CN110288713B - 一种基于多目视觉的快速三维模型重建方法及系统 - Google Patents

一种基于多目视觉的快速三维模型重建方法及系统 Download PDF

Info

Publication number
CN110288713B
CN110288713B CN201910595386.8A CN201910595386A CN110288713B CN 110288713 B CN110288713 B CN 110288713B CN 201910595386 A CN201910595386 A CN 201910595386A CN 110288713 B CN110288713 B CN 110288713B
Authority
CN
China
Prior art keywords
image
dimensional model
self
calibration
camera
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
CN201910595386.8A
Other languages
English (en)
Other versions
CN110288713A (zh
Inventor
蒲金泽
康乐
董彦鹏
问慧云
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.)
Beijing Machinery Equipment Research Institute
Original Assignee
Beijing Machinery Equipment Research Institute
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 Beijing Machinery Equipment Research Institute filed Critical Beijing Machinery Equipment Research Institute
Priority to CN201910595386.8A priority Critical patent/CN110288713B/zh
Publication of CN110288713A publication Critical patent/CN110288713A/zh
Application granted granted Critical
Publication of CN110288713B publication Critical patent/CN110288713B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于多目视觉的快速三维模型重建方法及系统，属于模型重建领域，其中，重建方法为：根据待建模物体的大小，选择相应的图像采集方式进行多次图像采集；将多次采集到的图像进行预处理得到低噪声的图像序列；利用选择的采集方式对标定板进行多次图像采集，以对图像采集设备的相机进行标定，得到相机的内、外参数和镜头畸变系数；将预处理得到的图像序列导入建模软件进行自标定，得到自标定结果；利用镜头畸变系数和相机的内、外参数更新自标定结果，根据更新后的自标定结果，利用建模软件重建点云并生成网格，得到待建模物体的三维模型。本发明灵活性高、适应性强，具有重建速度快，精度高且适合重建任何尺寸物体的优点。

Description

一种基于多目视觉的快速三维模型重建方法及系统
技术领域
本发明涉及三维模型重建技术领域，尤其涉及一种基于多目视觉的快速三维模型重建方法及系统。
背景技术
针对于大型物体，利用计算机在虚拟现实环境里面进行产品的装配、电缆管路布置模拟仿真、作战仿真等，经常需要大型地面设备的三维模型。目前一般采用的方法是利用三维建模软件手工绘制三维模型，对于大型物体建模通常耗时在数月以上，所花人工和时间成本巨大。所以实现一种通过对实际实物产品扫描采样，快速生成三维模型的方法，把建模时间从几个月压缩到数小时以内，将会很大程度的提高重建模型的效率。对于中小型零部件建模，目前现有技术中，针对此类问题一般采用激光扫描的方式，这种方式不仅所需设备昂贵，并且操作复杂，在实际应用时还需喷涂显像剂，破坏产品的外观，影响产品后续使用。
现有技术存在以下缺点：一是对于大型物体，重建耗时太多；二是对于中小型物体，重建所需设备昂贵且操作复杂。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于多目视觉的快速三维模型重建方法及系统，已解决现有建模技术中，重建模型耗时长、精度低的问题。
一方面，本发明实施例提供了一种基于多目视觉的快速三维模型重建方法，该方法具体过程如下：根据待建模物体的大小，选择相应的图像采集方式进行多次图像采集；对多次采集到的图像进行预处理得到低噪声的图像序列；利用选择的所述采集方式对标定板进行多次图像采集，以对图像采集设备的相机进行标定，得到相机的内、外参数和镜头畸变系数；将预处理得到的图像序列导入建模软件进行自标定，得到自标定结果；利用所述的镜头畸变系数和相机的内、外参数更新所述自标定结果，根据更新后的所述自标定结果，利用建模软件重建点云并生成网格，得到待建模物体的三维模型。
进一步的，还包括对得到的所述三维模型进行后处理，对模型平面平滑及孔洞修复。
进一步的，对于物体最大包络体积尺寸量级为几十以上立方米的大型物体采用无人机方式进行图像采集，对于物体最大包络体积尺寸量级为几立方分米以下的小型物体采用转台方式进行图像采集，尺寸介于两者之间的物体，采用采集设备固定于支架的方式进行图像采集。
进一步的，在进行图像采集时，还包括调节图像采集设备的感光度和光圈值。
进一步的，调节图像采集设备的感光度和光圈值使采集到的图像稀疏点个数最大。
进一步的，采用高斯滤波方式消除图像的高斯噪声，采用中值滤波方式消除图像的椒盐噪声。
进一步的，利用选择的所述采集方式对标定板进行图像采集，具体为利用选择的采集方式使图像采集设备绕标定板一周进行拍摄，从不同的方位和角度采集得到图像序列；
进一步的，根据从不同方位和角度采集到的图像序列，利用Matlab对图像采集设备的相机进行标定，得到相机的内参数、外参数和镜头畸变系数。
进一步的，自标定的具体过程包括：
从预处理后的图像序列中任意选择一张图像，从选择的图像中提取特征点；
对图像序列进行特征点匹配，根据匹配结果计算得到基础矩阵，确定不同图像之间的约束关系完成相机的自标定；
基础矩阵中隐式的包含了相机的内、外参数及镜头的畸变参数。
根据上述技术方案，本发明的有益效果如下：
针对不同大小的待建模物体选用不同的采集方式，采集到的图像序列间匹配效果好，物体整体性强，关联度高；针对不同的图像噪声，采用不同的消除方式，提高了图像的信噪比；对相机内、外参数和镜头畸变系数的更新解决了自标定结果的不准确的问题；从而提高了三维模型重建的速度和精确度。
另一方面，本发明实施例提供了一种基于多目视觉的快速三维模型重建系统，该系统包括：图像采集设备、图像预处理模块、自标定模块、建模模块。
其中，图像采集设备，用于根据待建模物体的大小，选择相应的图像采集方式进行多次图像采集；并利用选择的采集方式对标定板进行多次图像采集，对图像采集设备的相机进行标定，得到相机的内、外参数和镜头畸变系数；
图像预处理模块，对多次采集到的图像进行预处理得到低噪声的图像序列；
自标定模块，用于对预处理得到的图像序列进行自标定，得到自标定结果；
建模模块，根据更新后的自标定结果，重建点云并生成网格，得到待建模物体的三维模型；更新后的自标定结果利用镜头畸变系数和相机的内、外参数更新自标定结果得到。
由于本发明中的基于多目视觉的快速三维模型重建系统与重建方法原理相同，所以该系统也具有与上述里程计系统相应的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为基于多目视觉的快速三维模型重建流程示意图；
图2为采用相机人工环绕采集图像的三维模型重建结果示意图；
图3为采用无人机环绕采集图像的三维模型重建结果示意图；
图4为四种滤波方式在不同噪声密度下对高斯噪声的滤波效果示意图；
图5为四种滤波方式在不同噪声密度下对椒盐噪声的滤波效果示意图；
图6为自标定得到的三维重建局部效果示意图；
图7为Matlab标定进行标定修正得到的三维重建局部效果示意图；
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
方法实施例
本发明的一个具体实施例，公开了一种基于多目视觉的快速三维模型重建方法，如图1所示，该方法具体过程如下：根据待建模物体的大小，选择相应的图像采集方式进行多次图像采集；对多次采集到的图像进行预处理得到低噪声的图像序列；利用选择的所述采集方式对标定板进行多次图像采集，以对图像采集设备的相机进行标定，得到相机的内、外参数和镜头畸变系数；将预处理得到的图像序列导入Smart 3D Capture建模软件进行自标定，得到自标定结果；利用所述的镜头畸变系数和相机的内、外参数更新所述自标定结果，根据更新后的所述自标定结果，利用建模软件重建点云并生成网格，得到待建模物体的三维模型。
进一步的，还包括对得到的三维模型进行后处理，对模型平面平滑及孔洞修复。所采用的后处理软件为Geomagic Studio，通过该后处理解决了模型在重建时由于特征点误差等因素造成重建平面平整度不高、孔洞缺陷等问题，得到了平滑平面、无孔洞的三维模型。
进一步的，对于物体最大包络体积尺寸量级为几十以上立方米的大型物体采用无人机方式进行图像采集，对于物体最大包络体积尺寸量级为几立方分米以下的小型物体采用转台方式进行图像采集，尺寸介于两者之间的物体，采用采集设备固定于支架的方式进行图像采集。解决了大小物体外形尺寸差异较大，图像序列特征关联性差距较大的问题，这样采集得到的图像序列间匹配效果好，物体整体性强，关联度高。此外，图像采集方式主要是单张拍摄的方式得到的图像序列，也可采用移动录像，再选取一定间隔帧数的图像序列的方式。
其中，不同的采集方式包括采集设备的选择，采集距离、采集角度以及采集次数的确定等等。
图2是利用相机人工环绕方式采集图像后重建的三维模型效果图，图3为利用无人机环绕方式采集图像后重建的的三维模型效果图，相比于图2，图3中的三维重建模型更加清晰，所以针对大型物体采用无人机方式采集图像所得到的三维模型重建精度更高。
为了适应不同的光照环境，在进行图像采集时，还包括调节图像采集设备的感光度和光圈值，将感光度和光圈值调节到最佳状态后，可以采集到更加清晰地图像，有利于提高三维模型重建地精度。
具体的，可以通过图像稀疏点个数值，确定感光度和光圈值是否为最佳；当通过调节感光度和光圈值使采集到的图像稀疏点个数最大时，认为达到最佳状态。具体为，分别调节感光度的值以及光圈值，确定使用不同的感光度和光圈值所采集的图像的稀疏点个数，稀疏点个数最大对应的感光度和光圈值为最佳选择，如表1和表2所示，在标准室内环境下，通过分别多次调整感光度和光圈值，得到感光度在400时，稀疏点个数为最大值，光圈值在13时，稀疏点个数为最大值；因此确定感光度最佳值为400，光圈值最佳值为13。
表1
Figure BDA0002117489110000061
表2
Figure BDA0002117489110000071
进一步的，图4显示了四种滤波方式在不同噪声密度下对高斯噪声的滤波效果，图5显示了四种滤波方式在不同噪声密度下对椒盐噪声的滤波效果；从图4和图5中可以看出，采用高斯滤波方式消除图像的高斯噪声时，其PSNR值最高，采用中值滤波方式消除图像的椒盐噪声，其PSNR值最高，效果做好。所以采用高斯滤波方式和中值滤波方式解决了噪声点对图像特征点进行干扰的问题，得到了噪声点极大减少的图像序列，为后续重建高精度的三维模型做准备。
进一步的，利用选择的采集方式对标定板进行图像采集，具体为利用选择的采集方式使图像采集设备绕标定板一周进行拍摄，从不同的方位和角度采集得到图像序列；一般采集10张图像即可，并且尽量不要有相机正对标定板的图像。
进一步的，图6为自标定得到的三维重建局部效果图，图7为Matlab标定进行标定修正得到的三维重建局部效果图，从两图中可以看出，相比于图6，图7中的模型表面更加平整且空洞较少。所以采用Matlab标定进行标定修正与自标定相比，可以加强三维重建效果和重建精度。
从不同方位和角度采集到的图像序列，利用Matlab对图像采集设备的相机进行标定，得到相机的内参数、外参数和镜头畸变系数。其中，首先要在Matlab中输入标定板的实际参数，将采集的图像序列下载至PC端，通过Matlab标定工具箱进行采集设备的标定，得到相机的内、外参数，还有镜头的畸变系数，之后利用该结果数据进行自标定结果修正，通过采用Matlab相机标定的方式代替软件自标定，解决了软件自标定结果不准确，畸变系数不精准的问题，得到了更为精确的畸变系数以及内、外参数。
进一步的，自标定的具体过程包括：
从预处理后的图像序列中任意选择一张图像，从选择的图像中提取特征点；
对图像序列进行特征点匹配，根据匹配结果计算得到基础矩阵，确定不同图像之间的约束关系完成相机的自标定；
基础矩阵中隐式的包含了相机的内、外参数及镜头的畸变参数。
本发明实施例中的基于多目视觉的快速三维模型重建方法，本方法通过针对不同大小的物体采用不同的方式采集图像序列来进行物体快速三维模型重建，可满足重建速度快、真实感强、适合测量任何尺寸物体。并且，采用针对性的图像噪声处理方式，以及更新相机内、外参数和镜头畸变系数，提高了三维模型重建的精度。且该方法灵活性高、操作简单、适应性强、成本廉价，在机械行业产品设计的逆向工程中以及部件间的虚拟装配等仿真领域有着广泛的应用前景。
系统实施例
另一方面，本发明的一个具体实施例，提供了一种基于多目视觉的快速三维模型重建系统，该系统包括：图像采集设备、图像预处理模块、自标定模块、建模模块。
其中，图像采集设备，用于根据待建模物体的大小，选择相应的图像采集方式进行多次图像采集；并利用选择的采集方式对标定板进行多次图像采集，对图像采集设备的相机进行标定，得到相机的内、外参数和镜头畸变系数；
图像预处理模块，对多次采集到的图像进行预处理得到低噪声的图像序列；
自标定模块，用于对预处理得到的图像序列进行自标定，得到自标定结果；
建模模块，根据更新后的自标定结果，重建点云并生成网格，得到待建模物体的三维模型；更新后的自标定结果利用镜头畸变系数和相机的内、外参数更新自标定结果得到。
本发明实施例中的基于多目视觉的快速三维模型重建方法，本方法通过针对不同大小的物体采用不同的方式采集图像序列来进行物体快速三维模型重建，可满足重建速度快、真实感强、适合测量任何尺寸物体。并且，采用针对性的图像噪声处理方式，以及更新相机内、外参数和镜头畸变系数，提高了三维模型重建的精度。且该方法灵活性高、操作简单、适应性强、成本廉价，在机械行业产品设计的逆向工程中以及部件间的虚拟装配等仿真领域有着广泛的应用前景。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于多目视觉的快速三维模型重建方法，其特征在于，包括以下步骤：
根据待建模物体的大小，选择相应的图像采集方式进行多次图像采集；
对多次采集到的图像进行预处理得到低噪声的图像序列；
利用选择的所述采集方式对标定板进行多次图像采集，以对图像采集设备的相机进行标定，得到相机的内、外参数和镜头畸变系数；
将预处理得到的图像序列导入建模软件进行自标定，得到自标定结果；
利用所述的镜头畸变系数和相机的内、外参数更新所述自标定结果，根据更新后的所述自标定结果，利用建模软件重建点云并生成网格，得到待建模物体的三维模型。
2.根据权利要求1所述的基于多目视觉的快速三维模型重建方法，其特征在于，还包括对得到的所述三维模型进行后处理，对模型平面平滑及孔洞修复。
3.根据权利要求1所述的基于多目视觉的快速三维模型重建方法，其特征在于，对于物体最大包络体积尺寸量级为几十以上立方米的大型物体采用无人机方式进行图像采集，对于物体最大包络体积尺寸量级为几立方分米以下的小型物体采用转台方式进行图像采集，尺寸介于之间的物体，采用采集设备固定于支架的方式进行图像采集。
4.根据权利要求1所述的基于多目视觉的快速三维模型重建方法，其特征在于，在进行图像采集时，还包括调节图像采集设备的感光度和光圈值。
5.根据权利要求4所述的基于多目视觉的快速三维模型重建方法，其特征在于，调节图像采集设备的感光度和光圈值使采集到的图像稀疏点个数最大。
6.根据权利要求1所述的基于多目视觉的快速三维模型重建方法，其特征在于，所述预处理包括采用高斯滤波方式消除图像的高斯噪声，采用中值滤波方式消除图像的椒盐噪声。
7.根据权利要求1所述的基于多目视觉的快速三维模型重建方法，其特征在于，利用选择的所述采集方式对标定板进行图像采集，具体为利用选择的所述采集方式使图像采集设备绕标定板一周进行拍摄，从不同的方位和角度采集得到图像序列。
8.根据权利要求7所述的基于多目视觉的快速三维模型重建方法，其特征在于，根据所述从不同方位和角度采集到的图像序列，利用Matlab对图像采集设备的相机进行标定，得到相机的内参数、外参数和镜头畸变系数。
9.根据权利要求1所述的基于多目视觉的快速三维模型重建方法，其特征在于，所述自标定的具体过程包括：
从预处理后的图像序列中任意选择一张图像，从选择的所述图像中提取特征点；
对所述图像序列进行特征点匹配，根据匹配结果计算得到基础矩阵，确定不同图像之间的约束关系完成相机的自标定；
所述基础矩阵中隐式的包含了相机的内、外参数及镜头的畸变参数。
10.一种基于多目视觉的快速三维模型重建系统，其特征在于，包括：
图像采集设备，用于根据待建模物体的大小，选择相应的图像采集方式进行多次图像采集；并利用选择的所述采集方式对标定板进行多次图像采集，对图像采集设备的相机进行标定，得到相机的内、外参数和镜头畸变系数；
图像预处理模块，对多次采集到的图像进行预处理得到低噪声的图像序列；
自标定模块，用于对预处理得到的图像序列进行自标定，得到自标定结果；
建模模块，根据更新后的自标定结果，重建点云并生成网格，得到待建模物体的三维模型；所述更新后的自标定结果利用所述的镜头畸变系数和相机的内、外参数更新所述自标定结果得到。
CN201910595386.8A 2019-07-03 2019-07-03 一种基于多目视觉的快速三维模型重建方法及系统 Active CN110288713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910595386.8A CN110288713B (zh) 2019-07-03 2019-07-03 一种基于多目视觉的快速三维模型重建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910595386.8A CN110288713B (zh) 2019-07-03 2019-07-03 一种基于多目视觉的快速三维模型重建方法及系统

Publications (2)

Publication Number Publication Date
CN110288713A CN110288713A (zh) 2019-09-27
CN110288713B true CN110288713B (zh) 2022-12-23

Family

ID=68020534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910595386.8A Active CN110288713B (zh) 2019-07-03 2019-07-03 一种基于多目视觉的快速三维模型重建方法及系统

Country Status (1)

Country Link
CN (1) CN110288713B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080685A (zh) * 2019-12-17 2020-04-28 北京工业大学 一种基于多视角立体视觉的飞机钣金零件三维重建方法及系统
CN111429523B (zh) * 2020-03-16 2021-06-15 天目爱视（北京）科技有限公司 一种在3d建模中远距离标定方法
CN111311693B (zh) * 2020-03-16 2023-11-14 威海经济技术开发区天智创新技术研究院 一种多目摄像头的在线标定方法及系统
CN111402447A (zh) * 2020-03-25 2020-07-10 南方电网海南数字电网研究院有限公司 电网线路巡检方法、服务器、系统及存储介质
CN111566701B (zh) * 2020-04-02 2021-10-15 深圳市瑞立视多媒体科技有限公司 大空间环境下边扫场边标定方法、装置、设备及存储介质
CN113532315A (zh) * 2021-06-30 2021-10-22 同济大学 基于多目视觉的三维建模设备及其控制方法
CN113628444A (zh) * 2021-08-12 2021-11-09 智道网联科技(北京)有限公司 提示交通风险的方法、装置和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015024361A1 (zh) * 2013-08-20 2015-02-26 华为技术有限公司 三维重建方法及装置、移动终端
CN108288292A (zh) * 2017-12-26 2018-07-17 中国科学院深圳先进技术研究院 一种三维重建方法、装置及设备
CN108305286A (zh) * 2018-01-25 2018-07-20 哈尔滨工业大学深圳研究生院 基于颜色编码的多目立体视觉脚型三维测量方法、系统和介质
CN109872397A (zh) * 2019-02-18 2019-06-11 北京工业大学 一种基于多目立体视觉的飞机零件的三维重建方法
CN109961497A (zh) * 2019-03-22 2019-07-02 刘文龙 基于无人机影像的实时三维重建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015024361A1 (zh) * 2013-08-20 2015-02-26 华为技术有限公司 三维重建方法及装置、移动终端
CN108288292A (zh) * 2017-12-26 2018-07-17 中国科学院深圳先进技术研究院 一种三维重建方法、装置及设备
CN108305286A (zh) * 2018-01-25 2018-07-20 哈尔滨工业大学深圳研究生院 基于颜色编码的多目立体视觉脚型三维测量方法、系统和介质
CN109872397A (zh) * 2019-02-18 2019-06-11 北京工业大学 一种基于多目立体视觉的飞机零件的三维重建方法
CN109961497A (zh) * 2019-03-22 2019-07-02 刘文龙 基于无人机影像的实时三维重建方法

Also Published As

Publication number Publication date
CN110288713A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110288713B (zh) 一种基于多目视觉的快速三维模型重建方法及系统
US10929966B2 (en) System and method for imaging underwater environments using fluid lensing
Furukawa et al. Accurate camera calibration from multi-view stereo and bundle adjustment
Prescott et al. Line-based correction of radial lens distortion
CN109883533B (zh) 基于机器视觉的低频振动测量方法
CN109087388A (zh) 基于深度传感器的物体三维建模方法
Bhalla et al. A global scattering center representation of complex targets using the shooting and bouncing ray technique
CN109887020B (zh) 一种植株器官分离方法及系统
CN110969668A (zh) 一种长焦双目相机的立体标定算法
CN107980150A (zh) 对三维空间建模
CN102494663A (zh) 摆动喷管的摆动角度的测量系统及摆动角度的测量方法
Stavroulakis et al. Rapid tracking of extrinsic projector parameters in fringe projection using machine learning
CN112629412A (zh) 一种转动式3d智能视觉设备
CN110378963A (zh) 相机参数标定方法和装置
CN115886792A (zh) 一种牲畜智能体尺测定方法、系统及装置
Piccinin et al. ARGOS: Calibrated facility for Image based Relative Navigation technologies on ground verification and testing
CN111735447B (zh) 一种仿星敏式室内相对位姿测量系统及其工作方法
CN117376717A (zh) 一种相机扰动校正方法与系统
CN116894876A (zh) 基于实时图像的6-dof的定位方法
CN115638731B (zh) 一种基于超分辨率的振动台试验计算机视觉位移测量方法
CN111260735A (zh) 一种单次拍摄的lidar与全景相机的外参数标定方法
WO2023023961A1 (zh) 一种基于激光线阵的piv图像标定装置及方法
CN109118576A (zh) 基于bds位置服务的大型场景三维重建系统及重建方法
CN114897990A (zh) 一种基于神经网络的相机畸变标定方法、系统和存储介质
Drap et al. Underwater multimodal survey: Merging optical and acoustic data

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