CN112067233B - 一种用于风洞模型六自由度运动捕获方法 - Google Patents
一种用于风洞模型六自由度运动捕获方法 Download PDFInfo
- Publication number
- CN112067233B CN112067233B CN202010911846.6A CN202010911846A CN112067233B CN 112067233 B CN112067233 B CN 112067233B CN 202010911846 A CN202010911846 A CN 202010911846A CN 112067233 B CN112067233 B CN 112067233B
- Authority
- CN
- China
- Prior art keywords
- camera
- wind tunnel
- image
- coordinate system
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/02—Wind tunnels
- G01M9/04—Details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
- G01M9/062—Wind tunnel balances; Holding devices combined with measuring arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/08—Aerodynamic models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明涉及一种用于风洞模型六自由度运动捕获方法,属于高超声速风洞非接触测量领域;通过搭建高速双目立体视觉系统,实时捕获模型表面布置的特征点,基于深度学习和立体视觉重构模型在试验过程中的空间坐标,从而解算模型六自由度运动数据;本发明基于高速双目立体视觉和深度学习,提供了适用于高超声速风洞试验的六自由度空间运动视觉捕获方法,获取模型运动参数及可视化结果。
Description
技术领域
本发明属于高超声速风洞非接触测量领域,涉及一种用于风洞模型六自由度运动捕获方法。
背景技术
在风洞试验领域中,针对模型自由飞、头罩分离、级间分离等试验,绝大多数测量手段为二维纹影观测或高速摄影记录二维影像,然后通过二维图像判读获取模型运动轨迹、姿态角等,获取信息量局限在二维平面内,其在解算模型三维空间姿态时有着天然的缺陷,获取信息量较少,后续在进行气动力特性、动态特性、分离特性的参数拟合或参数辨识分析时,缺乏有效、充足的空间姿态数据,目前并没有相关技术实现对风洞模型六自由度空间运动视觉捕获技术的研发。
目前,常规测量手段(如二维纹影)获取姿态信息为二维平面信息。与常规测量场景不同的是,高超声速风洞有效流场持续时间较短,如高能脉冲风洞仅几毫秒,对数据采集的速率有着较高的要求,常规测力天平等应用难度较大。市面上常见的三维扫描仪、激光扫描仪,由于其测量原理的限制,采集速率较慢,均不适用于高超声速风洞,无法直接应用。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提出一种用于风洞模型六自由度运动捕获方法,基于高速双目立体视觉和深度学习,提供了适用于高超声速风洞试验的六自由度空间运动视觉捕获方法,获取模型运动参数及可视化结果。
本发明解决技术的方案是:
一种用于风洞模型六自由度运动捕获方法,包括如下步骤:
步骤一、将第一相机和第二相机平行放置;第一相机和第二相机对准风洞试验段;第一相机和第二相机组成的双目立体视觉系统;建立第一相机坐标系o1x1y1z1、第二相机坐标系o2x2y2z2、风洞基准坐标系OwXwYwZw;
步骤二、采用张正友标定法获得双目立体视觉系统的内参数和外参数;其中,内参数包括第一相机图像坐标系o01μ01v01到第一标准图像坐标系O1X1Y1的转换矩阵A1、第二相机图像坐标系o02μ02v02到第二标准图像坐标系O2X2Y2的转换矩阵A2、第一相机的畸变参数k11,k12,p11,p12、第二相机的畸变参数k21,k22,p21,p22、第二相机坐标系o2x2y2z2转换为第一相机坐标系o1x1y1z1的变换矩阵R21及平移向量T21;外参数包括第一相机坐标系o1x1y1z1转换为风洞基准坐标系OwXwYwZw的变换矩阵R1w及平移向量T1w;
步骤三、在试验模型的表面均匀遍布圆形标记点,用三维扫描仪获取带有标记点的模型完整稠密点云Pdense;
步骤四、开始风洞试验,通过第一相机和第二相机连续对风洞试验过程中试验模型进行拍照;
步骤五、基于深度学习方法,采用Faster R-CNN框架对第一相机和第二相机拍摄的图像进行目标检测,完成试验模型图像区域和背景分割,提升数据处理效率;
步骤六、对试验模型图像区域依次进行高斯滤波算子处理、大津阈值分割处理、算子边缘检测处理、形态学处理、检测闭合轮廓及边缘椭圆拟合处理;并进行几何因子筛选,从试验模型图像区域筛选出满足要求的标记点图像轮廓;并找到每个筛选后的标记点图像轮廓的圆心;
步骤七、重复步骤六,获得全部图片的各筛选后的标记点图像轮廓的圆心;
步骤八、同一时刻,第一相机和第二相机各有1张图片对应,对每组对应照片中的标记点圆心进行立体匹配;
步骤九、根据步骤二中双目立体视觉系统的内参数和步骤八中匹配后的各标记点圆心,建立全部标记点圆心的三维立体模型,得到三维立体模型中全部标记点圆心的点云数据Psparse;
步骤十、根据步骤二中双目立体视觉系统的外参数,将点云数据Psparse转换到风洞基准坐标系OwXwYwZw下,得到转换后的点云数据P′sparse;并将步骤三中的完整稠密点云Pdense与转换后的点云数据P′sparse进行匹配,从完整稠密点云Pdense中将与转换后的点云数据P′sparse不匹配的标记点去除;获得匹配后的稠密点云P′dense;
步骤十一、对匹配后的稠密点云P′dense通过PCA分析,提取匹配后的稠密点云P′dense在风洞基准坐标系OwXwYwZw下的3个主向量,即为匹配后的稠密点云P′dense所围成试验模型的3个主向量;
步骤十二、根据3个主向量确定试验模型中心在风洞基准坐标系OwXwYwZw下的坐标(X,Y,Z)和试验模型与风洞基准坐标系OwXwYwZw三轴的夹角α、β、γ;实现对实验模型运动的捕获。
在上述的一种用于风洞模型六自由度运动捕获方法,所述步骤一中,第一相机和第二相机均采用高速CMOS相机;
第一相机坐标系o1x1y1z1的建立方法为:
以第一相机的光心为坐标原点o1;z1轴水平指向风洞试验段,x1竖直向下;y1方向由右手定则确定;
第二相机坐标系o2x2y2z2的建立方法为:
以第二相机的光心为坐标原点o2;z2轴水平指向风洞试验段,x2竖直向下;y2方向由右手定则确定;
风洞基准坐标系OwXwYwZw的建立方法为:
以风洞试验段的中心为原点Ow;Xw指向风洞来流逆方向;Yw为垂直风洞来流向上方向;Zw方向由右手定则确定。
在上述的一种用于风洞模型六自由度运动捕获方法,所述步骤二中,第一相机图像坐标系o01μ01v01的建立方法为:
第一相机拍摄图像的左上角为坐标原点o01;μ01为沿拍摄图像水平向右方向;v01方向为沿拍摄图像竖直向下方向;
第一标准图像坐标系O1X1Y1的建立方法为:
第一相机光轴与第一相机拍摄图像的平面交点为原点O1;X1方向水平向右;Y1方向竖直向下;
第二相机图像坐标系o2μ2v2的建立方法为:
第二相机拍摄图像的左上角为坐标原点o2;μ2为沿拍摄图像水平向右方向;v2方向为沿拍摄图像竖直向下方向;
第二标准图像坐标系O2X2Y2的建立方法为:
第二相机光轴与第二相机拍摄图像的平面交点为原点O2;X2方向水平向右;Y2方向竖直向下。
在上述的一种用于风洞模型六自由度运动捕获方法,所述步骤四中,风洞试验中风洞来流马赫数为5-8;试验模型安装在风洞试验段的正中央;第一相机和第二相机的拍照帧速为3600帧/s,单次风洞试验的时长为2.5s。
在上述的一种用于风洞模型六自由度运动捕获方法,所述步骤六中,通过高斯滤波算子处理,实现对试验模型图像区域的平滑滤波和去除噪声;通过大津阈值分割处理自适应获取最优阈值完成图像二值化;通过算子边缘检测处理,获取图像中试验模型的轮廓及标记点的轮廓;所述形态学处理为通过形态学膨胀和腐蚀算法,将图像中断裂的边缘连接完整;所述检测闭合轮廓及边缘椭圆拟合处理为采用最小二乘优化算法对轮廓信息进行闭合筛选及椭圆拟合。
在上述的一种用于风洞模型六自由度运动捕获方法,所述步骤六中,几何因子筛选的标准包括:
S1、计算各标记点轮廓圆度C,C=4πA/l2;其中,A为图像中标记点轮廓所在封闭区域面积;l为图像中标记点轮廓所在封闭区域周长;
S2、计算各标记点的惯性率I;I=I′x/I′y,其中,I′x为经过该标记点中心的最长半径的惯性矩;I′y为经过该标记点中心,且与最长半径垂直的半径的惯性矩;
当0.8≤C≤1.2,且0.9≤I≤1.2时,则筛选出该标记点图像轮廓;否则筛除该标记点图像轮廓。
在上述的一种用于风洞模型六自由度运动捕获方法,所述步骤八中,同一时刻,第一相机和第二相机各有1张图片对应,对每组对应照片中的标记点圆心进行立体匹配规则为:
S1、每组对应照片中的标记点圆心的匹配点位于2张照片对应的极线上;
S2、2张照片中相同标记点圆心的匹配点仅有1个;
S3、以第一相机的图片为基准在第二相机的图片上寻找匹配点,与以第二相机的图片为基准在第一相机的图片上寻找匹配点,得到的匹配点一致。
在上述的一种用于风洞模型六自由度运动捕获方法,所述步骤十中,完整稠密点云Pdense与转换后的点云数据P′sparse进行匹配的具体方法为:
S1、采用RANSAC或4PCS方法将完整稠密点云Pdense与转换后的点云数据P′sparse粗对准;
S2、利用ICP算法完成局部精确匹配。
在上述的一种用于风洞模型六自由度运动捕获方法,所述步骤十一中,通过匹配后的稠密点云P′dense的3个主向量实现确定实验模型的形状及姿态。
在上述的一种用于风洞模型六自由度运动捕获方法,所述步骤十二中,试验模型中心在风洞基准坐标系OwXwYwZw下的坐标(X,Y,Z)确定方法为:3个主向量的交点即为试验模型的中心,通过确定3个主向量交点在风洞基准坐标系OwXwYwZw中的坐标,即可得到(X,Y,Z);
α、β、γ的确定方法为:
3个主向量中最长的向量与Xw轴的夹角即为α;最长的向量与Yw的夹角即为β;最长的向量与Zw的夹角即为γ。
本发明与现有技术相比的有益效果是:
(1)本发明根据风洞试验采集的图像特点,在提取标记点圆心之前,首先基于深度学习将模型和背景进行区分,减少环境干扰,同时加快圆心提取的速度;
(2)本发明从训练速度、准确度、框架简洁度、通用性等方面综合考虑,选取了Faster R-CNN对高速双目立体视觉系统采集到的图像进行目标检测,完成背景分割,为后续标记点圆心识别降低了计算复杂度,提高了计算精度;
(3)本发明在对每组对应照片中的标记点圆心进行立体匹配时,采用了极线约束标准,这种约束关系使得双目视觉的特征点匹配可以沿极线搜索。这样减小了搜索过程中的复杂度,加快了匹配速度,同时减少了运算开销,是双目视觉匹配过程中最有力的工具之一;
(4)本发明采用深度学习框架对图像进行目标检测,分离图像背景,计算效率和算法复杂度极大提升;
(5)本发明在特征点圆心提取采用了特殊设计的基于轮廓几何的特征和形态学处理的方法,获取特征点二维坐标精度高、误判少;
(6)本发明采用了基于极线约束和SAD算法及多种约束条件的特征点匹配,重复性好、匹配精度高;
(7)本发明采用了ICP算法完成模型试验时稀疏点云和稠密点云之间的配准,实现模型完整点云的实时运动姿态映射;
(8)本发明采用了PCA的方法进行模型点云主干结构提取,该方法能够有效得到代表模型点云的主轴,为后续六自由度动态数据解析提供基准.
附图说明
图1为本发明姿态耦合控制流程图;
图2为本发明Faster R-CNN框架示意图;
图3为本发明对极几何原理示意图;
图4为本发明基于ICP的点云配准流程图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
本发明基于高速双目立体视觉和深度学习,提出一种适用于高超声速风洞试验的六自由度空间运动视觉捕获方法,提供模型运动参数及可视化结果,可用于各风洞中头罩分离、级间分离、轻模型自由飞、重模型自由飞、模型姿态辨识、翼面变形测量等,为气动力特性、动态特性、分离特性等研究提供全面的空间姿态数据。
本发明基于双目立体视觉和深度学习对风洞试验中的头罩分离、级间分离、轻模型自由飞、重模型自由飞等场景进行六自由度空间运动视觉捕获,并基于三角化原理对重建结果进行可视化。
首先在模型表面遍布标记点,试验过程中由两台高速相机组成立体视觉系统(已提前用黑白棋盘靶标完成标定)进行实时拍摄,然后对获取的图像序列进行深度学习,定位模型在图像中的位置以剔除背景干扰,完成背景分割,最后通过标记点识别和立体视觉三维重建技术完成模型姿态重建及可视化。
本发明基于双目立体视觉和深度学习进行风洞模型六自由度空间运动捕获,完成模型的空间姿态测量,其主要研究内容包括:立体视觉标定、深度学习目标检测、标记点识别及三维重建、点云配准、点云分析及可视化。
具体过程为:
风洞模型六自由度运动捕获方法,包括如下步骤:
步骤一、将第一相机和第二相机平行放置;第一相机和第二相机对准风洞试验段;第一相机和第二相机组成的双目立体视觉系统;建立第一相机坐标系o1x1y1z1、第二相机坐标系o2x2y2z2、风洞基准坐标系OwXwYwZw;第一相机和第二相机均采用高速CMOS相机;如图1所示,第一相机坐标系o1x1y1z1的建立方法为:以第一相机的光心为坐标原点o1;z1轴水平指向风洞试验段,x1竖直向下;y1方向由右手定则确定。
第二相机坐标系o2x2y2z2的建立方法为:以第二相机的光心为坐标原点o2;z2轴水平指向风洞试验段,x2竖直向下;y2方向由右手定则确定。
风洞基准坐标系OwXwYwZw的建立方法为:以风洞试验段的中心为原点Ow;Xw指向风洞来流逆方向;Yw为垂直风洞来流向上方向;Zw方向由右手定则确定。
步骤二、试验前通过黑白棋盘格靶标对两台高速CMOS相机组成的双目立体视觉系统进行标定,采用张正友标定法获得双目立体视觉系统的内参数和外参数;标定过程中,首先通过机械加工特制的夹持装置将棋盘格的第一个姿态和风洞基准坐标系OwXwYwZw重合,以零位姿态为基准求得R1w和T1w;然后棋盘格变换不同姿态共计15个,从而求得各个内参数。其中,内参数包括第一相机图像坐标系o01μ01v01到第一标准图像坐标系O1X1Y1的转换矩阵A1、第二相机图像坐标系o02μ02v02到第二标准图像坐标系O2X2Y2的转换矩阵A2、第一相机的畸变参数k11,k12,p11,p12、第二相机的畸变参数k21,k22,p21,p22、第二相机坐标系o2x2y2z2转换为第一相机坐标系o1x1y1z1的变换矩阵R21及平移向量T21;外参数包括第一相机坐标系o1x1y1z1转换为风洞基准坐标系OwXwYwZw的变换矩阵R1w及平移向量T1w。
其中,第一相机图像坐标系o01μ01v01的建立方法为:第一相机拍摄图像的左上角为坐标原点o01;μ01为沿拍摄图像水平向右方向;v01方向为沿拍摄图像竖直向下方向。
第一标准图像坐标系O1X1Y1的建立方法为:第一相机光轴与第一相机拍摄图像的平面交点为原点O1;X1方向水平向右;Y1方向竖直向下。
第二相机图像坐标系o2μ2v2的建立方法为:第二相机拍摄图像的左上角为坐标原点o2;μ2为沿拍摄图像水平向右方向;v2方向为沿拍摄图像竖直向下方向。
第二标准图像坐标系O2X2Y2的建立方法为:第二相机光轴与第二相机拍摄图像的平面交点为原点O2;X2方向水平向右;Y2方向竖直向下。
步骤三、在试验模型的表面均匀遍布圆形标记点,用三维扫描仪获取带有标记点的模型完整稠密点云Pdense。
步骤四、开始风洞试验,通过两台高速CMOS相机连续获得风洞试验过程中模型的动态图像。通过第一相机和第二相机连续对风洞试验过程中试验模型进行拍照;风洞试验中风洞来流马赫数为5-8;试验模型安装在风洞试验段的正中央;第一相机和第二相机的拍照帧速为3600帧/s,单次风洞试验的时长为2.5s。
步骤五、基于深度学习方法,如图2所示,采用Faster R-CNN框架对第一相机和第二相机拍摄的图像进行目标检测,完成试验模型图像区域和背景分割,提升数据处理效率;
步骤六、对试验模型图像区域依次进行高斯滤波算子处理、大津阈值分割处理、算子边缘检测处理、形态学处理、检测闭合轮廓及边缘椭圆拟合处理;并进行几何因子筛选,从试验模型图像区域筛选出满足要求的标记点图像轮廓;并找到每个筛选后的标记点图像轮廓的圆心;通过高斯滤波算子处理,实现对试验模型图像区域的平滑滤波和去除噪声;通过大津阈值分割处理自适应获取最优阈值完成图像二值化;通过算子边缘检测处理,获取图像中试验模型的轮廓及标记点的轮廓;所述形态学处理为通过形态学膨胀和腐蚀算法,将图像中断裂的边缘连接完整;所述检测闭合轮廓及边缘椭圆拟合处理为采用最小二乘优化算法对轮廓信息进行闭合筛选及椭圆拟合。
几何因子筛选的标准包括:
S1、计算各标记点轮廓圆度C,C=4πA/l2;其中,A为图像中标记点轮廓所在封闭区域面积;l为图像中标记点轮廓所在封闭区域周长;
S2、计算各标记点的惯性率I;I=I′x/I′y,其中,I′x为经过该标记点中心的最长半径的惯性矩;I′y为经过该标记点中心,且与最长半径垂直的半径的惯性矩;
当0.8≤C≤1.2,且0.9≤I≤1.2时,则筛选出该标记点图像轮廓;否则筛除该标记点图像轮廓。
步骤七、重复步骤六,获得全部图片的各筛选后的标记点图像轮廓的圆心。
步骤八、同一时刻,第一相机和第二相机各有1张图片对应,对每组对应照片中的标记点圆心进行立体匹配;同一时刻,第一相机和第二相机各有1张图片对应,对每组对应照片中的标记点圆心进行立体匹配规则为:
S1、极线约束:在此约束下,匹配点一定位于两幅图像中相应的极线上。每组对应照片中的标记点圆心的匹配点位于2张照片对应的极线上。
S2、唯一性约束:两幅图像中的对应的匹配点应该有且仅有一个;即2张照片中相同标记点圆心的匹配点仅有1个;
S3、顺序一致性约束:位于一幅图像极线上的系列点,在另一幅图像中的极线上具有相同的顺序;
S4、左右一致性约束:以左图像为基准在右图像上寻找匹配点,和以右图像为基准在左图像上寻找匹配点,得到的匹配点对一致。以第一相机的图片为基准在第二相机的图片上寻找匹配点,与以第二相机的图片为基准在第一相机的图片上寻找匹配点,得到的匹配点一致。
对极几何原理如图3所示,P为观测点,Ol和Or为左右相机的投影中心,P、Ol和Or所确定的平面被称为极平面,极点el和er是投影中心的连线与两个投影面的交点。同一点P在左右相机图像上的映射分别为pl和pr,右相机图像上的点pr一定在左相机图像投影点pl在右相机图像中所对应的极线上,对应地,左相机图像上的投影点同样在右相机图像投影点在左相机图像中所对应的极线上,这种约束关系使得双目视觉的特征点匹配可以沿极线搜索。这样减小了搜索过程中的复杂度,加快了匹配速度,同时减少了运算开销,是双目视觉匹配过程中最有力的工具之一。
根据以上四条原则,同时采用SAD(Sum of Absolute Difference,绝对误差和算法)完成标记点圆心匹配,SAD表述如下:
SAD(u,v)=Sum{|Left(u,v)-Right(u,v)|},以左相机图像的源匹配点为中心,定义一个窗口,计其窗口灰度值,然后在右相机图像中逐步计算其左右窗口的灰度和差值,不断移动窗口,计算各个窗口与待匹配窗口之间的SAD值,选择该值最小的像素窗口作为匹配区域,然后在这个区域中,寻找标记点,并将其质心提取出来,作为匹配点。
步骤九、根据步骤二中双目立体视觉系统的内参数和步骤八中匹配后的各标记点圆心,建立全部标记点圆心的三维立体模型,得到三维立体模型中全部标记点圆心的点云数据Psparse;
步骤十、根据步骤二中双目立体视觉系统的外参数,将点云数据Psparse转换到风洞基准坐标系OwXwYwZw下,得到转换后的点云数据P′sparse;并将步骤三中的完整稠密点云Pdense与转换后的点云数据P′sparse进行匹配,从完整稠密点云Pdense中将与转换后的点云数据P′sparse不匹配的标记点去除;获得匹配后的稠密点云P′dense;完整稠密点云Pdense与转换后的点云数据P′sparse进行匹配的具体方法为:
S1、采用RANSAC或4PCS方法将完整稠密点云Pdense与转换后的点云数据P′sparse粗对准;首先通过全局配准方法,采用RANSAC(Random Sample Consensus,随机采样一致性算法)或4PCS(4-Points Congruent Sets,四点共面法),将两个点云大致对准。
S2、利用ICP算法完成局部精确匹配。然后再利用ICP(Iterative Closest Point,迭代最邻近点)算法完成局部精确匹配。该方法可有效避免局部最优解的出现,且效率相比单纯的ICP要高。
三维点云配准问题可归结为三维刚体的坐标变换问题,即根据一些预先指定的最佳匹配规则,通过坐标变换把部分重叠的三维点云配准。三维点云的配准过程由此可以等价于在六自由度的无限连续空间内点的整体搜索问题,其求解也就可归结为相应变换关系的求解问题。通过寻找点云之间最优的相对位姿估计值,
从而使得匹配点集之间的整体距离目标函数取得最小值。因此,点云配准的过程其实是一个不断迭代的过程,按照一定的优化策略调整匹配点云之间的相对位姿,逐步寻找一个近似的最优解。
本发明的点云配准可描述如下:基准点云为风洞试验过程中双高速相机拍摄到的圆形标记点经过三维重建后的稀疏点云,待配准点云为试验前由三维扫描仪扫描的模型完整点云(含标记点)。ICP(Iterative Closest Point,迭代最邻近点)算法一直以来都被认为是点云数据配准中最为经典的算法,其多年来也得到广泛的应用。ICP算法的最大优点是结果非常稳定,具有很强的鲁棒性,其流程图如图4所示。
步骤十一、对匹配后的稠密点云P′dense通过PCA分析,提取匹配后的稠密点云P′dense在风洞基准坐标系OwXwYwZw下的3个主向量,即为匹配后的稠密点云P′dense所围成试验模型的3个主向量;通过匹配后的稠密点云P′dense的3个主向量实现确定实验模型的形状及姿态。
步骤十二、根据3个主向量确定试验模型中心在风洞基准坐标系OwXwYwZw下的坐标(X,Y,Z)和试验模型与风洞基准坐标系OwXwYwZw三轴的夹角α、β、γ;实现对实验模型运动的捕获。
试验模型中心在风洞基准坐标系OwXwYwZw下的坐标(X,Y,Z)确定方法为:3个主向量的交点即为试验模型的中心,通过确定3个主向量交点在风洞基准坐标系OwXwYwZw中的坐标,即可得到(X,Y,Z);
α、β、γ的确定方法为:
3个主向量中最长的向量与Xw轴的夹角即为α;最长的向量与Yw的夹角即为β;最长的向量与Zw的夹角即为γ。
本发明将黑白棋盘格标定时的一个位姿和风洞基准坐标系重合,从而可实现模型点云在风洞坐标系下的解算;同时采用深度学习框架对图像进行目标检测,分离图像背景,计算效率和算法复杂度极大提升;在特征点圆心提取采用了特殊设计的基于轮廓几何的特征和形态学处理的方法,获取特征点二维坐标精度高、误判少;采用了基于极线约束和SAD算法及多种约束条件的特征点匹配,重复性好、匹配精度高;采用了ICP算法完成模型试验时稀疏点云和稠密点云之间的配准,实现模型完整点云的实时运动姿态映射;采用了PCA的方法进行模型点云主干结构提取,该方法能够有效得到代表模型点云的主轴,为后续六自由度动态数据解析提供基准。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (9)
1.一种用于风洞模型六自由度运动捕获方法,其特征在于:包括如下步骤:
步骤一、将第一相机和第二相机平行放置;第一相机和第二相机对准风洞试验段;第一相机和第二相机组成的双目立体视觉系统;建立第一相机坐标系o1x1y1z1、第二相机坐标系o2x2y2z2、风洞基准坐标系OwXwYwZw;
步骤二、采用张正友标定法获得双目立体视觉系统的内参数和外参数;其中,内参数包括第一相机图像坐标系o01μ01v01到第一标准图像坐标系O1X1Y1的转换矩阵A1、第二相机图像坐标系o02μ02v02到第二标准图像坐标系O2X2Y2的转换矩阵A2、第一相机的畸变参数k11,k12,p11,p12、第二相机的畸变参数k21,k22,p21,p22、第二相机坐标系o2x2y2z2转换为第一相机坐标系o1x1y1z1的变换矩阵R21及平移向量T21;外参数包括第一相机坐标系o1x1y1z1转换为风洞基准坐标系OwXwYwZw的变换矩阵R1w及平移向量T1w;
步骤三、在试验模型的表面均匀遍布圆形标记点,用三维扫描仪获取带有标记点的模型完整稠密点云Pdense;
步骤四、开始风洞试验,通过第一相机和第二相机连续对风洞试验过程中试验模型进行拍照;风洞试验中风洞来流马赫数为5-8;试验模型安装在风洞试验段的正中央;第一相机和第二相机的拍照帧速为3600帧/s,单次风洞试验的时长为2.5s;
步骤五、基于深度学习方法,采用Faster R-CNN框架对第一相机和第二相机拍摄的图像进行目标检测,完成试验模型图像区域和背景分割,提升数据处理效率;
步骤六、对试验模型图像区域依次进行高斯滤波算子处理、大津阈值分割处理、算子边缘检测处理、形态学处理、检测闭合轮廓及边缘椭圆拟合处理;并进行几何因子筛选,从试验模型图像区域筛选出满足要求的标记点图像轮廓;并找到每个筛选后的标记点图像轮廓的圆心;
步骤七、重复步骤六,获得全部图片的各筛选后的标记点图像轮廓的圆心;
步骤八、同一时刻,第一相机和第二相机各有1张图片对应,对每组对应照片中的标记点圆心进行立体匹配;
步骤九、根据步骤二中双目立体视觉系统的内参数和步骤八中匹配后的各标记点圆心,建立全部标记点圆心的三维立体模型,得到三维立体模型中全部标记点圆心的点云数据Psparse;
步骤十、根据步骤二中双目立体视觉系统的外参数,将点云数据Psparse转换到风洞基准坐标系OwXwYwZw下,得到转换后的点云数据P′sparse;并将步骤三中的完整稠密点云Pdense与转换后的点云数据Ps′parse进行匹配,从完整稠密点云Pdense中将与转换后的点云数据P′sparse不匹配的标记点去除;获得匹配后的稠密点云P′dense;
步骤十一、对匹配后的稠密点云P′dense通过PCA分析,提取匹配后的稠密点云P′dense在风洞基准坐标系OwXwYwZw下的3个主向量,即为匹配后的稠密点云P′dense所围成试验模型的3个主向量;
步骤十二、根据3个主向量确定试验模型中心在风洞基准坐标系OwXwYwZw下的坐标(X,Y,Z)和试验模型与风洞基准坐标系OwXwYwZw三轴的夹角α、β、γ;实现对实验模型运动的捕获。
2.根据权利要求1所述的一种用于风洞模型六自由度运动捕获方法,其特征在于:所述步骤一中,第一相机和第二相机均采用高速CMOS相机;
第一相机坐标系o1x1y1z1的建立方法为:
以第一相机的光心为坐标原点o1;z1轴水平指向风洞试验段,x1竖直向下;y1方向由右手定则确定;
第二相机坐标系o2x2y2z2的建立方法为:
以第二相机的光心为坐标原点o2;z2轴水平指向风洞试验段,x2竖直向下;y2方向由右手定则确定;
风洞基准坐标系OwXwYwZw的建立方法为:
以风洞试验段的中心为原点Ow;Xw指向风洞来流逆方向;Yw为垂直风洞来流向上方向;Zw方向由右手定则确定。
3.根据权利要求2所述的一种用于风洞模型六自由度运动捕获方法,其特征在于:所述步骤二中,第一相机图像坐标系o01μ01v01的建立方法为:
第一相机拍摄图像的左上角为坐标原点o01;μ01为沿拍摄图像水平向右方向;v01方向为沿拍摄图像竖直向下方向;
第一标准图像坐标系O1X1Y1的建立方法为:
第一相机光轴与第一相机拍摄图像的平面交点为原点O1;X1方向水平向右;Y1方向竖直向下;
第二相机图像坐标系o2μ2v2的建立方法为:
第二相机拍摄图像的左上角为坐标原点o2;μ2为沿拍摄图像水平向右方向;v2方向为沿拍摄图像竖直向下方向;
第二标准图像坐标系O2X2Y2的建立方法为:
第二相机光轴与第二相机拍摄图像的平面交点为原点O2;X2方向水平向右;Y2方向竖直向下。
4.根据权利要求3所述的一种用于风洞模型六自由度运动捕获方法,其特征在于:所述步骤六中,通过高斯滤波算子处理,实现对试验模型图像区域的平滑滤波和去除噪声;通过大津阈值分割处理自适应获取最优阈值完成图像二值化;通过算子边缘检测处理,获取图像中试验模型的轮廓及标记点的轮廓;所述形态学处理为通过形态学膨胀和腐蚀算法,将图像中断裂的边缘连接完整;所述检测闭合轮廓及边缘椭圆拟合处理为采用最小二乘优化算法对轮廓信息进行闭合筛选及椭圆拟合。
5.根据权利要求4所述的一种用于风洞模型六自由度运动捕获方法,其特征在于:所述步骤六中,几何因子筛选的标准包括:
S1、计算各标记点轮廓圆度C,C=4πA/l2;其中,A为图像中标记点轮廓所在封闭区域面积;l为图像中标记点轮廓所在封闭区域周长;
S2、计算各标记点的惯性率I;I=I′x/I′y,其中,I′x为经过该标记点中心的最长半径的惯性矩;I′y为经过该标记点中心,且与最长半径垂直的半径的惯性矩;
当0.8≤C≤1.2,且0.9≤I≤1.2时,则筛选出该标记点图像轮廓;否则筛除该标记点图像轮廓。
6.根据权利要求5所述的一种用于风洞模型六自由度运动捕获方法,其特征在于:所述步骤八中,同一时刻,第一相机和第二相机各有1张图片对应,对每组对应照片中的标记点圆心进行立体匹配规则为:
S1、每组对应照片中的标记点圆心的匹配点位于2张照片对应的极线上;
S2、2张照片中相同标记点圆心的匹配点仅有1个;
S3、以第一相机的图片为基准在第二相机的图片上寻找匹配点,与以第二相机的图片为基准在第一相机的图片上寻找匹配点,得到的匹配点一致。
7.根据权利要求6所述的一种用于风洞模型六自由度运动捕获方法,其特征在于:所述步骤十中,完整稠密点云Pdense与转换后的点云数据P′sparse进行匹配的具体方法为:
S1、采用RANSAC或4PCS方法将完整稠密点云Pdense与转换后的点云数据P′sparse粗对准;
S2、利用ICP算法完成局部精确匹配。
8.根据权利要求7所述的一种用于风洞模型六自由度运动捕获方法,其特征在于:所述步骤十一中,通过匹配后的稠密点云P′dense的3个主向量实现确定实验模型的形状及姿态。
9.根据权利要求8所述的一种用于风洞模型六自由度运动捕获方法,其特征在于:所述步骤十二中,试验模型中心在风洞基准坐标系OwXwYwZw下的坐标(X,Y,Z)确定方法为:3个主向量的交点即为试验模型的中心,通过确定3个主向量交点在风洞基准坐标系OwXwYwZw中的坐标,即可得到(X,Y,Z);
α、β、γ的确定方法为:
3个主向量中最长的向量与Xw轴的夹角即为α;最长的向量与Yw的夹角即为β;最长的向量与Zw的夹角即为γ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911846.6A CN112067233B (zh) | 2020-09-02 | 2020-09-02 | 一种用于风洞模型六自由度运动捕获方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911846.6A CN112067233B (zh) | 2020-09-02 | 2020-09-02 | 一种用于风洞模型六自由度运动捕获方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112067233A CN112067233A (zh) | 2020-12-11 |
CN112067233B true CN112067233B (zh) | 2022-08-12 |
Family
ID=73664994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010911846.6A Active CN112067233B (zh) | 2020-09-02 | 2020-09-02 | 一种用于风洞模型六自由度运动捕获方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112067233B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112577708B (zh) * | 2020-12-29 | 2023-03-21 | 中国航天空气动力技术研究院 | 一种基于背光成像的高焓激波风洞发动机推阻测量系统方法 |
CN112964450B (zh) * | 2021-02-07 | 2022-05-10 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种用于风洞多体分离试验模型轨迹预测方法 |
CN113074904B (zh) * | 2021-06-07 | 2021-08-27 | 中国航空工业集团公司沈阳空气动力研究所 | 一种用于风洞天平校准系统的加载架初始定位装置及方法 |
CN113237628B (zh) * | 2021-07-08 | 2021-09-21 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种低速风洞水平自由飞模型姿态测量方法 |
CN114332076B (zh) * | 2022-03-01 | 2022-06-14 | 北京壹点灵动科技有限公司 | 骨盆配准的方法、装置、计算机可读存储介质和处理器 |
CN116863086B (zh) * | 2023-09-04 | 2023-11-24 | 武汉国遥新天地信息技术有限公司 | 一种光学动作捕捉系统刚体稳定重建方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101270982A (zh) * | 2007-03-20 | 2008-09-24 | 中国空气动力研究与发展中心高速空气动力研究所 | 基于立体视觉的风洞模型外形监测方法 |
CN101625768A (zh) * | 2009-07-23 | 2010-01-13 | 东南大学 | 一种基于立体视觉的三维人脸重建方法 |
CN103364171A (zh) * | 2013-07-15 | 2013-10-23 | 中国航天空气动力技术研究院 | 一种高速风洞模型姿态视频测量系统及测量方法 |
CN106204625A (zh) * | 2016-07-27 | 2016-12-07 | 大连理工大学 | 一种可变焦距柔性化位姿视觉测量方法 |
CN107314882A (zh) * | 2017-07-03 | 2017-11-03 | 哈尔滨工业大学 | 基于双目立体视觉技术的膜结构气弹模型的风振响应获取方法 |
CN108398229A (zh) * | 2017-12-27 | 2018-08-14 | 中国航天空气动力技术研究院 | 一种飞行器三维表面流动分布风洞测量方法 |
CN109272532A (zh) * | 2018-08-31 | 2019-01-25 | 中国航空工业集团公司沈阳空气动力研究所 | 基于双目视觉的模型位姿计算方法 |
CN110853075A (zh) * | 2019-11-05 | 2020-02-28 | 北京理工大学 | 一种基于稠密点云与合成视图的视觉跟踪定位方法 |
-
2020
- 2020-09-02 CN CN202010911846.6A patent/CN112067233B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101270982A (zh) * | 2007-03-20 | 2008-09-24 | 中国空气动力研究与发展中心高速空气动力研究所 | 基于立体视觉的风洞模型外形监测方法 |
CN101625768A (zh) * | 2009-07-23 | 2010-01-13 | 东南大学 | 一种基于立体视觉的三维人脸重建方法 |
CN103364171A (zh) * | 2013-07-15 | 2013-10-23 | 中国航天空气动力技术研究院 | 一种高速风洞模型姿态视频测量系统及测量方法 |
CN106204625A (zh) * | 2016-07-27 | 2016-12-07 | 大连理工大学 | 一种可变焦距柔性化位姿视觉测量方法 |
CN107314882A (zh) * | 2017-07-03 | 2017-11-03 | 哈尔滨工业大学 | 基于双目立体视觉技术的膜结构气弹模型的风振响应获取方法 |
CN108398229A (zh) * | 2017-12-27 | 2018-08-14 | 中国航天空气动力技术研究院 | 一种飞行器三维表面流动分布风洞测量方法 |
CN109272532A (zh) * | 2018-08-31 | 2019-01-25 | 中国航空工业集团公司沈阳空气动力研究所 | 基于双目视觉的模型位姿计算方法 |
CN110853075A (zh) * | 2019-11-05 | 2020-02-28 | 北京理工大学 | 一种基于稠密点云与合成视图的视觉跟踪定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112067233A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112067233B (zh) | 一种用于风洞模型六自由度运动捕获方法 | |
CN109544456B (zh) | 基于二维图像和三维点云数据融合的全景环境感知方法 | |
CN107833181B (zh) | 一种基于变焦立体视觉的三维全景图像生成方法 | |
CN109470149B (zh) | 一种管路位姿的测量方法及装置 | |
CN112734863B (zh) | 一种基于自动定位的交叉式双目相机标定方法 | |
CN110956661B (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
CN112801074B (zh) | 一种基于交通摄像头的深度图估计方法 | |
Nguyen et al. | 3D scanning system for automatic high-resolution plant phenotyping | |
CN111402330B (zh) | 一种基于平面靶标的激光线关键点提取方法 | |
CN113393439A (zh) | 一种基于深度学习的锻件缺陷检测方法 | |
CN108257089A (zh) | 一种基于迭代最近点的大视场视频全景图拼接的方法 | |
CN110060304B (zh) | 一种生物体三维信息采集方法 | |
CN114119739A (zh) | 一种基于双目视觉的手部关键点空间坐标获取方法 | |
CN110120013A (zh) | 一种点云拼接方法及装置 | |
CN111127556B (zh) | 基于3d视觉的目标物体识别和位姿估算方法以及装置 | |
KR101673144B1 (ko) | 부분 선형화 기반의 3차원 영상 정합 방법 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN108537831B (zh) | 对增材制造工件进行ct成像的方法及装置 | |
CN115841668A (zh) | 一种双目视觉苹果识别以及精准定位的方法 | |
CN115239801A (zh) | 一种对象定位方法及装置 | |
CN115307865A (zh) | 一种面向高温高超声速流场的模型变形测量方法 | |
Zhang et al. | Point cloud registration with 2D and 3D fusion information on mobile robot integrated vision system | |
Ho | Machine vision based 3D scanning system | |
CN112066876B (zh) | 一种利用手机快速测量物体尺寸方法 | |
Anchini et al. | Subpixel location of discrete target images in close-range camera calibration: A novel approach |
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 |