CN111709998A - 一种tof相机深度数据测量误差校正的elm空间配准模型方法 - Google Patents
一种tof相机深度数据测量误差校正的elm空间配准模型方法 Download PDFInfo
- Publication number
- CN111709998A CN111709998A CN201910203480.4A CN201910203480A CN111709998A CN 111709998 A CN111709998 A CN 111709998A CN 201910203480 A CN201910203480 A CN 201910203480A CN 111709998 A CN111709998 A CN 111709998A
- Authority
- CN
- China
- Prior art keywords
- depth
- camera
- data
- elm
- wall surface
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012937 correction Methods 0.000 title claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000009897 systematic effect Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 4
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/85—Stereo camera calibration
Abstract
本发明公开了一种基于极限学习机的TOF相机深度数据空间配准算法研究，解决了TOF相机深度数据测量过程中非线性误差导致的深度偏移和由于TOF相机测量原理导致的系统性的深度数据高估的问题，从而更好地复原真实场景中的深度数据；采用极限学习机算法所建立的基于TOF深度相机测量误差校正的ELM空间配准模型具有更高的精度和更强的泛化能力，并且运行速度比传统神经网络算法更快。为提高TOF深度相机测量精度提供了一种新的方法和思路；结果表明校正后的深度偏移和误差得到有效改善。
Description
技术领域
本发明属于计算机图形学和计算机视觉领域，涉及一种基于针孔模型成像过程中TOF深度相机测量误差校正的ELM空间配准模型方法，解决了成像过程中非线性误差导致的深度偏移和由于TOF相机测量原理导致的系统性的深度数据高估的问题，从而更好地复原真实场景中的深度数据。
背景技术
随着工业智能水平的不断提高，快速且高精度的立体图像检测系统在各行各业都发挥了重要作用，广泛应用于物流包裹分拣、工业零件尺寸测量、机器人定位与导航、位姿估计、三维重建等方面；为了获取目标的三维信息，使用多个2D相机构成双目或多目立体视觉系统的传统方法，已经难以满足实际应用环境中的工业和生产要求。
应需求TOF深度相机由于集成度高，可以一次性获得场景的全貌信息，具有帧率高、结构紧凑、对光照不敏感的优点，很快在三维视觉系统中被大量采用；TOF相机通过计算激光在相机与物体之间的飞行时间来获取两者之间的距离信息，并同时获取灰度信息，是一种高效的3D成像仪器；虽然TOF相机已经表现出非常好的应用前景；但是作为较新的三维传感设备，仍然有很多不足，由于受自身成像特点影响和外界环境因素的干扰，TOF深度相机获得的数据存在着原始灰度图像对比度差，畸变，漂移，抖动，深度测量误差，存在随机噪声等；且以往的工作一般也只是利用深度信息，因为该款相机原始灰度图像对比度较差，难以直接应用；因此，要想将TOF相机很好地应用于三维视觉系统中以完成精确快速的测量任务，必须进行TOF相机数据的误差校正。
发明内容
本发明所要解决的问题：解决TOF相机深度数据测量过程中非线性误差导致的深度偏移和由于TOF相机测量原理导致的系统性的深度数据高估的问题，提出了一种基于TOF深度相机深度数据测量误差校正的ELM空间配准模型方法。
本发明所采用技术方案是：使用TOF深度相机(tof640-20gm_850nm)垂直照射墙面，根据相机实际性能，在相机平面与墙面垂直距离的合适范围内，始终保持相机平面与墙面平行，每隔一定的距离移动相机并采集墙面所在空间位置的相应深度数据信息，以相机采集墙面的深度点云数据信息和相应的实际测得的相机平面与墙面垂直距离为依据；经三次样条插值处理相机采集墙面的深度点云数据，并得到相应的三次样条插值函数，根据实际需求确定采样距离并对连续空间内所有照片的像素深度数据和相应的实际垂直距离信息在垂直距离空间内进行采样处理，得到近似连续空间又满足实际要求的离散空间照片的点云数据和相应的实际垂直距离信息；应用极限学习机(ELM)建立TOF深度相机深度数据测量误差校正的ELM空间配准模型；对于建立成功的TOF相机深度数据测量误差校正的ELM空间配准模型，将对连续空间内的所有像素的深度数据都有相应的校正作用；具体包括以下步骤：
步骤1：原始点云数据的采集，使用TOF深度相机垂直照射墙面，根据相机实际性能，在相机平面与墙面垂直距离的合适范围内，始终保持相机平面与墙面平行，每隔一定的距离移动相机并采集墙面所在空间位置的相应深度数据信息；注意，开机40min预热后，为了减小噪声、扰动的影响，在距离范围内每隔10cm测10次数据，平均后作为该测量位置的数据；通过过滤Flag非0的像素后，将得到的数据点取平均作为该位置与墙的距离的测量值，而该位置到墙的实际距离已知；
步骤2：以相机采集墙面的深度点云数据信息和相应的实际测得的相机平面与墙面垂直距离为依据；首先，对相机采集墙面的深度点云数据信息和相应的实际测得的相机平面与墙面的垂直距离在垂直距离空间内进行三次样条插值处理，就可以得到相机采集的每个像素点云数据和相应的实际测得的相机平面与墙面的垂直距离相对相机平面与墙面的空间垂直距离的三次样条插值函数(即相机平面与墙面指定距离范围内对于连续空间的所有照片对应的像素深度数据和相应的实际垂直距离信息)；插值过程中相邻两幅图像的对应像素的两个数据点之间使用多次多项式(最高次项≤3)函数连接建立一个三次样条，样条函数如公式 (1)；
步骤3：根据实际需求确定采样距离并对连续空间内所有照片的像素深度数据和相应的实际垂直距离信息在垂直距离空间内进行采样处理，得到近似连续空间又满足实际要求的离散空间照片的点云数据和相应的实际垂直距离信息；
步骤4：根据得到的符合要求的离散空间照片的点云数据和相应的实际垂直距离信息，应用极限学习机(ELM)建立TOF相机深度数据测量误差校正的 ELM空间配准模型；
ELM网络结构的输入层有n个输入变量，隐含层有l个神经元，输出层有 m个神经元，对应m个输出变量；
设输入层与隐含层间的连接权值为w，wij表示输入层第i个神经元与隐含层第j个神经元间的连接权值；
设隐含层与输出层间的连接权值为β，βjk表示隐含层第j个神经元与输出层第k个神经元间的连接权值；
隐含层神经元的阈值为b；
设具有Q个样本的训练集输入矩阵X和输出矩阵Y分别为：
设隐含层神经元的激活函数为g(x)，则网络的输出为T，其中， j＝1,2,…Q；wi＝[wi1,wi2,…,win]；xj＝[x1j,x2j,…,xnj]T，则公式(8)可表示为：
Hβ＝T' (8)
公式(8)中：T'为矩阵T的转置；H称为神经网络的隐含层输出矩阵，形式为：
输入层与隐含层间的连接权值w和隐含层神经元的阈值b在训练前随机选取，且在训练过程中保持不变；H的广义Moore-Penrose逆矩阵H+求得的β可以满足零误差逼近；
三维点云数据的训练数据集和测试数据集的分配；
将训练集输入到ELM空间配准模型进行训练；
将测试集输入到完成训练的ELM模型，对完成训练的ELM模型进行评价；
本发明的有益效果为：采用ELM算法所建立的ELM空间配准数据校正模型，解决了TOF相机深度数据测量过程中非线性误差导致的深度偏移和由于 TOF相机测量原理导致的系统性的深度数据高估的问题，对连续空间内的所有原始像素的深度数据都有相应的校正作用；具有更高的精度和更强的泛化能力；为提高TOF深度相机测量精度提供了一种新的方法和思路。
附图说明
图1基于TOF相机深度数据测量误差校正的ELM空间配准模型建立方法总体流程框图；
图2 TOF相机平面与墙面保持平行的测量示意图；
图3理论三次样条插值点云效果图；
图4单隐层前馈神经网络结构；
图5原始深度数据高估散点模型图；
图6 ELM校正后的散点模型图；
图7理论深度数据和ELM配准后深度数据图；
图8 ELM配准前后深度数据误差图。
具体实施方式
下面结合附图进一步说明；
如图1总体流程图所示，表示基于TOF相机深度数据测量误差校正的 ELM空间配准模型建立方法流程图，图中表示的步骤为：
步骤1：原始点云数据的采集：使用TOF深度相机垂直照射墙面，测量原理如图2TOF相机平面与墙面保持平行的测量示意图所示，根据相机实际性能，在相机平面与墙面垂直距离的合适范围内，始终保持相机平面与墙面平行，每隔一定的距离移动相机并采集墙面所在空间位置的相应深度数据信息；注意，开机40min预热后，为了减小噪声、扰动的影响，在距离范围内每隔10cm测 10次数据，平均后作为该测量位置的数据；通过过滤Flag非0的像素后，将得到的数据点取平均作为该位置与墙的距离的测量值，而该位置到墙的实际距离已知；
步骤2：利用三次样条插值法处理相机采集的墙面深度点云数据：以相机采集墙面的深度点云数据信息和相应的实际测得的相机平面与墙面垂直距离为依据；首先，对相机采集墙面的深度点云数据信息和相应的实际测得的相机平面与墙面的垂直距离在垂直距离空间内进行三次样条插值处理，就可以得到相机采集的每个像素点云数据和相应的实际测得的相机平面与墙面的垂直距离相对相机平面与墙面的空间垂直距离的三次样条插值函数(即相机平面与墙面指定距离范围内对于连续空间的所有照片对应的像素深度数据和相应的实际垂直距离信息)；插值过程中相邻两幅图像的对应像素的两个数据点之间使用多次多项式(最高次项≤3) 函数连接建立一个三次样条，样条函数如公式(1)；
步骤3：在三次样条插值函数基础上根据实际需求确定采样距离并进行采样：如图3理论三次样条插值点云效果图所示，根据实际需求确定采样距离并对连续空间内所有照片的像素深度数据和相应的实际垂直距离信息在垂直距离空间内进行采样处理，得到近似连续空间又满足实际要求的离散空间照片的点云数据和相应的实际垂直距离信息；
步骤4：构造极限学习机(ELM)结构模型：根据得到的符合要求的离散空间照片的点云数据和相应的实际垂直距离信息，应用极限学习机(ELM)建立TOF 相机深度数据测量误差校正的ELM空间配准模型；
a.ELM网络结构如图4所示，输入层有n个输入变量，隐含层有l个神经元，输出层有m个神经元，对应m个输出变量；
b.设输入层与隐含层间的连接权值为w，wij表示输入层第i个神经元与隐含层第j个神经元间的连接权值；
c.设隐含层与输出层间的连接权值为β，βjk表示隐含层第j个神经元与输出层第k个神经元间的连接权值；
d.隐含层神经元的阈值为b；
e.设具有Q个样本的训练集输入矩阵X和输出矩阵Y分别为：
f.设隐含层神经元的激活函数为g(x)，则网络的输出为T，其中， j＝1,2,…Q；wi＝[wi1,wi2,…,win]；xj＝[x1j,x2j,…,xnj]T，则公式(8)可表示为：
Hβ＝T' (8)
g.公式(8)中：T'为矩阵T的转置；H称为神经网络的隐含层输出矩阵，形式为：
h.输入层与隐含层间的连接权值w和隐含层神经元的阈值b在训练前随机选取，且在训练过程中保持不变；H的广义Moore-Penrose逆矩阵H+求得的β可以满足零误差逼近；
i.三维点云数据的训练数据集和测试数据集的分配：通过采样获得的近似连续空间又满足实际要求的离散空间位置的深度图像，获得对应空间位置每幅深度图像的所有像素的深度信息p(xm,ym,zm)，以及每个像素对应的理论深度信息 p'(xc,yc,zc)，从而计算出TOF深度相机在各个像素位置上的测量深度值的偏差 e＝zm-zc；将TOF深度相机在各个像素位置上的全部测量深度值zm和对应的理想测量深度值zc作为训练集，任意选取几幅不同空间位置的深度图像的原始深度数据并加入噪声信号作为测试集；
g.将训练集输入到ELM空间配准模型进行训练：构造ELM模型结构，确定输入层的3个输入变量p(xm,ym,zm)，根据训练样本数确定隐含层神经元个数，确定1个输出变量zc；通过训练建立测量值p(xm,ym,zm)和理想测量深度值 zc之间的非线性映射模型；
k.对完成训练的ELM模型进行评价：将测试集数据p(xm,ym,zm)输入到模型中，得到相应的输出变量zc'，进一步计算出相应的观测偏差e'＝zc'-zc；并与真实的观测偏差e＝zm-zc进行对比，对模型进行性能评价；
利用深度相机实际测量得到的1.0～2.4m的15帧深度数据图像进行三维重建的复原图，其中相邻帧的间隔为10cm；图5为原始深度数据高估散点模型图，图6为ELM校正后的散点模型图，图7为理论深度数据和ELM配准后深度数据图，图8 ELM配准前后深度数据误差图；结果表明校正后的深度偏移和误差得到有效改善。
Claims (2)
1.一种基于TOF深度相机深度数据测量误差校正的ELM空间配准模型方法；其特征在于:采用ELM算法所建立的ELM空间配准数据校正模型，解决了TOF相机深度数据测量过程中非线性误差导致的深度偏移和由于TOF相机测量原理导致的系统性的深度数据高估的问题，对连续空间内的所有像素的深度数据都有相应的校正作用；具有更高的精度和更强的泛化能力；为提高TOF深度相机测量精度提供了一种新的方法和思路。
2.根据权利要求1所述的基于TOF深度相机深度数据测量误差校正的ELM空间配准模型方法，其特征在于，具体包括以下步骤：
步骤1：原始点云数据的采集：使用TOF深度相机垂直照射墙面，测量原理如图2 TOF相机平面与墙面保持平行的测量示意图所示，根据相机实际性能，在相机平面与墙面垂直距离的合适范围内，始终保持相机平面与墙面平行，每隔一定的距离移动相机并采集墙面所在空间位置的相应深度数据信息；注意，开机40min预热后，为了减小噪声、扰动的影响，在距离范围内每隔10cm测10次数据，平均后作为该测量位置的数据；通过过滤Flag非0的像素后，将得到的数据点取平均作为该位置与墙的距离的测量值，而该位置到墙的实际距离已知；
步骤2：利用三次样条插值法处理相机采集的墙面深度点云数据：以相机采集墙面的深度点云数据信息和相应的实际测得的相机平面与墙面垂直距离为依据；首先，对相机采集墙面的深度点云数据信息和相应的实际测得的相机平面与墙面的垂直距离在垂直距离空间内进行三次样条插值处理，就可以得到相机采集的每个像素点云数据和相应的实际测得的相机平面与墙面的垂直距离相对相机平面与墙面的空间垂直距离的三次样条插值函数(即相机平面与墙面指定距离范围内对于连续空间的所有照片对应的像素深度数据和相应的实际垂直距离信息)；插值过程中相邻两幅图像的对应像素的两个数据点之间使用多次多项式(最高次项≤3)函数连接建立一个三次样条，样条函数如公式(1)；
步骤3：在三次样条插值函数基础上根据实际需求确定采样距离并进行采样：如图3理论三次样条插值点云效果图所示，根据实际需求确定采样距离并对连续空间内所有照片的像素深度数据和相应的实际垂直距离信息在垂直距离空间内进行采样处理，得到近似连续空间又满足实际要求的离散空间照片的点云数据和相应的实际垂直距离信息；
步骤4：构造极限学习机(ELM)结构模型：根据得到的符合要求的离散空间照片的点云数据和相应的实际垂直距离信息，应用极限学习机(ELM)建立TOF相机深度数据测量误差校正的ELM空间配准模型；
a.ELM网络结构如图4所示，输入层有n个输入变量，隐含层有l个神经元，输出层有m个神经元，对应m个输出变量；
b.设输入层与隐含层间的连接权值为w，wij表示输入层第i个神经元与隐含层第j个神经元间的连接权值；
c.设隐含层与输出层间的连接权值为β，βjk表示隐含层第j个神经元与输出层第k个神经元间的连接权值；
d.隐含层神经元的阈值为b；
e.设具有Q个样本的训练集输入矩阵X和输出矩阵Y分别为：
f.设隐含层神经元的激活函数为g(x)，则网络的输出为T，其中，j＝1,2,…Q；wi＝[wi1,wi2,…,win]；xj＝[x1j,x2j,…,xnj]T，则公式(8)可表示为：
Hβ＝T' (8)
g.公式(8)中：T'为矩阵T的转置；H称为神经网络的隐含层输出矩阵，形式为：
h.输入层与隐含层间的连接权值w和隐含层神经元的阈值b在训练前随机选取，且在训练过程中保持不变；H的广义Moore-Penrose逆矩阵H+求得的β可以满足零误差逼近；
i.三维点云数据的训练数据集和测试数据集的分配：通过采样获得的近似连续空间又满足实际要求的离散空间位置的深度图像，获得对应空间位置每幅深度图像的所有像素的深度信息p(xm,ym,zm)，以及每个像素对应的理论深度信息p'(xc,yc,zc)，从而计算出TOF深度相机在各个像素位置上的测量深度值的偏差e＝zm-zc；将TOF深度相机在各个像素位置上的全部测量深度值zm和对应的理想测量深度值zc作为训练集，任意选取几幅不同空间位置的深度图像的原始深度数据并加入噪声信号作为测试集；
g.将训练集输入到ELM空间配准模型进行训练：构造ELM模型结构，确定输入层的3个输入变量p(xm,ym,zm)，根据训练样本数确定隐含层神经元个数，确定1个输出变量zc；通过训练建立测量值p(xm,ym,zm)和理想测量深度值zc之间的非线性映射模型；
对完成训练的ELM模型进行评价：将测试集数据p(xm,ym,zm)输入到模型中，得到相应的输出变量zc'，进一步计算出相应的观测偏差e'＝zc'-zc；并与真实的观测偏差e＝zm-zc进行对比，对模型进行性能评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910203480.4A CN111709998A (zh) | 2019-03-18 | 2019-03-18 | 一种tof相机深度数据测量误差校正的elm空间配准模型方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910203480.4A CN111709998A (zh) | 2019-03-18 | 2019-03-18 | 一种tof相机深度数据测量误差校正的elm空间配准模型方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111709998A true CN111709998A (zh) | 2020-09-25 |
Family
ID=72536361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910203480.4A Pending CN111709998A (zh) | 2019-03-18 | 2019-03-18 | 一种tof相机深度数据测量误差校正的elm空间配准模型方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709998A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288813A (zh) * | 2020-11-03 | 2021-01-29 | 浙江大学 | 基于多目视觉测量与激光点云地图匹配的位姿估计方法 |
| CN115423848A (zh) * | 2022-11-07 | 2022-12-02 | 江苏省水利科学研究院 | 一种识别及去除像素偏移量追踪监测结果异常的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200282A (zh) * | 2014-08-26 | 2014-12-10 | 南京信息工程大学 | 一种设施农业环境因子快速预测方法 |
| CN104899464A (zh) * | 2015-06-19 | 2015-09-09 | 中国地质大学（武汉） | 一种适应噪声条件下的抽样学习机遥感定量反演方法 |
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN105184794A (zh) * | 2015-09-07 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于张量图像的csm辅助分析系统及方法 |
| WO2017219391A1 (zh) * | 2016-06-24 | 2017-12-28 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸识别系统 |
| CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
-
2019
- 2019-03-18 CN CN201910203480.4A patent/CN111709998A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN104200282A (zh) * | 2014-08-26 | 2014-12-10 | 南京信息工程大学 | 一种设施农业环境因子快速预测方法 |
| CN104899464A (zh) * | 2015-06-19 | 2015-09-09 | 中国地质大学（武汉） | 一种适应噪声条件下的抽样学习机遥感定量反演方法 |
| CN105184794A (zh) * | 2015-09-07 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于张量图像的csm辅助分析系统及方法 |
| WO2017219391A1 (zh) * | 2016-06-24 | 2017-12-28 | 深圳市唯特视科技有限公司 | 一种基于三维数据的人脸识别系统 |
| CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨宏韬;高慧斌;刘鑫;: "改进小波序贯极限学习机的光电经纬仪空间配准算法研究", 中国测试, no. 10, 31 October 2015 (2015-10-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288813A (zh) * | 2020-11-03 | 2021-01-29 | 浙江大学 | 基于多目视觉测量与激光点云地图匹配的位姿估计方法 |
| CN115423848A (zh) * | 2022-11-07 | 2022-12-02 | 江苏省水利科学研究院 | 一种识别及去除像素偏移量追踪监测结果异常的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
| CN107063228B (zh) | 基于双目视觉的目标姿态解算方法 | |
| CN107341814B (zh) | 基于稀疏直接法的四旋翼无人机单目视觉测程方法 | |
| CN107507235B (zh) | 一种基于rgb-d设备采集的彩色图像和深度图像的配准方法 | |
| CN103559711B (zh) | 基于三维视觉系统图像特征和三维信息的运动估计方法 | |
| Correal et al. | Automatic expert system for 3D terrain reconstruction based on stereo vision and histogram matching | |
| CN110031829B (zh) | 一种基于单目视觉的目标精准测距方法 | |
| CN110189400B (zh) | 一种三维重建方法、三维重建系统、移动终端及存储装置 | |
| CN111897349A (zh) | 一种基于双目视觉的水下机器人自主避障方法 | |
| CN112184792B (zh) | 一种基于视觉的道路坡度计算方法及装置 | |
| CN109299656B (zh) | 一种车载视觉系统场景视深确定方法 | |
| CN111998862B (zh) | 一种基于bnn的稠密双目slam方法 | |
| CN112801074A (zh) | 一种基于交通摄像头的深度图估计方法 | |
| CN113327296B (zh) | 基于深度加权的激光雷达与相机在线联合标定方法 | |
| CN113205604A (zh) | 一种基于摄像机和激光雷达的可行区域检测方法 | |
| CN108596929B (zh) | 融合平面网格深度计算的光切数据建模重构方法 | |
| CN111709998A (zh) | 一种tof相机深度数据测量误差校正的elm空间配准模型方法 | |
| Ann et al. | Study on 3D scene reconstruction in robot navigation using stereo vision | |
| CN113034571A (zh) | 一种基于视觉—惯性的物体三维尺寸测量方法 | |
| CN112712566B (zh) | 基于结构参数在线校正的双目立体视觉传感器测量方法 | |
| Do | Application of neural networks for stereo-camera calibration | |
| CN113643427A (zh) | 一种双目测距及三维重建方法 | |
| CN114034288A (zh) | 海底微地形激光线扫描三维探测方法及系统 | |
| CN109003276A (zh) | 基于双目立体视觉与低线束激光雷达的融合矫正方法 | |
| CN114219852A (zh) | 一种用于自动驾驶车辆的多传感器标定方法及装置 |
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 |