像进行降采样处理。
在本发明实施例提供的基于双目视觉的零件多尺寸的测量系统中,所述系统还包括边缘检测模块,用于在采用高斯金字塔原理对所述第二左右图像进行降采样处理之后:
基于边缘聚焦的方法对进行采样处理后的第二左右图像进行边缘检测,获得去除弱边缘及噪声的第三左右图像。
在本发明实施例提供的基于双目视觉的零件多尺寸的测量系统中,所述特征匹配模块203,还用于:
在所述待匹配点为中心的窗结构中进行代价聚类,利用匹配代价函数作为灰度相似性度量标准,获得使所述代价函数最小时对应的特征点,其中,所述特征点包括左图坐标p(x,y)和相关联的视差pd,所述匹配代价函数的公式为:
其中,Fl(x,y)、Fr(x,y)为对应的第二左右图像,n为窗结构尺寸。
在本发明实施例提供的基于双目视觉的零件多尺寸的测量系统中,所述三维坐标生成模块204,还用于:
基于双目测量标准模型的重投影矩阵、所述特征点的左图坐标p(x,y)以及相关联的视差pd,获得所述特征点的三维坐标P(Xw,Yw,Zw),具体计算方法为:
其中,Q为重投影矩阵,f为左右相机的焦距,(cx,cy)第二左右图像中左图的主点坐标,(c'x,cy)第二左右图像中右图的主点坐标,Tx为右相机相对于左相机的水平位移,所述特征点的三维坐标为P(X/W,Y/W,Z/W),其中,Xw=X/W,Yw=Y/W,Zw=Z/W。
实施例一中的基于的各种变化方式和具体实例同样适用于本实施例的系统,通过前述对的详细描述,本领域技术人员可以清楚的知道本实施例中的系统,所以为了说明书的简洁,在此不再详述。
实施例三
基于与实施例一同样的发明构思,本发明实施例三提供了一种计算机可读存储介质500,请参见图5,其上存储有计算机程序511,该程序被处理器执行时实现以下步骤:
对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
对所述第一左右图像进行极线矫正,获得第二左右图像;
基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
实施例一中的基于的各种变化方式和具体实例同样适用于本实施例的计算机可读存储介质,通过前述对的详细描述,本领域技术人员可以清楚的知道本实施例中的计算机可读存储介质,所以为了说明书的简洁,在此不再详述。
基于与实施例一同样的发明构思,本发明实施例四提供了一种计算机设备,请参见图6,包括存储器601、处理器602及存储在存储器上并可在处理器上运行的计算机程序603,所述处理器执行所述程序时实现以下步骤:
对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
对所述第一左右图像进行极线矫正,获得第二左右图像;
基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
实施例一中的基于的各种变化方式和具体实例同样适用于本实施例的计算机设备,通过前述对的详细描述,本领域技术人员可以清楚的知道本实施例中的计算机设备,所以为了说明书的简洁,在此不再详述。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于双目视觉的零件多尺寸的测量方法,所述方法包括:对原左右图像进行双目相机标定,获得双目标定参数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;对所述第一左右图像进行极线矫正,获得第二左右图像;并基于极线阈值约束将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。在上述方法中,由于在进行双目相机标定,获得双目标定参数后,首先对原左右图像进行畸变矫正,然后进行极线矫正,并且基于极线阈值约束将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,即本发明采用基于边缘轮廓的稀疏匹配方法,根据相机标定参数的极线对齐理论,采用了基于极线阈值约束的灰度相关边缘匹配方法,该方法可以综合区域匹配速度较快与特征匹配准确度较高的优点,解决了特征点准确匹配困难,实现了特征点准确匹配的技术效果。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于双目视觉的零件多尺寸的测量方法,其特征在于,所述方法包括:
对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
对所述第一左右图像进行极线矫正,获得第二左右图像;
基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
2.如权利要求1所述的方法,其特征在于,在所述对所述第一左右图像进行极线矫正,获得第二左右图像之后,所述方法还包括:
采用高斯金字塔原理对所述第二左右图像进行降采样处理。
3.如权利要求2所述的方法,其特征在于,在所述采用高斯金字塔原理对所述第二左右图像进行降采样处理之后,所述方法还包括:
基于边缘聚焦的方法对进行采样处理后的第二左右图像进行边缘检测,获得去除弱边缘及噪声的第三左右图像。
4.如权利要求1所述的方法,其特征在于,所述基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,包括:
在所述待匹配点为中心的窗结构中进行代价聚类,利用匹配代价函数作为灰度相似性度量标准,获得使所述代价函数最小时对应的特征点,其中,所述特征点包括左图坐标p(x,y)和相关联的视差pd,所述匹配代价函数的公式为:
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>d</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mo>-</mo>
<mi>n</mi>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mo>-</mo>
<mi>n</mi>
</mrow>
<mi>n</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>F</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mi>i</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>F</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mi>d</mi>
<mo>+</mo>
<mi>i</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中,Fl(x,y)、Fr(x,y)为对应的第二左右图像,n为窗结构尺寸。
5.如权利要求1所述的方法,其特征在于,所述基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标,包括:
基于双目测量标准模型的重投影矩阵、所述特征点的左图坐标p(x,y)以及相关联的视差pd,获得所述特征点的三维坐标P(Xw,Yw,Zw),具体计算方法为:
其中,Q为重投影矩阵,f为左右相机的焦距,(cx,cy)第二左右图像中左图的主点坐标,(c'x,cy)第二左右图像中右图的主点坐标,Tx为右相机相对于左相机的水平位移,所述特征点的三维坐标为P(X/W,Y/W,Z/W),其中,Xw=X/W,Yw=Y/W,Zw=Z/W。
6.一种基于双目视觉的零件多尺寸的测量系统,其特征在于,所述系统包括:
畸变矫正模块,用于对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
极线矫正模块,用于对所述第一左右图像进行极线矫正,获得第二左右图像;
特征匹配模块,用于基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
三维坐标生成模块,用于基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
拟合模块,用于根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
7.如权利要求1所述的测量系统,其特征在于,所述系统还包括降采样模块,用于在对所述第一左右图像进行极线矫正,获得第二左右图像之后:
采用高斯金字塔原理对所述第二左右图像进行降采样处理。
8.如权利要求7所述的测量系统,其特征在于,所述系统还包括边缘检测模块,用于在采用高斯金字塔原理对所述第二左右图像进行降采样处理之后:
基于边缘聚焦的方法对进行采样处理后的第二左右图像进行边缘检测,获得去除弱边缘及噪声的第三左右图像。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以下步骤:
对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
对所述第一左右图像进行极线矫正,获得第二左右图像;
基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
对原左右图像进行双目相机标定,获得双目标定参数,所述双目标定参数包括左右相机的焦距、主点坐标、水平位移和畸变系数,并对双目相机标定后的左右图像进行畸变矫正,获得第一左右图像;
对所述第一左右图像进行极线矫正,获得第二左右图像;
基于极线阈值约束,将所述第二左右图像中待匹配点的坐标映射至相对应的灰度图中,获得特征点,其中,特征点包括视差,所有特征点的视差构成视差图;
基于三角测量原理,根据所述双目标定参数和所述视差图,获得所述特征点的三维坐标;
根据所述三维坐标进行空间曲线和直线的拟合,获得目标尺寸,以所述目标尺寸作为零件的尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710760185.XA CN107588721A (zh) | 2017-08-28 | 2017-08-28 | 一种基于双目视觉的零件多尺寸的测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710760185.XA CN107588721A (zh) | 2017-08-28 | 2017-08-28 | 一种基于双目视觉的零件多尺寸的测量方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107588721A true CN107588721A (zh) | 2018-01-16 |
Family
ID=61050453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710760185.XA Pending CN107588721A (zh) | 2017-08-28 | 2017-08-28 | 一种基于双目视觉的零件多尺寸的测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107588721A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364345A (zh) * | 2018-02-11 | 2018-08-03 | 陕西师范大学 | 基于像素标记和合成孔径成像的遮挡目标三维重建方法 |
CN108986171A (zh) * | 2018-07-05 | 2018-12-11 | 大连理工大学 | 视觉测量系统中镜头热影响误差补偿方法 |
CN109003307A (zh) * | 2018-06-11 | 2018-12-14 | 西北工业大学 | 基于水下双目视觉测量的捕鱼网目尺寸设计方法 |
CN109341537A (zh) * | 2018-09-27 | 2019-02-15 | 北京伟景智能科技有限公司 | 基于双目视觉的尺寸测量方法和装置 |
CN109373904A (zh) * | 2018-12-17 | 2019-02-22 | 石家庄爱赛科技有限公司 | 三维视觉检测装置及三维视觉检测方法 |
CN109559354A (zh) * | 2018-11-30 | 2019-04-02 | 北京金风科创风电设备有限公司 | 测量塔架净空的方法、双目系统的标定方法以及装置 |
CN109961468A (zh) * | 2019-03-15 | 2019-07-02 | 北京清瞳时代科技有限公司 | 基于双目视觉的体积测量方法、装置及存储介质 |
CN109993800A (zh) * | 2019-03-18 | 2019-07-09 | 五邑大学 | 一种工件尺寸的检测方法、装置及存储介质 |
CN110120098A (zh) * | 2018-02-05 | 2019-08-13 | 浙江商汤科技开发有限公司 | 场景尺度估计及增强现实控制方法、装置和电子设备 |
CN110136048A (zh) * | 2018-02-09 | 2019-08-16 | 中国科学院上海高等研究院 | 一种图像配准方法及系统、存储介质及终端 |
CN110487254A (zh) * | 2019-07-11 | 2019-11-22 | 哈尔滨工程大学 | 一种用于rov的水下目标尺寸快速测量方法 |
CN111145254A (zh) * | 2019-12-13 | 2020-05-12 | 上海新时达机器人有限公司 | 一种基于双目视觉的门阀毛坯定位方法 |
CN111524174A (zh) * | 2020-04-16 | 2020-08-11 | 上海航天控制技术研究所 | 一种动平台动目标双目视觉三维构建方法 |
CN112161997A (zh) * | 2020-09-28 | 2021-01-01 | 南京工程学院 | 半导体芯片管脚三维几何尺寸的在线精密视觉测量方法及系统 |
CN113298885A (zh) * | 2021-06-23 | 2021-08-24 | Oppo广东移动通信有限公司 | 双目标定方法及装置、设备和存储介质 |
CN113409236A (zh) * | 2020-06-29 | 2021-09-17 | 华中科技大学 | 一种基于双目视觉的钢拱架铰接孔检测方法及其应用 |
CN113850815A (zh) * | 2021-11-29 | 2021-12-28 | 季华实验室 | 工件点云获取方法、装置、电子设备及存储介质 |
CN114155289A (zh) * | 2021-12-08 | 2022-03-08 | 电子科技大学 | 基于双目视觉的电点火系统电火花轮廓尺寸测量方法 |
CN114842091A (zh) * | 2022-04-29 | 2022-08-02 | 广东工业大学 | 一种双目鸡蛋尺寸流水线测定方法 |
CN117173342A (zh) * | 2023-11-02 | 2023-12-05 | 中国海洋大学 | 基于水下单双目相机的自然光下移动三维重建装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353340A (zh) * | 2011-06-08 | 2012-02-15 | 天津大学 | 缸盖毛坯加工尺寸识别方法及装置 |
CN102447917A (zh) * | 2010-10-08 | 2012-05-09 | 三星电子株式会社 | 立体图像匹配方法及其设备 |
CN102802020A (zh) * | 2012-08-31 | 2012-11-28 | 清华大学 | 监测双目立体视频视差信息的方法和装置 |
CN103868460A (zh) * | 2014-03-13 | 2014-06-18 | 桂林电子科技大学 | 基于视差优化算法的双目立体视觉自动测量方法 |
CN105894499A (zh) * | 2016-03-25 | 2016-08-24 | 华南理工大学 | 一种基于双目视觉的空间物体三维信息快速检测方法 |
-
2017
- 2017-08-28 CN CN201710760185.XA patent/CN107588721A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102447917A (zh) * | 2010-10-08 | 2012-05-09 | 三星电子株式会社 | 立体图像匹配方法及其设备 |
CN102353340A (zh) * | 2011-06-08 | 2012-02-15 | 天津大学 | 缸盖毛坯加工尺寸识别方法及装置 |
CN102802020A (zh) * | 2012-08-31 | 2012-11-28 | 清华大学 | 监测双目立体视频视差信息的方法和装置 |
CN103868460A (zh) * | 2014-03-13 | 2014-06-18 | 桂林电子科技大学 | 基于视差优化算法的双目立体视觉自动测量方法 |
CN105894499A (zh) * | 2016-03-25 | 2016-08-24 | 华南理工大学 | 一种基于双目视觉的空间物体三维信息快速检测方法 |
Non-Patent Citations (1)
Title |
---|
韩峻峰 等: "基于双目立体视觉技术的汽车测距系统实现", 《计算机应用于软件》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120098B (zh) * | 2018-02-05 | 2023-10-13 | 浙江商汤科技开发有限公司 | 场景尺度估计及增强现实控制方法、装置和电子设备 |
CN110120098A (zh) * | 2018-02-05 | 2019-08-13 | 浙江商汤科技开发有限公司 | 场景尺度估计及增强现实控制方法、装置和电子设备 |
CN110136048A (zh) * | 2018-02-09 | 2019-08-16 | 中国科学院上海高等研究院 | 一种图像配准方法及系统、存储介质及终端 |
CN110136048B (zh) * | 2018-02-09 | 2022-10-14 | 中国科学院上海高等研究院 | 一种图像配准方法及系统、存储介质及终端 |
CN108364345A (zh) * | 2018-02-11 | 2018-08-03 | 陕西师范大学 | 基于像素标记和合成孔径成像的遮挡目标三维重建方法 |
CN108364345B (zh) * | 2018-02-11 | 2021-06-15 | 陕西师范大学 | 基于像素标记和合成孔径成像的遮挡目标三维重建方法 |
CN109003307A (zh) * | 2018-06-11 | 2018-12-14 | 西北工业大学 | 基于水下双目视觉测量的捕鱼网目尺寸设计方法 |
CN109003307B (zh) * | 2018-06-11 | 2021-10-22 | 西北工业大学 | 基于水下双目视觉测量的捕鱼网目尺寸设计方法 |
CN108986171A (zh) * | 2018-07-05 | 2018-12-11 | 大连理工大学 | 视觉测量系统中镜头热影响误差补偿方法 |
CN108986171B (zh) * | 2018-07-05 | 2020-06-16 | 大连理工大学 | 视觉测量系统中镜头热影响误差补偿方法 |
CN109341537A (zh) * | 2018-09-27 | 2019-02-15 | 北京伟景智能科技有限公司 | 基于双目视觉的尺寸测量方法和装置 |
CN109559354A (zh) * | 2018-11-30 | 2019-04-02 | 北京金风科创风电设备有限公司 | 测量塔架净空的方法、双目系统的标定方法以及装置 |
CN109559354B (zh) * | 2018-11-30 | 2024-02-23 | 北京金风科创风电设备有限公司 | 测量塔架净空的方法以及装置 |
CN109373904A (zh) * | 2018-12-17 | 2019-02-22 | 石家庄爱赛科技有限公司 | 三维视觉检测装置及三维视觉检测方法 |
CN109961468A (zh) * | 2019-03-15 | 2019-07-02 | 北京清瞳时代科技有限公司 | 基于双目视觉的体积测量方法、装置及存储介质 |
CN109961468B (zh) * | 2019-03-15 | 2021-08-13 | 北京清瞳时代科技有限公司 | 基于双目视觉的体积测量方法、装置及存储介质 |
CN109993800A (zh) * | 2019-03-18 | 2019-07-09 | 五邑大学 | 一种工件尺寸的检测方法、装置及存储介质 |
CN109993800B (zh) * | 2019-03-18 | 2023-01-03 | 五邑大学 | 一种工件尺寸的检测方法、装置及存储介质 |
CN110487254A (zh) * | 2019-07-11 | 2019-11-22 | 哈尔滨工程大学 | 一种用于rov的水下目标尺寸快速测量方法 |
CN111145254A (zh) * | 2019-12-13 | 2020-05-12 | 上海新时达机器人有限公司 | 一种基于双目视觉的门阀毛坯定位方法 |
CN111145254B (zh) * | 2019-12-13 | 2023-08-11 | 上海新时达机器人有限公司 | 一种基于双目视觉的门阀毛坯定位方法 |
CN111524174A (zh) * | 2020-04-16 | 2020-08-11 | 上海航天控制技术研究所 | 一种动平台动目标双目视觉三维构建方法 |
CN111524174B (zh) * | 2020-04-16 | 2023-08-29 | 上海航天控制技术研究所 | 一种动平台动目标双目视觉三维构建方法 |
CN113409236A (zh) * | 2020-06-29 | 2021-09-17 | 华中科技大学 | 一种基于双目视觉的钢拱架铰接孔检测方法及其应用 |
CN112161997A (zh) * | 2020-09-28 | 2021-01-01 | 南京工程学院 | 半导体芯片管脚三维几何尺寸的在线精密视觉测量方法及系统 |
CN113298885A (zh) * | 2021-06-23 | 2021-08-24 | Oppo广东移动通信有限公司 | 双目标定方法及装置、设备和存储介质 |
CN113850815B (zh) * | 2021-11-29 | 2022-03-08 | 季华实验室 | 工件点云获取方法、装置、电子设备及存储介质 |
CN113850815A (zh) * | 2021-11-29 | 2021-12-28 | 季华实验室 | 工件点云获取方法、装置、电子设备及存储介质 |
CN114155289A (zh) * | 2021-12-08 | 2022-03-08 | 电子科技大学 | 基于双目视觉的电点火系统电火花轮廓尺寸测量方法 |
CN114842091A (zh) * | 2022-04-29 | 2022-08-02 | 广东工业大学 | 一种双目鸡蛋尺寸流水线测定方法 |
CN117173342A (zh) * | 2023-11-02 | 2023-12-05 | 中国海洋大学 | 基于水下单双目相机的自然光下移动三维重建装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107588721A (zh) | 一种基于双目视觉的零件多尺寸的测量方法及系统 | |
CN107063228B (zh) | 基于双目视觉的目标姿态解算方法 | |
US9972067B2 (en) | System and method for upsampling of sparse point cloud for 3D registration | |
CN111563921B (zh) | 一种基于双目相机的水下点云获取方法 | |
CN110296667B (zh) | 基于线结构光多角度投影的高反射表面三维测量方法 | |
CN110176032B (zh) | 一种三维重建方法及装置 | |
CN104748683A (zh) | 一种数控机床工件在线自动测量装置及测量方法 | |
CN108225319B (zh) | 基于目标特征的单目视觉快速相对位姿估计系统及方法 | |
CN109579695B (zh) | 一种基于异构立体视觉的零件测量方法 | |
CN110310331B (zh) | 一种基于直线特征与点云特征结合的位姿估计方法 | |
Muñoz-Bañón et al. | Targetless camera-LiDAR calibration in unstructured environments | |
CN111127540B (zh) | 一种三维虚拟空间自动测距方法及系统 | |
CN112017248B (zh) | 一种基于点线特征的2d激光雷达相机多帧单步标定方法 | |
CN111123242B (zh) | 一种基于激光雷达和相机的联合标定方法及计算机可读存储介质 | |
CN113362247A (zh) | 一种激光融合多目相机的语义实景三维重建方法及系统 | |
Bethmann et al. | Semi-global matching in object space | |
CN110852979A (zh) | 一种基于相位信息匹配的点云配准及融合方法 | |
CN104460505A (zh) | 工业机器人相对位姿估计方法 | |
CN116129037B (zh) | 视触觉传感器及其三维重建方法、系统、设备及存储介质 | |
CN113393524A (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN114170284B (zh) | 基于主动标志点投射辅助的多视图点云配准方法 | |
CN111028280A (zh) | 井字结构光相机系统及进行目标有尺度三维重建的方法 | |
CN111105467A (zh) | 一种图像标定方法、装置及电子设备 | |
CN113221953B (zh) | 基于实例分割和双目深度估计的目标姿态识别系统与方法 | |
CN113450334A (zh) | 一种水上目标检测方法、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |