CN113091608A - 一种基于网格提取种子点的数字散斑相关快速实现方法 - Google Patents

一种基于网格提取种子点的数字散斑相关快速实现方法 Download PDF

Info

Publication number
CN113091608A
CN113091608A CN202110308966.1A CN202110308966A CN113091608A CN 113091608 A CN113091608 A CN 113091608A CN 202110308966 A CN202110308966 A CN 202110308966A CN 113091608 A CN113091608 A CN 113091608A
Authority
CN
China
Prior art keywords
image
speckle
value
points
deformation matrix
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
Application number
CN202110308966.1A
Other languages
English (en)
Other versions
CN113091608B (zh
Inventor
陈俊彤
左超
陈钱
尹维
冯世杰
孙佳嵩
胡岩
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110308966.1A priority Critical patent/CN113091608B/zh
Publication of CN113091608A publication Critical patent/CN113091608A/zh
Priority to PCT/CN2021/113253 priority patent/WO2022198901A1/zh
Application granted granted Critical
Publication of CN113091608B publication Critical patent/CN113091608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • 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
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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

Abstract

本发明公开了一种基于网格提取种子点的数字散斑相关快速实现方法，包括：使用红外激光投射器向待测物体投射散斑图像，并用双目相机拍摄图像；标定相机并获取相机的内外参数，两相机分别拍摄获得物体的二维散斑图像，一幅作为参考图像，另一幅作为目标图像；使用OpenCV库的鼠标回调函数，在参考图像中框选出待测散斑区域；利用网格将待测散斑区域分为相同大小的8块，将每块的中心点分别设为种子点；运用数字图像相关算法求得参考图像和目标图像待测散斑区域中各点的视差值；利用相机标定的内外参数，将视差值转为三维数据，进行3D重建。本发明在保证高测量精度的同时显著提高了计算效率。

Description

一种基于网格提取种子点的数字散斑相关快速实现方法
技术领域
本发明属于光学测量技术领域，具体为一种基于网格提取种子点的数字散斑相关快速实现方法。
背景技术
数字图像相关(DIC)是一种易于实现的非接触式的通用光学技术，在全视场运动，变形和形状测量等领域都有很多应用。目前，DIC主要采用IC-GN算法，但是采用该方法无法获得足够高的计算效率。
发明内容
本发明提出了一种基于网格提取种子点的数字散斑相关快速实现方法。
实现本发明的技术解决方案为：一种基于网格提取种子点的数字散斑相关快速实现方法，具体步骤为：
步骤1：使用红外激光投射器向待测物体投射散斑图像，并用双目相机拍摄图像；
步骤2：标定相机并获取相机的内外参数，两相机分别拍摄获得物体的二维散斑图像，一幅作为参考图像，另一幅作为目标图像；
步骤3：使用OpenCV库的鼠标回调函数，在参考图像中框选出待测散斑区域；
步骤4：利用网格将待测散斑区域分为相同大小的8块，将每块的中心点分别设为种子点；
步骤5：运用数字图像相关算法求得参考图像和目标图像待测散斑区域中各点的视差值；
步骤6：利用相机标定的内外参数，将视差值转为三维数据，进行3D重建。
优选地，所述双目相机与待测物体的连线相互垂直。
优选地，运用数字图像相关算法求得参考图像和目标图像待测散斑区域中各点的视差值的具体步骤为：
步骤5.1：利用多线程的方法同时计算8块待测散斑区域的初始形变参数，所述待测散斑区域的初始形变参数通过RANSAC算法迭代计算获得；
步骤5.2：通过循环运用IC-GN算法对相邻的单一像素的变形矩阵数据进行求解，直至作用在参考图像上的更新变形矩阵的参数值的二范数小于设定阈值，获得对应的单一像素的ZNCC值，以及更新后p中各参数的值(u，ux，uy,v,vx,vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux，uy，vx，vy)是旋转量，(u,v)是平移量；
步骤5.3：将计算好的点的各项数据放入队列进行保存，在G1-G8每个区域内，将计算完成的点的变形矩阵数据作为四个相邻点的初始变形矩阵数据重复步骤5.2分别计算四个临点的ZNCC值，以及更新后p中各参数的值(u,ux，uy，v,vx,vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux,uy,vx,vy)是旋转量，(u,v)是平移量；
步骤5.4：将ZNCC值大于等于第二阈值的点放入第一队列，ZNCC值小于第二阈值的点放入第二个队列，第一队列中的点按进入队列内的顺序依次作为中心点向外辐射重复步骤5.3计算对应的ZNCC值，以及更新后p中各参数的值(u,ux,uy,v,vx,vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux,uy,vx,vy)是旋转量，(u，v)是平移量，直至队列为空；
第二个队列中的点按ZNCC值大小进行排序，从大到小作为中心点重复步骤5.3计算对应的ZNCC值，以及更新后p中各参数的值(u，ux，uy,v，vx,vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux，uy，vx，vy)是旋转量，(u,v)是平移量，直至队列为空。
本发明与现有技术相比，其显著优点为：本发明基于网格选取多个种子点以促进后续计算中全局点的并行处理，并且通过相似度值来自动识别下一个待计算点，从而获得高计算效率的高精度三维测量；本发明通过红外激光投射器投射散斑图像，双目相机相对垂直放置并拍摄物体的二维散斑图像而不需其他设备即可实现高精度高速度的单帧三维物体测量。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明的流程图。
图2为双目相机布局示意图。
图3为基于网格寻找种子点示意图。
具体实施方式
如图1所示，一种基于网格提取种子点的数字散斑相关快速实现方法，先使用红外激光投射器投射散斑图像，使用双目相机相对垂直放置并拍摄，获得物体的二维散斑图像。使用OpenCV库的鼠标回调函数，手动框选出需要匹配的散斑区域，利用网格将待测区域分为若干块，每块分别取种子点，运用多线程操作，在目标图像中找到参考图像中各点所对应的点，计算获得目标图像相对于参考图像的视差值。利用相机标定的内外参数，将视差值转为三维数据，进行3D重建。具体步骤为：
步骤1：使用红外激光投射器向待测物体投射散斑图像，并用双目相机拍摄图像，所述双目相机与待测物体的连线相互垂直，如图2所示。
步骤2：标定相机并获取相机的内外参数，两相机分别拍摄获得物体的二维散斑图像，一幅作为参考图像T，另一幅作为目标图像I。
步骤3：使用OpenCV库的鼠标回调函数，在参考图像T中框选出待测散斑区域，将参考图像T中位于待测区域的像素点像素设为1，待测区域以外的位置像素设置为0，用以区分计算点是否位于待测区域内。
步骤4：利用网格将待测散斑区域分为相同大小的8块，分别记为G1,G2,…，G8，将每块的中心点分别设为种子点。例如G1对应的种子点记为
Figure BDA0002988903050000031
G2对应的种子点记为
Figure BDA0002988903050000032
则种子点的坐标
Figure BDA0002988903050000033
可以表示为：
Figure BDA0002988903050000034
Figure BDA0002988903050000035
其中，r_col_imax和r_col_imin分别是G1-G8区域内的水平方向的最大和最小列值。r_row_imax和r_row_imin分别是G1-G8区域内的垂直方向的最大和最小行值。
步骤5：运用数字图像相关(DIC)算法求得参考图像和目标图像待测散斑区域中各点的视差值，本步骤通过设置匹配代价函数的值ZNCC的阈值来排除杂点，提高了程序运行速度。
步骤5.1：利用多线程的方法同时计算8块待测散斑区域的初始形变参数，每块待测散斑区域的初始形变参数通过RANSAC算法迭代计算获得，具体过程为：
步骤5.1.1：随机选择种子点附近的三对不共线的关键点对，计算仿射变换的变形矩阵数据：
Figure BDA0002988903050000041
其中，(x，y)为计算点原坐标位置，(x',y')为点经过仿射变换后的坐标位置，6个系数(u,ux,uy,v,vx,vy)为仿射变换的变形矩阵参数，其中(ux,uy,vx,vy)是旋转量，(u,v)是平移量；
步骤5.1.2：根据匹配代价函数公式计算ZNSSD值CZNSSD和ZNCC值CZNCC，选取的匹配代价函数ZNSSD和ZNCC是用来表征参考图像T中点与目标图像I中对应点的相关性，ZNCC值越接近1说明相关性越好，具体为：
以参考图像T中种子点为中心以21*21的矩形窗口作为参考子集，矩形窗口中各点坐标经过变形矩阵计算后得到的在目标图像I中的坐标点构成的区域作为目标子集，计算ZNSSD值CZNSSD，根据CZNCC＝1-0.5×CZNSSD计算ZNCC值CZNCC；
进一步的实施例中，ZNSSD值的计算公式为：
Figure BDA0002988903050000042
其中，x表示所求点在全局中的坐标，x＝(x,y,1)T；ξ表示在子集中像素点的局部坐标，ξ＝(Δx,Δy,1)T；Δp表示作用在参考图像T上每次迭代都要更新的变形矩阵的参数，Δp＝(Δu，Δux，Δuy，Δv,Δvx，Δvy)T，其中(Δux,Δuy,Δvx,Δvy)是更新的旋转量，(Δu，Δv)是更新的平移量；p表示作用在目标图像I上的变形矩阵参数，p＝(u,ux,uy，v，vx，vy)T，其中(ux，uy,vx,vy)是旋转量，(u,v)是平移量；W(ξ；Δp)表示作用在参考子集上更新的变形矩阵，
Figure BDA0002988903050000051
W(ξ；p)表示作用在目标子集上的变形矩阵，描述了目标子集相对于参考子集的位置和形状
Figure BDA0002988903050000052
Figure BDA0002988903050000053
和分别
Figure BDA0002988903050000054
表示参考子集和目标子集上各点像素值的平均值，N表示每个子集的点总数，
Figure BDA0002988903050000055
Figure BDA0002988903050000056
Δf和Δg则分别为
Figure BDA0002988903050000057
Figure BDA0002988903050000058
步骤5.1.3：重新选择种子点附近的三对不共线的关键点对进行变形矩阵数据计算，返回步骤5.1.2，直至设定次数，比较ZNCC值，选取ZNCC值最大的一组数据，即获得最佳变形矩阵的数据作为该区域内种子点的初始形变参数。
步骤5.2：通过循环运用IC-GN算法对相邻的单一像素的变形矩阵数据进行求解，直至Δp中各参数值的二范数小于0.001。由于采用的匹配代价函数ZNSSD和ZNCC都需要考虑像素周围区域点的像素值，选取的参考子集为21*21，因此，在G1-G8区域求解的时候，边缘像素点需要考虑到其相邻10个像素之内的范围中的点，因此将每个区域向外扩展10个像素进行计算，如图3所示。具体步骤为：
步骤5.2.1：利用最小二乘法和泰勒展开式求更新变形矩阵的参数Δp：
Figure BDA0002988903050000059
其中，
Figure BDA00029889030500000510
Figure BDA00029889030500000511
是在(x+ξ)处各像素点的对x和y的梯度值，
Figure BDA00029889030500000512
Figure BDA00029889030500000513
为变形矩阵的雅可比行列式，在ξ处求得。
步骤5.2.2：根据作用在参考图像上的更新变形矩阵的参数Δp，更新目标子集的变形矩阵的参数值p，更新策略为
Figure BDA0002988903050000061
并重新计算ZNSSD值及ZNCC值；
步骤5.2.3：重复步骤5.2.1、5.2.2直到Δp各参数值的二范数小于0.001，记录此时对应的ZNCC值，以及更新后p中各参数的值(u,ux,uy,v，vx，vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux,uy,vx，vy)是旋转量，(u,v)是平移量；
步骤5.3：将计算好的点的各项数据放入队列进行保存，在G1-G8每个区域内，将计算完成的点的变形矩阵数据作为四个相邻点的初始变形矩阵数据不断重复步骤5.2分别计算四个临点的ZNCC值，以及更新后p中各参数的值(u，ux，uy，v，vx，vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux，uy，vx,vy)是旋转量，(u,v)是平移量；
步骤5.4：将ZNCC值大于0.8的点放入第一队列，ZNCC值小于0.8的点放入第二个队列，第一队列中的点按进入队列内的顺序依次作为中心点向外辐射重复步骤5.3计算对应的ZNCC值，以及更新后p中各参数的值(u，ux,uy,v,vx，vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux，uy，vx，vy)是旋转量，(u，v)是平移量，直至队列为空；第二个队列中的点按ZNCC值大小进行排序，从大到小作为中心点重复步骤5.3计算对应的ZNCC值，以及更新后p中各参数的值(u,ux,uy,v，vx，vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux,uy,vx,vy)是旋转量，(u,v)是平移量，直至队列为空。此时，所有点均被计算完成。其中，采用多线程进行IC-GN算法的编写，大大提升程序运行速度。
步骤6：利用相机标定的内外参数，将视差值转为三维数据，进行3D重建，以获得高精度高速的单帧三维物体测量。
本发明提出了一种增强的IC-GN算法，在保证高测量精度的同时以显著提高其计算效率。算法受益于多核CPU的强大并行计算能力，基于网格高效、准确地提取大量种子点以促进后续计算中全局点的并行处理。

Claims (6)

1.一种基于网格提取种子点的数字散斑相关快速实现方法，其特征在于，具体步骤为：
步骤1：使用红外激光投射器向待测物体投射散斑图像，并用双目相机拍摄图像；
步骤2：标定相机并获取相机的内外参数，两相机分别拍摄获得物体的二维散斑图像，一幅作为参考图像，另一幅作为目标图像；
步骤3：使用OpenCV库的鼠标回调函数，在参考图像中框选出待测散斑区域；
步骤4：利用网格将待测散斑区域分为相同大小的8块，将每块的中心点分别设为种子点；
步骤5：运用数字图像相关算法求得参考图像和目标图像待测散斑区域中各点的视差值；
步骤6：利用相机标定的内外参数，将视差值转为三维数据，进行3D重建。
2.根据权利要求1所述的基于网格提取种子点的数字散斑相关快速实现方法，其特征在于，所述双目相机与待测物体的连线相互垂直。
3.根据权利要求1所述的基于网格提取种子点的数字散斑相关快速实现方法，其特征在于，运用数字图像相关算法求得参考图像和目标图像待测散斑区域中各点的视差值的具体步骤为：
步骤5.1：利用多线程的方法同时计算8块待测散斑区域的初始形变参数，所述待测散斑区域的初始形变参数通过RANSAC算法迭代计算获得；
步骤5.2：通过循环运用IC-GN算法对相邻的单一像素的变形矩阵数据进行求解，直至作用在参考图像上的更新变形矩阵的参数值的二范数小于设定阈值，获得对应的单一像素的ZNCC值，以及更新后p中各参数的值(u,ux,uy,v，vx，vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux，uy，vx，vy)是旋转量，(u，v)是平移量；
步骤5.3：将计算好的点的各项数据放入队列进行保存，在G1-G8每个区域内，将计算完成的点的变形矩阵数据作为四个相邻点的初始变形矩阵数据重复步骤5.2分别计算四个临点的ZNCC值，以及更新后p中各参数的值(u,ux,uy,v，vx，vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux,uy,vx,vy)是旋转量，(u,v)是平移量；
步骤5.4：将ZNCC值大于等于第二阈值的点放入第一队列，ZNCC值小于第二阈值的点放入第二个队列，第一队列中的点按进入队列内的顺序依次作为中心点向外辐射重复步骤5.3计算对应的ZNCC值，以及更新后p中各参数的值(u,ux，uy，v，vx，vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux,uy,vx,vy)是旋转量，(u,v)是平移量，直至队列为空；
第二个队列中的点按ZNCC值大小进行排序，从大到小作为中心点重复步骤5.3计算对应的ZNCC值，以及更新后p中各参数的值(u,ux,uy,v,vx,vy)T，p表示作用在目标图像的变形矩阵参数，其中(ux，uy，vx，vy)是旋转量，(u，v)是平移量，直至队列为空。
4.根据权利要求3所述的基于网格提取种子点的数字散斑相关快速实现方法，其特征在于，每块待测散斑区域的初始形变参数通过RANSAC算法迭代计算获得的具体过程为：
步骤5.1.1：随机选择种子点附近的三对不共线的关键点对，计算仿射变换的变形矩阵数据：
Figure FDA0002988903040000021
其中，(x，y)为计算点原坐标位置，(x',y')为点经过仿射变换后的坐标位置，6个系数(u,ux，uy，v,vx,vy)为仿射变换的变形矩阵参数，其中(ux,uy,vx,vy)是旋转量，(u,v)是平移量；
步骤5.1.2：根据匹配代价函数公式计算ZNSSD值CZNSSD和ZNCC值CZNCC；
步骤5.1.3：重新选择种子点附近的三对不共线的关键点对进行变形矩阵数据计算，返回步骤5.1.2，直至设定次数，比较ZNCC值，选取ZNCC值最大的一组数据作为该区域内种子点的初始形变参数。
5.根据权利要求4所述的基于网格提取种子点的数字散斑相关快速实现方法，其特征在于，ZNSSD值CZNSSD和ZNCC值CZNCC的计算公式分别为：
Figure FDA0002988903040000031
其中，x表示所求点在全局中的坐标；ξ表示在子集中像素点的局部坐标；Δp表示参考图像更新变形矩阵的参数，Δp＝(Δu,Δux,Δuy，Δv,Δvx,Δvy)T，其中(Δux,Δuy,Δvx,Δvy)是更新的旋转量，(Δu,Δv)是更新的平移量；p表示作用在目标图像的变形矩阵参数，p＝(u,ux,uy，v,vx，vy)T，其中(ux，uy,vx，vy)是旋转量，(u,v)是平移量；W(ξ；Δp)表示参考子集更新的变形矩阵，
Figure FDA0002988903040000032
W(ξ；p)表示目标子集的变形矩阵，
Figure FDA0002988903040000033
f(～)和g(～)分别表示参考图像和目标图像上括号内所对应坐标点的像素值；
Figure FDA0002988903040000034
和
Figure FDA0002988903040000035
分别表示参考子集和目标子集上各点像素值的平均值，N表示每个子集的点总数，
Figure FDA0002988903040000036
Figure FDA0002988903040000037
Δf和Δg则分别为
Figure FDA0002988903040000038
Figure FDA0002988903040000039
CZNCC＝1-0.5×CZNSSD。
6.根据权利要求3所述的基于网格提取种子点的数字散斑相关快速实现方法，其特征在于，通过循环运用IC-GN算法对相邻的单一像素的变形矩阵数据进行求解的具体过程为：
步骤5.2.1：利用最小二乘法和泰勒展开式求作用在参考图像上的更新变形矩阵的参数Δp：
Figure FDA0002988903040000041
其中，海森矩阵
Figure FDA0002988903040000042
Figure FDA0002988903040000043
是在(x+ξ)处各像素点的对x和y的梯度值，
Figure FDA0002988903040000044
为变形矩阵的雅可比行列式；Δx和Δy分别表示为子集上横纵坐标的变化值；Δf和Δg则分别为
Figure FDA0002988903040000045
步骤5.2.2：根据作用在参考图像上的更新变形矩阵的参数Δp，更新目标子集的变形矩阵的参数值p，更新策略为
Figure FDA0002988903040000046
并重新计算ZNSSD值及ZNCC值。
CN202110308966.1A 2021-03-23 2021-03-23 一种基于网格提取种子点的数字散斑相关快速实现方法 Active CN113091608B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110308966.1A CN113091608B (zh) 2021-03-23 2021-03-23 一种基于网格提取种子点的数字散斑相关快速实现方法
PCT/CN2021/113253 WO2022198901A1 (zh) 2021-03-23 2021-08-18 一种基于网格提取种子点的数字散斑相关快速实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110308966.1A CN113091608B (zh) 2021-03-23 2021-03-23 一种基于网格提取种子点的数字散斑相关快速实现方法

Publications (2)

Publication Number Publication Date
CN113091608A true CN113091608A (zh) 2021-07-09
CN113091608B CN113091608B (zh) 2023-05-30

Family

ID=76669447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110308966.1A Active CN113091608B (zh) 2021-03-23 2021-03-23 一种基于网格提取种子点的数字散斑相关快速实现方法

Country Status (2)

Country Link
CN (1) CN113091608B (zh)
WO (1) WO2022198901A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762253A (zh) * 2021-08-24 2021-12-07 北京的卢深视科技有限公司 散斑的提取方法、装置、电子设备及存储介质
WO2022198901A1 (zh) * 2021-03-23 2022-09-29 南京理工大学 一种基于网格提取种子点的数字散斑相关快速实现方法
CN115839675A (zh) * 2023-02-20 2023-03-24 宜科(天津)电子有限公司 一种物体轮廓线的识别系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546210B (zh) * 2022-11-28 2023-04-25 南京航空航天大学 一种数字图像相关中的局部应变加权平均方法
CN115597551B (zh) * 2022-12-14 2023-04-07 成都量芯集成科技有限公司 一种手持激光辅助双目扫描装置及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104006757A (zh) * 2014-06-13 2014-08-27 苏州西博三维科技有限公司 焊接变形实时检测系统及其检测方法
US10470379B1 (en) * 2014-06-12 2019-11-12 Iowa State University Research Foundation, Inc. High-throughput large-scale plant phenotyping instrumentation
CN112001973A (zh) * 2020-07-24 2020-11-27 南京理工大学 基于数字散斑相关的快速三维人头测量方法
CN112200203A (zh) * 2020-11-04 2021-01-08 西安交通大学 斜视场下弱相关散斑图像的匹配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113091608B (zh) * 2021-03-23 2023-05-30 南京理工大学 一种基于网格提取种子点的数字散斑相关快速实现方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10470379B1 (en) * 2014-06-12 2019-11-12 Iowa State University Research Foundation, Inc. High-throughput large-scale plant phenotyping instrumentation
CN104006757A (zh) * 2014-06-13 2014-08-27 苏州西博三维科技有限公司 焊接变形实时检测系统及其检测方法
CN112001973A (zh) * 2020-07-24 2020-11-27 南京理工大学 基于数字散斑相关的快速三维人头测量方法
CN112200203A (zh) * 2020-11-04 2021-01-08 西安交通大学 斜视场下弱相关散斑图像的匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林哲: "基于图像子区的数字图像相关方法的原理与实验", 《沈阳大学学报（自然科学版）》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022198901A1 (zh) * 2021-03-23 2022-09-29 南京理工大学 一种基于网格提取种子点的数字散斑相关快速实现方法
CN113762253A (zh) * 2021-08-24 2021-12-07 北京的卢深视科技有限公司 散斑的提取方法、装置、电子设备及存储介质
CN115839675A (zh) * 2023-02-20 2023-03-24 宜科(天津)电子有限公司 一种物体轮廓线的识别系统

Also Published As

Publication number Publication date
CN113091608B (zh) 2023-05-30
WO2022198901A1 (zh) 2022-09-29

Similar Documents

Publication Publication Date Title
CN113091608A (zh) 一种基于网格提取种子点的数字散斑相关快速实现方法
CN110853075B (zh) 一种基于稠密点云与合成视图的视觉跟踪定位方法
CN109272537B (zh) 一种基于结构光的全景点云配准方法
WO2019119567A1 (en) Systems and methods for block based edgel detection with false edge elimination
WO2017023210A1 (en) Generating a merged, fused three-dimensional point cloud based on captured images of a scene
CN109472820B (zh) 单目rgb-d相机实时人脸重建方法及装置
CN111814792B (zh) 一种基于rgb-d图像的特征点提取与匹配方法
CN111179433A (zh) 目标物体的三维建模方法及装置、电子设备、存储介质
CN112630469B (zh) 一种基于结构光和多光场相机的三维检测方法
Eichhardt et al. Affine correspondences between central cameras for rapid relative pose estimation
CN114494150A (zh) 一种基于半直接法的单目视觉里程计的设计方法
CN109978957B (zh) 基于量子行为粒子群的双目系统标定方法
CN112270694A (zh) 基于激光雷达扫描图进行城市环境动态目标检测的方法
CN114396875A (zh) 一种基于深度相机垂直拍摄的长方形包裹体积测量方法
Yong-guo et al. The navigation of mobile robot based on stereo vision
KR100792172B1 (ko) 강건한 대응점을 이용한 기본행렬 추정 장치 및 그 방법
CN112634443B (zh) 一种用于三维人头测量的数字散斑相关快速实现方法
Mahmoud et al. Fast 3d structure from motion with missing points from registration of partial reconstructions
Aganj et al. Multi-view texturing of imprecise mesh
CN113012279B (zh) 一种非接触三维成像测量方法、系统及计算机可读存储介质
CN112116653B (zh) 一种多张rgb图片的物体姿态估计方法
CN113808070A (zh) 一种双目数字散斑图像相关的视差测量方法
JP2023519725A (ja) 画像処理システム及び方法
Zhao et al. The obstacle avoidance and navigation based on stereo vision for mobile robot
CN112150518B (zh) 一种基于注意力机制的图像立体匹配方法及双目设备

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zuo Chao

Inventor after: Chen Juntong

Inventor after: Chen Qian

Inventor after: Yin Wei

Inventor after: Feng Shijie

Inventor after: Sun Jiasong

Inventor after: Hu Yan

Inventor before: Chen Juntong

Inventor before: Zuo Chao

Inventor before: Chen Qian

Inventor before: Yin Wei

Inventor before: Feng Shijie

Inventor before: Sun Jiasong

Inventor before: Hu Yan

GR01 Patent grant
GR01 Patent grant