CN108109169B - 一种基于矩形标识的位姿估计方法、装置及机器人 - Google Patents

一种基于矩形标识的位姿估计方法、装置及机器人 Download PDF

Info

Publication number
CN108109169B
CN108109169B CN201711318685.4A CN201711318685A CN108109169B CN 108109169 B CN108109169 B CN 108109169B CN 201711318685 A CN201711318685 A CN 201711318685A CN 108109169 B CN108109169 B CN 108109169B
Authority
CN
China
Prior art keywords
points
point
rectangular
camera
image
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.)
Active
Application number
CN201711318685.4A
Other languages
English (en)
Other versions
CN108109169A (zh
Inventor
辛冠希
徐栋
王可可
沈剑波
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.)
Smart Dynamics Co ltd
Original Assignee
Smart Dynamics Co ltd
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 Smart Dynamics Co ltd filed Critical Smart Dynamics Co ltd
Priority to CN201711318685.4A priority Critical patent/CN108109169B/zh
Publication of CN108109169A publication Critical patent/CN108109169A/zh
Application granted granted Critical
Publication of CN108109169B publication Critical patent/CN108109169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • 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
    • G06T2207/20068—Projection on vertical or horizontal image axis
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明适用于计算机视觉领域，提供了一种基于矩形标识的位姿估计方法、装置及机器人。所述方法包括：通过摄像头的内参数和畸变参数，对矩形标识的四个角点的图像坐标进行畸变矫正，输出畸变校正之后的四个角点；将畸变校正之后的四个角点中随机抽取三个角点作为P3P算法的求解点，另外一个角点作为校验点，产生四组点，对于TS4的情况，每组点得出两组解，通过剩余的点进行验证，从而得到8组解；通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿。本发明相比于当前P3P算法中的随机取三个点作为计算点，将剩余的那个点作为校验点更具理论完备性，不会造成冗余，计算的位姿比较准确。

Description

一种基于矩形标识的位姿估计方法、装置及机器人
技术领域
本发明属于计算机视觉领域，尤其涉及一种基于矩形标识的位姿估计方法、装置及机器人。
背景技术
位姿估计是计算机视觉中一个重要的领域，它有很多应用，例如，增强现实、虚拟现实以及物体空间定位(如无人机的空间位姿估计)。
常用的位姿估计算法一般分为基于视觉的和基于传感器的位姿估计算法，基于视觉的位姿估计算法由于其成本低、抗电磁干扰、精度也较高的优点，已经逐步的取代了基于传感器的位姿估计。而基于视觉的位姿估计算法又分为基于单目的和基于多目的算法，基于单目的位姿估计算法与基于多目的位姿估计算法相比具有：系统简单、价格低、灵活性好的优点。因此，目前基于单目视觉的位姿估计算法已经成为研究的热点。
而位姿估计算法中常用的为PnP算法，该算法是根据n个点的图像坐标与对应的世界坐标来推算摄像头的位姿。
目前常用的位姿估计算法一般使用二维码(或者其他类似的矩形标识)作为标识物，通过捕获二维码的四个角点获取二维码的图像坐标，而由于已知二维码的世界坐标，因此可以通过PnP算法求解出摄像头的位姿。目前来说，常用的PnP算法为P3P算法，该算法通过三个不共线的点(三个不共线的点必然共面)求解出摄像头的位姿。而P3P问题中通用型的算法为TS1的情况，即对四个点的位置不做要求，不共线就可以。TS1的解为4个解，然后通过第4个点进行验证，看哪个解的重投影误差最小，便将该解作为最优解。
而平时使用最多的并非是任意分布的四个点，一般为类似于二维码的情况，即矩形标识(长方形或者正方形的标识)，如果使用TS1情况的PnP算法，就会造成一定程度的冗余，从而造成计算的位姿误差偏大。
发明内容
本发明的目的在于提供一种基于矩形标识的位姿估计方法、装置、计算机可读存储介质及机器人，旨在解决对于矩形标识，如果使用TS1情况的PnP算法，会造成一定程度的冗余，从而造成计算的位姿误差偏大的问题。
第一方面，本发明提供了一种基于矩形标识的位姿估计方法，所述方法包括：
标定摄像头的内参数和畸变参数；
获取摄像头拍摄到的图像，识别出矩形标识；
获取矩形标识的四个角点的图像坐标，根据需求建立世界坐标系，并通过测量获取矩形标识的四个角点在世界坐标系中的坐标；
通过摄像头的内参数和畸变参数，对矩形标识的四个角点的图像坐标进行畸变矫正，输出畸变校正之后的四个角点；
将畸变校正之后的四个角点中随机抽取三个角点作为P3P算法的求解点，另外一个角点作为校验点，产生四组点，对于TS4的情况，每组点得出两组解，通过剩余的点进行验证，从而得到8组解；
通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿。
第二方面，本发明提供了一种基于矩形标识的位姿估计装置，所述装置包括：
标定模块，用于标定摄像头的内参数和畸变参数；
识别模块，用于获取摄像头拍摄到的图像，识别出矩形标识；
坐标获取模块，用于获取矩形标识的四个角点的图像坐标，根据需求建立世界坐标系，并通过测量获取矩形标识的四个角点在世界坐标系中的坐标；
畸变矫正模块，用于通过摄像头的内参数和畸变参数，对矩形标识的四个角点的图像坐标进行畸变矫正，输出畸变校正之后的四个角点；
求解模块，用于将畸变校正之后的四个角点中随机抽取三个角点作为P3P算法的求解点，另外一个角点作为校验点，产生四组点，对于TS4的情况，每组点得出两组解，通过剩余的点进行验证，从而得到8组解；
位姿估计模块，用于通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿。
第三方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于矩形标识的位姿估计方法的步骤。
第四方面，本发明提供了一种机器人，包括：
一个或多个处理器、存储器、摄像头以及一个或多个计算机程序，其中所述处理器分别与所述存储器和摄像头连接，所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述处理器执行所述计算机程序时实现如上述的基于矩形标识的位姿估计方法的步骤。
在本发明中，由于将畸变校正之后的矩形标识的四个角点中随机抽取三个角点作为P3P算法的求解点，另外一个角点作为校验点，产生四组点，对于TS4的情况，每组点得出两组解，通过剩余的点进行验证，从而得到8组解；通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿。相比于当前P3P算法中的随机取三个点作为计算点，将剩余的那个点作为校验点更具理论完备性，不会造成冗余，计算的位姿比较准确。
附图说明
图1是本发明实施例一提供的基于矩形标识的位姿估计方法的流程图。
图2、图3和图4是求解每组点得出两组解的参考图。
图5是本发明实施例二提供的基于矩形标识的位姿估计装置的功能模块框图。
图6是本发明实施例四提供的机器人的具体结构框图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一：
请参阅图1，本发明实施例一提供的基于矩形标识的位姿估计方法包括以下步骤：需注意的是，若有实质上相同的结果，本发明的基于矩形标识的位姿估计方法并不以图1所示的流程顺序为限。
S101、标定摄像头的内参数和畸变参数。
所述内参数包括摄像头的焦距(fx、fy)和光心坐标(cx、cy)。
S102、获取摄像头拍摄到的图像，识别出矩形标识。
在本发明实施例一中，S102具体可以包括以下步骤：
获取摄像头拍摄到的图像；
将图像转换为灰度图；
采用自适应二值化操作和采用轮廓查找操作，找到图像中所有的矩形轮廓或者近似矩形的轮廓作为候选区域；
对候选区域进行透视变换，将其视角变换为正视图；
根据正视图识别出矩形标识。
为了移除一些太小或者太大的轮廓，所述找到图像中所有的矩形轮廓或者近似矩形的轮廓作为候选区域之后，所述方法还可以包括：
对候选区域进行滤波。
由于标识通常只有黑白两种颜色，因此所述对候选区域进行透视变换，将其视角变换为正视图之后，所述方法还可以包括以下步骤：采用大津法对正视图进行二值化处理。
S103、获取矩形标识的四个角点的图像坐标，根据需求建立世界坐标系，并通过测量获取矩形标识的四个角点在世界坐标系中的坐标。
S104、通过摄像头的内参数和畸变参数，对矩形标识的四个角点的图像坐标进行畸变矫正，输出畸变校正之后的四个角点。
S105、将畸变校正之后的四个角点中随机抽取三个角点作为P3P算法的求解点，另外一个角点作为校验点，产生四组点，对于TS4的情况，每组点得出两组解，通过剩余的点进行验证，从而得到8组解。
在本发明实施例一中，针对每组点，所述对于TS4的情况，每组点得出两组解具体可以包括以下步骤：
S1051、利用向量的点乘公式和相似角的原理求解α角、β角和γ角，其中，α角是线段PC和PB之间的夹角，β角是线段PA和PC之间的夹角，γ角是线段PA和PB之间的夹角，P为摄像头的光心，A、B、C分别为世界坐标系中的三个点，AB的长度是c’，BC的长度是a’，AC的长度是b’；如图2所示。
其中，所述利用向量的点乘公式和相似角的原理求解γ角具体可以为：
Figure GDA0003336513930000051
PA'＝(ua-u0,va-v0,f)
PB'＝(ub-u0,vb-v0,f)
其中A’的坐标为(ua,va)，B’点的坐标为(ub,vb)，O点的坐标为(u0,v0)，焦距为f，即PO＝f。如图3所示。类似的，可以求出α角与β角。
S1052、已知α、β、γ角，利用余弦定理列出以下等式：
Y2+Z2-2YZcosα＝a'2
X2+Z2-2XZcosβ＝b'2
X2+Y2-2XYcosγ＝c'2
其中，X是PA的长度，Y是PB的长度，Z是PC的长度。
S1053、通过变量替换：
X＝xZ；Y＝yZ；c’2＝vZ2；
p＝2cosα、q＝2cosβ、r＝2cosγ
a’2＝ac’2＝avZ2
b’2＝bc’2＝bvZ2
保证P、A、B、C四点不共线，即p2+q2+r2-pqr-1≠0；由变量替换，可知：
y2Z2+Z2-yZ2p＝avZ2
x2Z2+Z2-xZ2q＝bvZ2
x2Z2+y2Z2-xyZ2r＝vZ2
上式两边同时除以Z2，可得：
y2+1-yp-av＝0
x2+1-xq-bv＝0
x2+y2-xyr-v＝0
由上式可得v＝x2+y2-xyr，将其带入前面两式，可得：
(1-a)y2-ax2+axyr-yp+1＝0
(1-b)x2-by2+bxyr-xq+1＝0
S1054、将上式按照零值分解TS4的情况进行分解，得到x和y的两组解：
(p2b+q2b-p2)x2+(-4bq+p2q)x+4b-p2＝0
py+qx-2＝0
a+b-1＝0
S1055、由v＝x2+y2-xyr，解出v，再由下式分别解出PA、PB、PC的长度X、
Y和Z(请参阅图4)：
Figure GDA0003336513930000061
X＝xZ
Y＝yZ
S1056、根据PA、PB、PC的长度X、Y和Z，由相似三角形原理求得P点在摄像头坐标系下的坐标(X，Y，Z)：
Figure GDA0003336513930000062
Figure GDA0003336513930000063
Figure GDA0003336513930000064
S1057、已知P点在世界坐标系下的坐标(Xw，Yw，Zw)，根据平面的单应性求出R和T矩阵。
S106、通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿。
从四个点中选出三个点，有四种选择，而每组点通过P3P算法可以求出两组解(R和T矩阵)，因此在本发明实施例一中，S106具体为：
分别由第四个点去衡量该解的重投影误差，选出重投影最小的那组R和T矩阵作为最终的结果。
具体为：通过使用重投影误差法，即用第四个点在世界坐标系中的坐标(X4,Y4)，通过前面三个点求出的R和T矩阵反推出第四个点在图像坐标系中的坐标(x4’,y4’)，然后由第四个点真实的图像坐标(x4,y4)求出这两个点的欧式距离偏差，即重投影误差，然后选出重投影误差最小的那组R和T矩阵作为最终的结果。
实施例二：
请参阅图5，本发明实施例二提供的基于矩形标识的位姿估计装置包括：
标定模块11，用于标定摄像头的内参数和畸变参数；
识别模块12，用于获取摄像头拍摄到的图像，识别出矩形标识；
坐标获取模块13，用于获取矩形标识的四个角点的图像坐标，根据需求建立世界坐标系，并通过测量获取矩形标识的四个角点在世界坐标系中的坐标；
畸变矫正模块14，用于通过摄像头的内参数和畸变参数，对矩形标识的四个角点的图像坐标进行畸变矫正，输出畸变校正之后的四个角点；
求解模块15，用于将畸变校正之后的四个角点中随机抽取三个角点作为P3P算法的求解点，另外一个角点作为校验点，产生四组点，对于TS4的情况，每组点得出两组解，通过剩余的点进行验证，从而得到8组解；
位姿估计模块16，用于通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿。
本发明实施例二提供的基于矩形标识的位姿估计装置及本发明实施例一提供的基于矩形标识的位姿估计方法属于同一构思，其具体实现过程详见说明书全文，此处不再赘述。
实施例三：
本发明实施例三提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明实施例一提供的基于矩形标识的位姿估计方法的步骤。
实施例四：
图6示出了本发明实施例四提供的机器人的具体结构框图，一种机器人100包括：一个或多个处理器101、存储器102、摄像头103以及一个或多个计算机程序，其中所述处理器101分别与所述存储器102和摄像头103连接，所述一个或多个计算机程序被存储在所述存储器102中，并且被配置成由所述一个或多个处理器101执行，所述处理器101执行所述计算机程序时实现如本发明实施例一提供的基于矩形标识的位姿估计方法的步骤。
在本发明实施例中，由于将畸变校正之后的矩形标识的四个角点中随机抽取三个角点作为P3P算法的求解点，另外一个角点作为校验点，产生四组点，对于TS4的情况，每组点得出两组解，通过剩余的点进行验证，从而得到8组解；通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿。相比于当前P3P算法中的随机取三个点作为计算点，将剩余的那个点作为校验点更具理论完备性，不会造成冗余，计算的位姿比较准确。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于矩形标识的位姿估计方法，其特征在于，所述方法包括：
标定摄像头的内参数和畸变参数；
获取摄像头拍摄到的图像，识别出矩形标识；
获取矩形标识的四个角点的图像坐标，根据需求建立世界坐标系，并通过测量获取矩形标识的四个角点在世界坐标系中的坐标；
通过摄像头的内参数和畸变参数，对矩形标识的四个角点的图像坐标进行畸变矫正，输出畸变校正之后的四个角点；
将畸变校正之后的四个角点中随机抽取三个角点作为P3P算法的求解点，另外一个角点作为校验点，产生四组点，对于TS4的情况，每组点得出两组解，通过剩余的点进行验证，从而得到8组解；
通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿。
2.如权利要求1所述的方法，其特征在于，所述获取摄像头拍摄到的图像，识别出矩形标识具体包括：
获取摄像头拍摄到的图像；
将图像转换为灰度图；
采用自适应二值化操作和采用轮廓查找操作，找到图像中所有的矩形轮廓或者近似矩形的轮廓作为候选区域；
对候选区域进行透视变换，将其视角变换为正视图；
根据正视图识别出矩形标识。
3.如权利要求2所述的方法，其特征在于，所述找到图像中所有的矩形轮廓或者近似矩形的轮廓作为候选区域之后，所述方法还包括：
对候选区域进行滤波。
4.如权利要求2所述的方法，其特征在于，所述对候选区域进行透视变换，将其视角变换为正视图之后，所述方法还包括：采用大津法对正视图进行二值化处理。
5.如权利要求1所述的方法，其特征在于，针对每组点，所述对于TS4的情况，每组点得出两组解具体包括以下步骤：
S1051、利用向量的点乘公式和相似角的原理求解α角、β角和γ角，其中，α角是线段PC和PB之间的夹角，β角是线段PA和PC之间的夹角，γ角是线段PA和PB之间的夹角，P为摄像头的光心，A、B、C分别为世界坐标系中的三个点，AB的长度是c’，BC的长度是a’，AC的长度是b’；
S1052、已知α、β、γ角，利用余弦定理列出以下等式：
Y2+Z2-2YZcosα＝a'2
X2+Z2-2XZcosβ＝b'2
X2+Y2-2XYcosγ＝c'2
其中，X是PA的长度，Y是PB的长度，Z是PC的长度；
S1053、通过变量替换：
X＝xZ；Y＝yZ；c’2＝vZ2；
p＝2cosα、q＝2cosβ、r＝2cosγ
a’2＝ac’2＝avZ2
b’2＝bc’2＝bvZ2
保证P、A、B、C四点不共线，即p2+q2+r2-pqr-1≠0；由变量替换，可知：
y2Z2+Z2-yZ2p＝avZ2
x2Z2+Z2-xZ2q＝bvZ2
x2Z2+y2Z2-xyZ2r＝vZ2
上式两边同时除以Z2，可得：
y2+1-yp-av＝0
x2+1-xq-bv＝0
x2+y2-xyr-v＝0
由上式可得v＝x2+y2-xyr，将其带入前面两式，可得：
(1-a)y2-ax2+axyr-yp+1＝0
(1-b)x2-by2+bxyr-xq+1＝0
S1054、将上式按照零值分解TS4的情况进行分解，得到x和y的两组解：
(p2b+q2b-p2)x2+(-4bq+p2q)x+4b-p2＝0
py+qx-2＝0
a+b-1＝0
S1055、由v＝x2+y2-xyr，解出v，再由下式分别解出PA、PB、PC的长度X、Y和Z：
Figure FDA0003336513920000031
X＝xZ
Y＝yZ
S1056、根据PA、PB、PC的长度X、Y和Z，由相似三角形原理求得P点在摄像头坐标系下的坐标(X，Y，Z)：
Figure FDA0003336513920000032
Figure FDA0003336513920000033
Figure FDA0003336513920000034
其中，fx、fy是摄像头的焦距；
S1057、已知P点在世界坐标系下的坐标(Xw，Yw，Zw)，根据平面的单应性求出R和T矩阵。
6.如权利要求5所述的方法，其特征在于，所述利用向量的点乘公式和相似角的原理求解γ角具体为：
Figure FDA0003336513920000035
PA'＝(ua-u0,va-v0,f)
PB'＝(ub-u0,vb-v0,f)
其中A’的坐标为(ua,va)，B’点的坐标为(ub,vb)，O点的坐标为(u0,v0)，
焦距为f，即PO＝f；类似的，求出α角与β角。
7.如权利要求5所述的方法，其特征在于，所述通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿具体为：
通过使用重投影误差法，即用第四个点在世界坐标系中的坐标(X4,Y4)，通过前面三个点求出的R和T矩阵反推出第四个点在图像坐标系中的坐标(x4’,y4’)，然后由第四个点真实的图像坐标(x4,y4)求出这两个点的欧式距离偏差，即重投影误差，然后选出重投影误差最小的那组R和T矩阵作为最终的结果。
8.一种基于矩形标识的位姿估计装置，其特征在于，所述装置包括：
标定模块，用于标定摄像头的内参数和畸变参数；
识别模块，用于获取摄像头拍摄到的图像，识别出矩形标识；
坐标获取模块，用于获取矩形标识的四个角点的图像坐标，根据需求建立世界坐标系，并通过测量获取矩形标识的四个角点在世界坐标系中的坐标；
畸变矫正模块，用于通过摄像头的内参数和畸变参数，对矩形标识的四个角点的图像坐标进行畸变矫正，输出畸变校正之后的四个角点；
求解模块，用于将畸变校正之后的四个角点中随机抽取三个角点作为P3P算法的求解点，另外一个角点作为校验点，产生四组点，对于TS4的情况，每组点得出两组解，通过剩余的点进行验证，从而得到8组解；
位姿估计模块，用于通过各自组点内剩余的点进行重投影误差的计算，选取重投影误差最小的点作为最终估计的位姿。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于矩形标识的位姿估计方法的步骤。
10.一种机器人，包括：一个或多个处理器、存储器、摄像头以及一个或多个计算机程序，其中所述处理器分别与所述存储器和摄像头连接，所述一个或多个计算机程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于矩形标识的位姿估计方法的步骤。
CN201711318685.4A 2017-12-12 2017-12-12 一种基于矩形标识的位姿估计方法、装置及机器人 Active CN108109169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711318685.4A CN108109169B (zh) 2017-12-12 2017-12-12 一种基于矩形标识的位姿估计方法、装置及机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711318685.4A CN108109169B (zh) 2017-12-12 2017-12-12 一种基于矩形标识的位姿估计方法、装置及机器人

Publications (2)

Publication Number Publication Date
CN108109169A CN108109169A (zh) 2018-06-01
CN108109169B true CN108109169B (zh) 2021-12-14

Family

ID=62215640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711318685.4A Active CN108109169B (zh) 2017-12-12 2017-12-12 一种基于矩形标识的位姿估计方法、装置及机器人

Country Status (1)

Country Link
CN (1) CN108109169B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276803B (zh) * 2019-06-28 2021-07-20 首都师范大学 摄像机位姿估计形式化方法、装置、电子设备及存储介质
CN110500954A (zh) * 2019-07-30 2019-11-26 中国地质大学（武汉） 一种基于圆特征及p3p算法的飞行器位姿测量方法
CN111027405B (zh) * 2019-11-15 2023-09-01 浙江大华技术股份有限公司 物品空间占比估计方法、装置、终端及存储装置
CN113256732A (zh) * 2021-04-19 2021-08-13 安吉智能物联技术有限公司 一种摄像头校准及位姿获取的方法
CN113358098A (zh) * 2021-05-13 2021-09-07 武汉中观自动化科技有限公司 一种基于智能反向定位的便携式探测方法及系统
CN115196338B (zh) * 2022-09-16 2022-11-29 沈阳和研科技有限公司 一种矫正机构及三点矫正方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810204A (zh) * 2012-07-03 2012-12-05 天津大学 基于平行四边形的单目视觉单幅图像定位方法
CN104732518A (zh) * 2015-01-19 2015-06-24 北京工业大学 一种基于智能机器人地面特征的ptam改进方法
CN105654097A (zh) * 2015-12-29 2016-06-08 上海珍岛信息技术有限公司 图像中四边形标记物的检测方法
CN106683137A (zh) * 2017-01-11 2017-05-17 中国矿业大学 基于人工标志的单目多目标识别与定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10186024B2 (en) * 2015-12-29 2019-01-22 Texas Instruments Incorporated Method and system for real time structure from motion in a computer vision system
CN107160395B (zh) * 2017-06-07 2020-10-16 中国人民解放军装甲兵工程学院 地图构建方法及机器人控制系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810204A (zh) * 2012-07-03 2012-12-05 天津大学 基于平行四边形的单目视觉单幅图像定位方法
CN104732518A (zh) * 2015-01-19 2015-06-24 北京工业大学 一种基于智能机器人地面特征的ptam改进方法
CN105654097A (zh) * 2015-12-29 2016-06-08 上海珍岛信息技术有限公司 图像中四边形标记物的检测方法
CN106683137A (zh) * 2017-01-11 2017-05-17 中国矿业大学 基于人工标志的单目多目标识别与定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Complete Solution Classification for the Perspective-Three-Point Problem;Xiao-Shan Gao等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20030831;第25卷(第8期);第4节 *
基于合作目标的无人机视觉着陆位姿估计方法及合作目标优化研究;刘婷;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170315(第03期);第2-3章 *
基于矩形几何特性的小型无人机快速位姿估计方法;洪洋等;《中国激光》;20160531;第43卷(第5期);第1-4节 *
基于随机蕨丛的 3D-SLAM 重定位方法;刘伟等;《北京信息科技大学学报》;20170228;第32卷(第1期);第1.4节 *

Also Published As

Publication number Publication date
CN108109169A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN108109169B (zh) 一种基于矩形标识的位姿估计方法、装置及机器人
KR100386090B1 (ko) 동심원 패턴을 이용한 카메라 내부변수 보정시스템 및카메라 보정방법
Orghidan et al. Camera calibration using two or three vanishing points
WO2014061372A1 (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN109479082B (zh) 图象处理方法及装置
JP6503906B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
WO2015037178A1 (ja) 姿勢推定方法及びロボット
WO2017022033A1 (ja) 画像処理装置、画像処理方法および画像処理プログラム
KR20180105875A (ko) 단일 영상을 이용한 카메라 캘리브레이션 방법 및 이를 위한 장치
Miyagawa et al. Simple camera calibration from a single image using five points on two orthogonal 1-D objects
CN106991705B (zh) 一种基于p3p算法的位置参数估计方法
CN108734738B (zh) 相机标定方法及装置
CN112802124A (zh) 多台立体相机的标定方法及装置、电子设备及存储介质
JP2017011328A (ja) 画像処理装置、画像処理方法および画像処理プログラム
JP6641729B2 (ja) ラインセンサカメラのキャリブレーション装置及び方法
WO2016208404A1 (ja) 情報処理装置および方法、並びにプログラム
Mei et al. Radial lens distortion correction using cascaded one-parameter division model
WO2023284349A1 (zh) 3d相机标定方法、装置及标定系统
US10252417B2 (en) Information processing apparatus, method of controlling information processing apparatus, and storage medium
Rudakova et al. Camera matrix calibration using circular control points and separate correction of the geometric distortion field
Alturki et al. Camera principal point estimation from vanishing points
Lui et al. An Iterative 5-pt Algorithm for Fast and Robust Essential Matrix Estimation.
Georgiev et al. A fast and accurate re-calibration technique for misaligned stereo cameras
KR20160049639A (ko) 부분 선형화 기반의 3차원 영상 정합 방법
WO2019058487A1 (ja) ３次元復元画像処理装置、３次元復元画像処理方法及び３次元復元画像処理プログラムを記憶したコンピュータ読み取り可能な記憶媒体

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
GR01 Patent grant
GR01 Patent grant