CN111080702A - 一种基于广义线性模型的平面物体位姿测量方法 - Google Patents
一种基于广义线性模型的平面物体位姿测量方法 Download PDFInfo
- Publication number
- CN111080702A CN111080702A CN201911323792.5A CN201911323792A CN111080702A CN 111080702 A CN111080702 A CN 111080702A CN 201911323792 A CN201911323792 A CN 201911323792A CN 111080702 A CN111080702 A CN 111080702A
- Authority
- CN
- China
- Prior art keywords
- camera
- theta
- rotation
- linear model
- point
- 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.)
- Granted
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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于广义线性模型的平面物体位姿测量方法,包括一个建模的步骤,采用两个相机,将所述的两个相机分别在物体运动平面的相邻的两个方向垂直设置,分别获取所述物体的两个任意点A和点B作为对象,当物体做平移和旋转(x,y,θ)时,获取点A在CA相机的图像坐标偏移向量PA(xA,yA),获取点B在CB相机的图像坐标偏移向量PB(xB,yB);同时设置角度纠正参数λ,构建线性模型,产生训练数据,再构建模型损失函数,求解角度方向的系数,获得X方向和Y方向的系数向量αx=Mx ‑1βx和αy=My ‑1βy;当物体产生新的未知的平移和旋转(x,y,θ),获取新的PA(xA,yA)和PB(xB,yB),将通过解出的αx,αy和αθ计算测量出来物体的平移量和旋转量。本发明解决了单相机视野不够的大型物体或者单相机测量精度要求高的情况,具有易操作和高精度的特点。
Description
技术领域:
本发明涉及物理领域,尤其涉及物体位姿的测量方法,具体来说是一种基于广义线 性模型的平面物体位姿测量方法。
背景技术:
对于物体较小或者要求测量精度不高时候,可以用单相机标定确定相机的内参数和 外参数,直接通过世界坐标系和图像坐标系的坐标变换计算出物体的平移和旋转。常用的相机标定方法有张氏标定法和Tsai两步法:
1)张氏标定法使用二维方格组成的标定板进行标定,采集标定板不同位姿图片,提取 图片中角点像素坐标,通过单应矩阵计算出相机的内外参数初始值,利用非线性最小二乘法估计畸变系数,最后使用极大似然估计法优化参数。该方法操作简单,而 且精度较高,可以满足大部分场合。
2)Tsai两步法是先线性求得相机参数,之后考虑畸变因素,得到初始的参数值,通过 非线性优化得到最终的相机参数。Tsai两步法速度较快,但仅考虑径向畸变,当相 机畸变严重时,该方法不适用。
现有技术比较容易利用现有的单目相机标定方法,计算出相机的内参数矩阵和外参数矩阵这样,很容易确定图像坐 标系和世界坐标系的关系其中s为缩放因子,(Xw Yw Zw)为 物体上某点在世界坐标系的坐标表示。
当物体在某垂直于相机的平面做平移和旋转时,物体上的任意点的位置都可以直接 由单相机中的图像坐标系坐标计算出来。从而,物体的旋转和平移量也都可以直接得出。
但是,在测量对象很大的时候,或者对测量要求精度很高的时候,通过单目相机标定确定内外参数、计算出世界坐标的方法不能适用。单相机测量时,想要保证精度,因 为物体太大而视野受限,则面临成本大幅增加问题,想要维持成本不变,标定时候视野 不够又只能损失精度,由此,针对大型物体的平面运动,本发明提出一种双相机的测量 方法。
发明内容:
针对现有技术中的上述技术问题,本发明提供了一种基于广义线性模型的平面物体 位姿测量方法,所述的这种基于广义线性模型的平面物体位姿测量方法要解决现有技术 中测量对象很大的时候、或者对测量要求精度很高的时候,通过单目相机测量精度不高的技术问题。
本发明提供了一种基于广义线性模型的物体位姿测量方法,包括如下步骤:
1)一个建模的步骤,采用两个相机,所述的第一相机为CA,所述的第二相机为CB,将所述的两个相机分别在待测量物体运动平面中的两个方向垂直设置,分别获取所 述物体的两个任意点A和点B作为对象,当物体做平移和旋转(x,y,θ)时x表示X方 向位移,y表示Y方向位移,θ表示旋转角度,获取点A在CA相机的图像坐标偏移 向量PA(xA,yA),获取点B在CB相机的图像坐标偏移向量PB(xB,yB);同时设置α系 数矩阵和角度纠正参数λ,构建线性模型
x=αx0xA+αx1yA+αx2xB+αx3yB+αx4 (10)
y=αy0xA+αy1yA+αy2xB+αy3yB+αy4 (11)
θ+λθ3=αθ0xA+αθ1yA+αθ2xB+αθ3yB+αθ4 (12)
2)一个产生训练数据的步骤:对所述的物体做N次已知大小的旋转和平移 [xi,yi,θi](i=1,2,...,N),所述的N大于等于6,获取N组图像坐标PAi(xAi,yAi)和 PBi(xBi,yBi),PAi和PBi分别表示点A和点B在第i次刚体运动,依次重复N次运动并 根据CA和CB的图像坐标偏移向量得到N组训练数据;
3)一个构建模型损失函数的步骤:
Lx表示X方向上的损失函数,Ly表示Y方向上的损失函数、Lθ表示旋转角度的 损失函数
4)一个求解角度方向的系数的步骤:使损失函数Lθ最小,再求解一个凸二次优 化问题,使Lθ关于系数的偏导数等于0,即:
方程(16)展开就是:
αθ=Mθ -1βθ (18)
5)一个求解X方向和Y方向的系数的步骤,仿照步骤4求得X方向和Y方向的 系数向量,X方向:
方程(19)展开成为:
αx=Mx -1βx (21)
Y方向:
方程(22)展开就是:
则Y方向的系数向量αx解出如下:
αy=My -1βy (24)
6)测试时,将所述的物体做一次新的未知大小的平移和旋转(x,y,θ),获取新的PA(xA,yA)和PB(xB,yB),将(18),(21)和(24)式解出的αx,αy和αθ代入 (10)~(12)式就可以测量出来物体的新做出的平移量和旋转量。
本发明解决了单相机视野不够的大型物体或者单相机测量精度要求高的情况,本发 明的方法具有易操作和高精度的特点。本发明的方法适用于所测物体在某平面上做平移 和旋转(双自由度),通过两个垂直该平面的相机CA和CB(不要求内参一致),分别获 取该物体的两个任意点A和点B作为对象,当物体做平移和旋转(x,y,θ)时,获取点A在 CA相机的图像坐标偏移向量PA(xA,yA),获取点B在CB相机的图像坐标偏移向量 PB(xB,yB)。本发明的方法可以通过构建广义线性模型,在低至六组先验数据的情况下, 学习出模型参数,在物体做新的平移和旋转时,通过两相机中点A和点B的图像坐标偏 移量计算出物体真实的平移量和旋转量。
本发明和已有技术相比,其技术效果是积极和明显的。本发明的这种基于广义线性 模型的平面物体位姿测量方法解决了现有测量方法的精度不足的问题。
附图说明:
图1显示两相机分别垂直于物体运动时候所在的平面,两相机可以放置在具有合适 视野的任意位置,在图1中正好方便捕捉角点。
图2中显示物体在其所在平面做平移和旋转(x,y,θ),x表示X方向位移,y表示Y 方向位移,θ表示旋转角度,
具体实施方式:
实施例1
本实施例采用巧视公司软件ProSight和库卡六轴机器人。第一和第二相机也是采用 巧视的两个面阵相机,型号VXIG-500GM/C,像素量200万,像元尺寸4.8μm。两相机 的镜头型号分别是VXLS-08ST和VXLS-12ST,对应焦距分别是8mm和12mm。
按照位移x,y和角度θ设置不同的值,得到两个相机的图像坐标中不同的位移 PA(xA,yA)和PB(xB,yB):
index | x | y | θ | x<sub>A</sub> | y<sub>A</sub> | x<sub>B</sub> | y<sub>B</sub> |
1 | 10mm | 10mm | 10° | 384.50 | 297.36 | 484.80 | 618.68 |
2 | -10mm | -10mm | -10° | 496.38 | 429.14 | 802.70 | 523.77 |
3 | 10mm | -10mm | 5° | 288.72 | 378.46 | 657.07 | 572.68 |
4 | -10mm | 10mm | -5° | 574.26 | 365.13 | 645.64 | 583.13 |
5 | -5mm | -5mm | -3° | 429.49 | 376.99 | 710.30 | 577.36 |
6 | 5mm | 5mm | 3° | 426.92 | 369.61 | 593.91 | 582.25 |
7 | -5mm | 5mm | -1° | 478.58 | 348.91 | 634.49 | 599.06 |
8 | 5mm | -5mm | 1° | 380.51 | 404.38 | 674.74 | 558.43 |
9 | -4mm | -8mm | -2° | 393.70 | 372.53 | 718.28 | 581.22 |
选择前八条数据[xi,yi,θi,xAi,yAi,xBi,yBi](i=1,2,...,8)作训练,第九条作为预测。步骤 如下:
1.代入前八条数据到(8)式,计算
3.对于第九条数据,通过xA9,yA9,xB9,yB9预测x9,y9和θ9。将αx,αy和αθ代入 (1)~(3)式,即可计算出x9=[xA9,yA9,xB9,yB9,1]αx,x9=-3.89;同理 y9=-8.008,θ9=-2.066°。
比较预测结果[x9 y9 θ9]=[-3.89 -8.008 -2.066]和真实结果[-4 -8 -2],发现位移误差在0.98%,角度误差在3.3%。
实验时需要注意工件与相机视角保持垂直,是否垂直非常影响实验的成功与否。
另外需要注意的是,本发明是针对实际加工中,工件所处空间的高度受限或者其他 工艺及成本原因,不支持单相机视野覆盖全部工件而提出的方案。
结论:
通过实验验证,广义线性模型方法在大角度测量是可行的。广义线性模型方法与简 单线性模型(线性模型等价于人为指定角度纠正参数λ=0)拟合物体的旋转和平移相比,平移精度相等,旋转角度测量精度大幅提高,使引入非线性环节后适用于大角度的 工件位姿测量。本发明的测量方法符合加工生产的要求,在智能制造自动化线加工中具 有推广价值。
Claims (1)
1.一种基于广义线性模型的物体位姿测量方法,其特征在于:包括如下步骤:
1)一个建模的步骤,采用两个相机,所述的第一相机为CA,所述的第二相机为CB,将所述的两个相机分别在待测量物体运动平面中的两个方向垂直设置,分别获取所述物体的两个任意点A和点B作为对象,当物体做平移和旋转(x,y,θ)时,x表示X方向位移,y表示Y方向位移,θ表示旋转角度,获取物体上某点A在CA相机的图像坐标偏移向量PA(xA,yA),获取某点B在CB相机的图像坐标偏移向量PB(xB,yB);同时设置α系数矩阵和角度纠正参数λ,构建线性模型
x=αx0xA+αx1yA+αx2xB+αx3yB+αx4 (1)
y=αy0xA+αy1yA+αy2xB+αy3yB+αy4 (2)
θ+λθ3=αθ0xA+αθ1yA+αθ2xB+αθ3yB+αθ4 (3)
2)一个产生训练数据的步骤:对所述的物体做N次已知大小的旋转和平移[xi,yi,θi](i=1,2,...,N),所述的N大于等于6,获取N组图像坐标PAi(xAi,yAi)和PBi(xBi,yBi),PAi和PBi分别表示点A和点B在第i次刚体运动,依次重复N次运动并根据CA和CB的图像坐标偏移向量得到N组训练数据;
3)一个构建模型损失函数的步骤:Lx表示X方向上的损失函数,Ly表示Y方向上的损失函数、Lθ表示旋转角度的损失函数,
4)一个求解角度方向的系数的步骤:使损失函数Lθ最小,再求解一个凸二次优化问题,使Lθ关于系数的偏导数等于0,即:
方程(7)展开成为:
αθ=Mθ -1βθ (9)
6)将所述的物体做一次新未知大小的平移和旋转(x,y,θ),获取新的PA(xA,yA)和PB(xB,yB),将解出的αx,αy和αθ代入(1)~(3)式就可以测量出来物体新做出的平移量和旋转量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323792.5A CN111080702B (zh) | 2019-12-20 | 2019-12-20 | 一种基于广义线性模型的平面物体位姿测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323792.5A CN111080702B (zh) | 2019-12-20 | 2019-12-20 | 一种基于广义线性模型的平面物体位姿测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080702A true CN111080702A (zh) | 2020-04-28 |
CN111080702B CN111080702B (zh) | 2023-05-23 |
Family
ID=70316132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911323792.5A Active CN111080702B (zh) | 2019-12-20 | 2019-12-20 | 一种基于广义线性模型的平面物体位姿测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080702B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104880176A (zh) * | 2015-04-15 | 2015-09-02 | 大连理工大学 | 基于先验知识模型优化的运动物位姿测量方法 |
CN105809702A (zh) * | 2016-03-29 | 2016-07-27 | 南京航空航天大学 | 一种基于Tsai算法的改进位姿估计方法 |
US20170243374A1 (en) * | 2014-11-13 | 2017-08-24 | Olympus Corporation | Calibration device, calibration method, optical device, image-capturing device, projection device, measuring system, and measuring method |
CN108416428A (zh) * | 2018-02-28 | 2018-08-17 | 中国计量大学 | 一种基于卷积神经网络的机器人视觉定位方法 |
-
2019
- 2019-12-20 CN CN201911323792.5A patent/CN111080702B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243374A1 (en) * | 2014-11-13 | 2017-08-24 | Olympus Corporation | Calibration device, calibration method, optical device, image-capturing device, projection device, measuring system, and measuring method |
CN104880176A (zh) * | 2015-04-15 | 2015-09-02 | 大连理工大学 | 基于先验知识模型优化的运动物位姿测量方法 |
CN105809702A (zh) * | 2016-03-29 | 2016-07-27 | 南京航空航天大学 | 一种基于Tsai算法的改进位姿估计方法 |
CN108416428A (zh) * | 2018-02-28 | 2018-08-17 | 中国计量大学 | 一种基于卷积神经网络的机器人视觉定位方法 |
Non-Patent Citations (1)
Title |
---|
王卫文;杨威;罗剑;周进;吴钦章;: "一种新的相机外参数标定方法", 半导体光电 * |
Also Published As
Publication number | Publication date |
---|---|
CN111080702B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689579B (zh) | 基于合作目标的快速单目视觉位姿测量方法及测量系统 | |
CN109285190B (zh) | 对象定位方法、装置、电子设备和存储介质 | |
CN107633536B (zh) | 一种基于二维平面模板的相机标定方法及系统 | |
CN112015275A (zh) | 基于数字孪生ar交互方法和系统 | |
CN110298888B (zh) | 基于单轴高精度位移平台的相机标定方法 | |
CN111438688B (zh) | 机器人校正方法、装置、计算机设备及存储介质 | |
CN111445533A (zh) | 一种双目相机标定方法、装置、设备及介质 | |
CN113119129A (zh) | 一种基于标准球的单目测距定位方法 | |
CN114001651B (zh) | 一种基于双目视觉测量和先验检测数据的大型细长筒类构件位姿原位测量方法 | |
CN115393446A (zh) | 温度系数标定方法、系统、电子设备和存储介质 | |
CN111080702B (zh) | 一种基于广义线性模型的平面物体位姿测量方法 | |
CN112102415A (zh) | 基于标定球的深度相机外参数标定方法、装置及设备 | |
Yan et al. | A decoupled calibration method for camera intrinsic parameters and distortion coefficients | |
CN106651950B (zh) | 一种基于二次曲线透视投影不变性的单相机位姿估计方法 | |
CN111716340B (zh) | 3d相机与机械手臂坐标系统的校正装置及方法 | |
CN114820810A (zh) | 一种基于Tsai氏相机平面标定算法的解析方法 | |
CN110298892B (zh) | 一种单线阵相机内外参数标定方法 | |
CN114485385A (zh) | 工件坐标系校准方法、装置及系统 | |
CN112465898B (zh) | 一种基于棋盘格标定板的物体3d位姿标签获取方法 | |
CN114140541B (zh) | 一种多线结构光焊缝跟踪传感器的参数标定方法 | |
CN117649454B (zh) | 双目相机外参自动校正方法、装置、电子设备及存储介质 | |
CN116100564B (zh) | 一种标定机械手的高精度标定方法及装置 | |
CN115017857B (zh) | 一种电子元器件引脚插装位置确定方法及系统 | |
Wang et al. | A new camera calibration method based on two vertical lines | |
Tommaselli et al. | Line based camera calibration in machine vision dynamic applications |
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 |