CN113436249B - 一种快速稳健的单目相机位姿估计算法 - Google Patents
一种快速稳健的单目相机位姿估计算法 Download PDFInfo
- Publication number
- CN113436249B CN113436249B CN202110607849.5A CN202110607849A CN113436249B CN 113436249 B CN113436249 B CN 113436249B CN 202110607849 A CN202110607849 A CN 202110607849A CN 113436249 B CN113436249 B CN 113436249B
- Authority
- CN
- China
- Prior art keywords
- matrix
- rotation matrix
- algorithm
- iteration
- weight
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 95
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000013519 translation Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002253 acid Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种快速稳健的单目相机位姿估计算法,所述方法包括使用S估计方法迭代计算标志点权值,通过加权正交迭代算法计算世界坐标系相对于相机的旋转矩阵和平移向量得到位姿,如此不断循环往复,直至收敛,得到优化后的位姿参数。本发明不仅可以自动识别粗差点、提高算法的稳健性,而且能实时、精确地求得旋转矩阵和平移向量,获得准确、可靠的单目相机位姿参数。
Description
技术领域
本发明涉及位姿估计技术领域,具体说是一种快速稳健的单目相机位姿估计算法。
背景技术
在已知单目相机内参数的情况下,根据给定的n个标志点在世界坐标系W中的三维坐标和对应的二维图像像素坐标,求解坐标系W相对于相机坐标系的旋转矩阵R和平移向量t的问题,称为2D-3D位姿估计问题,也称为n点透视(PnP)问题(文献[1])。
高效n点透视算法(EPnP)是第一个复杂度为O(n)的快速单目位姿估计算法(文献[2]),EPnP方法通过最小化代数误差,可以在线性复杂度的时间内解算旋转和平移参数。直接最小二乘位姿估计算法(DLS)(文献[3])和最优PnP算法(OPnP)(文献[4])是可以快速、精确、能够处理多解情况的算法,这两种算法均采用多项式结式的方法得到了像方残差的解析解,基于多项式结式的方法往往提供了很多可能的位姿估计解,其中的绝大多数可能解都是不符合要求的。统一PnP算法(UPnP)(文献[5])是一种能够同时处理中心投影模型和非中心投影模型的、复杂度为O(n)的几何最优算法。正交迭代算法(OI方法)(文献[6])是一种经典的广泛使用的迭代算法,该方法提出了一种基于物方残差的位姿估计算法,使用奇异值分解方法得到位姿参数,OI算法具有精度高和计算速度快的优点,是一种被广泛的应用的单目位姿估计方法。近年来,人们对OI方法进行了多方面的改进和推广应用。文献[7]将正交迭代算法应用于多目相机的位姿估计中,文献[8]对比了正交迭代算法与其他位姿估计算法的计算效率,文献[9]提出了提高正交迭代算法速度的方法,文献[10]和文献[11]基于加权形式的物方残差模型,分别提出了加权正交迭代算法(W-OI)和基于尺度估计的加权正交迭代算法(S-OI)。稳健PnP位姿估计算法(RPnP)是一种复杂度为O(n)的位姿估计算法(文献[12]),RPnP的基本思路是随机选择n条以标志点为端点的线段,从中选择一条长度最长的线段,以该线段中心为坐标原点,该线段为Z轴建立新的坐标系,利用两点间距离等式平方作为约束条件,通过求解驻点方法得到位姿参数结果,该方法的稳健性来源主要是在线段越长,端点的误差对线段的影响越小。然而当遇到大范围的粗差时,通过挑选最长线段的方法并不能增强算法的稳健性。
在实际应用过程中,受测量精度限制,世界坐标系W中的三维坐标和对应的二维图像像素坐标等测量值存在测量误差,同时,世界点坐标记录错误、世界点与图像点匹配错误、提取标志点像点坐标时发生较大偏差等情况会不同程度带来测量粗差,导致解算结果不可靠。在测量误差与粗差不可避免的情况下,如何得到实时的、精确的旋转矩阵和平移向量参数,是单目位姿估计算法在应用过程中需解决的重要问题。
其中,
文献[1]:Haralick R M,Joo H,Lee C N,et al.Pose estimation fromcorresponding point data[M]//Freeman H.Machine vision for inspection andmeasurement.Salt Lake City:Academic Press,1989:1-84.
文献[2]:Lepetit V,Moreno-Noguer F,Fua P.EPnP:an accurate O(N)solutionto the PnP problem[J].International Journal of Computer Vision,2009,81(2):155-166.
文献[3]:Hesch J A,Roumeliotis S I.A direct least-squares(DLS)methodfor PnP[C]//2011International Conference on Computer Vision,November 6-13,2011,Barcelona,Spain.New York:IEEE,2011:383-390.
文献[4]:Zheng Y,Kuang Y,Sugimoto S,et al.Revisiting the PnP Problem:AFast,General and Optimal Solution:IEEE International Conference on ComputerVision,2013[C].
文献[5]:Kneip L,Li H D,Seo Y.UPnP:an optimal O(N)solution to theabsolute Pose problem with universal applicability[M]//Fleet D,Pajdla T,Schiele B,et al.Computer vision–ECCV 2014.Lecture notes in computerscience.Cham:Springer,2014,8689:127-142.
文献[6]:Lu C P,Hager G D,Mjolsness E.Fast and globally convergentPose estimation from video images[J].IEEE Transactions on Pattern Analysisand Machine Intelligence,2000,22(6):610-622.
文献[7]:Xu Y X,Jiang Y L,Chen F.Generalized orthogonal iterativealgorithm for Pose estimation of multiple camera systems[J].Acta OpticaSinica,2009,29(1):72-77.
许允喜,蒋云良,陈方.多摄像机系统位姿估计的广义正交迭代算法[J].光学学报,2009,29(1):72-77.
文献[8]:Liu J B,Guo P Y,Li X,et al.Evaluation strategy for cameraPose estimation algorithm based on point correspondences[J].Acta OpticaSinica,2016,36(5):0515002.
刘进博,郭鹏宇,李鑫,等.基于点对应的相机姿态估计算法性能评价[J].光学学报,2016,36(5):0515002.
文献[9]:Li X,Long G C,Liu J B,et al.Accelerative orthogonal iterationalgorithm for camera Pose estimation[J].Acta Optica Sinica,2015,35(1):0115004.
李鑫,龙古灿,刘进博,等.相机位姿估计的加速正交迭代算法[J].光学学报,2015,35(1):0115004.
文献[10]:Zhou R,Zhang Z Y,Huang X H.Weighted orthogonal iterationalgorithm for camera Pose estimation[J].Acta Optica Sinica,2018,38(5):0515002.
周润,张征宇,黄叙辉.相机位姿估计的加权正交迭代算法[J].光学学报,2018,38(5):0515002.
文献[11]:张雄锋,刘海波,尚洋.单目相机位姿估计的稳健正交迭代方法[J].光学学报,2019.39(09):0915004.
文献[12]:Li S,Xu C,Xie M.A Robust O(n)Solution to the Perspective-n-Point Problem[J].IEEE Trans Pattern Anal Mach Intell,2012,34(7):1444-1450.
文献[13]:Susanti Y,Pratiwi H,Sulistijowati H S,et al.Mestimation,sestimation,and MM estimation in robust regression[J].International Journalof Pure and Apllied Mathematics,2014,91(3):349-360.
发明内容
针对上述问题,本发明提供一种自动识别粗差点,提高算法稳健性的快速稳健的单目相机位姿估计算法,也就是FR-OI算法。
本发明解决上述技术问题所采用的技术方案为:一种快速稳健的单目相机位姿估计算法,包括如下步骤:步骤1,将每个标志点的权值设置为记第i个标志点在W坐标系中的坐标为pi,在归一化坐标平面中的坐标为vi(i=1,2,…,n),理想情况下相机成像的共线方程为
Rpi+t=Vi(Rpi+t), (1)
作为优化目标函数求解位姿参数;
步骤2,将旋转矩阵初始化为三阶单位矩阵,通过公式(6)不断正交迭代计算旋转矩阵R(k),直到物方残差小于阈值或正交迭代次数超过设定的最大迭代次数,输出当前的旋转矩阵,通过公式(3)计算对应的平移向量t(k),具体如下,
假设第k次迭代时的旋转矩阵为R(k),当R(k)固定时,使得加权物方残差和优化目标函数(2)最小的平移向量为
第k+1次迭代时的旋转矩阵为
R(k+1)=V(k)TU(k), (6)
并作为下一次迭代的旋转矩阵。
当权值固定时,通过公式(6)可不断迭代计算R(k),直至物方残差小于阙值或正交迭代次数超过设定的最大迭代次数时停止迭代,得到误差计算当前权值对应的旋转矩阵,使用旋转矩阵R(k),通过公式(3)计算对应的平移向量t(k),得到当前权值对应加权位姿估计参数;
步骤3,使用S估计方法更新每个标志点的权值,再重复步骤2计算当前权值对应的旋转矩阵和平移向量,进一步筛选更新每个标志点的权值;
步骤4,不断循环往复步骤2和步骤3,直至物方残差小于阈值或使用S估计方法的次数超过最大迭代次数时停止迭代;
步骤5,输出旋转矩阵和平移向量,获得位姿参数。
作为优选,所述S估计方法更新权值的方法如下,
更新权值;
更新权值。
与现有技术相比,本发明具有以下有益效果:
本发明使用基于加权系数的物方残差作为最小化目标函数,建立基于加权系数的单目相机位姿求解模型;推导得到加权单目相机位姿估计模型的快速迭代求解算法;通过使用S估计方法自动识别粗差点、自动计算每个标志点的权值,更新每个标志点的权值,提高算法的稳健性,并实时的、精确的求得旋转矩阵和平移向量,获得准确、可靠的单目相机位姿参数。
附图说明
图1是六种算法位姿解算中旋转矩阵误差随粗差点个数变化的情况图;
图2是六种算法位姿解算中平移向量误差随粗差点个数变化的情况图;
图3是六种算法位姿解算时间随标志点个数变化图。
具体实施方式
下面将结合图1-3详细说明本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
一种快速稳健的单目相机位姿估计算法,包括如下步骤:步骤1,将每个标志点的权值设置为记第i个标志点在W坐标系中的坐标为pi,在归一化坐标平面中的坐标为vi(i=1,2,…,n),理想情况下相机成像的共线方程为
Rpi+t=Vi(Rpi+t), (1)
称为投影矩阵。为提高稳健性,本发明采用加权思想改进传统正交迭代算法的优化目标函数,使用S估计(文献[13])方法评估每个标志点的粗差程度,自动计算每个标志点的权值。权值的计算原则是粗差程度越高,权值越小,反之权值越大,通过选择合适的权值削弱粗差点对于位姿估计结果的影响,得到准确、可靠的位姿估计结果。
作为优化目标函数求解位姿参数;
步骤2,将旋转矩阵初始化为三阶单位矩阵,通过公式(6)不断正交迭代计算旋转矩阵R(k),直到物方残差小于阈值或正交迭代次数超过设定的最大迭代次数,输出当前的旋转矩阵,通过公式(3)计算对应的平移向量t(k),具体如下
假设第k次迭代时的旋转矩阵为R(k),当R(k)固定时,使得加权物方残差和优化目标函数(2)最小的平移向量为
第k+1次迭代时的旋转矩阵为
R(k+1)=V(k)TU(k). (6)
并作为下一次迭代的旋转矩阵,
因此,当权值固定时,通过公式(6)可不断迭代计算R(k),直至物方残差小于阙值或正交迭代次数超过设定的最大迭代次数时停止迭代,得到误差计算当前权值对应的旋转矩阵,使用旋转矩阵R(k),通过公式(3)计算对应的平移向量t(k),得到当前权值对应加权位姿估计参数;
步骤3,使用S估计方法更新每个标志点的权值,再重复步骤2计算当前权值对应的旋转矩阵和平移向量,进一步筛选更新每个标志点的权值;
S估计方法更新权值的方法如下,
更新权值;
更新权值;
步骤4,权值更新后,重新使用加权正交迭代算法解算得到旋转矩阵,不断循环往复步骤2和步骤3,直至物方残差小于阈值或使用S估计方法的迭代次数超过最大迭代次数时停止迭代;
步骤5,输出旋转矩阵和平移向量,获得位姿参数。
为验证本发明所提出的快速稳健的单目相机位姿估计算法的有效性,通过图1-3在稳健性方面与经典位姿估计算法进行对比。
在以下的仿真实验中,标志点坐标、平移向量坐标单位均为厘米。仿真测试中相机的等效焦距为1200,相片分辨率为1000pixels×1000pixels,旋转矩阵为随机生成的行列式为1的正交矩阵,平移向量t的三个分量为在[500,1000]中选取的随机数。W坐标系中的100个理想标志点坐标均匀分布在[-60,60]×[-60,60]×[-60,60]中。首先将标志点相片坐标系中的理想点坐标加入均值为0,标准差为0.1的高斯噪声,用于模拟提点误差。旋转矩阵的误差定义为其中R和Rtrue分别表示旋转矩阵解算值和真值,平移向量误差定义为其中ttrue和t分别表示平移向量真值和解算值。为测试本发明算法的稳健性,在100个标志点随机选择m(m=0,10,…,60个标志点,加入[-60,60]中均匀分布的粗差并使用含粗差的像点估计位姿参数,实验独立进行1000次。将DLS算法、RPnP算法、OI算法、W-OI算法、S-OI算法解算得到的位姿参数与本发明提出的算法(FR-OI)的结果进行对比。
从图1中可看出,在不存在粗差点的情况下,各算法的解算精度相当。随着粗差点个数的增加,RPnP算法、DLS算法和OI算法的姿态求解精度明显下降,W-OI算法对粗差点个数的敏感程度低于以上三种方法,本发明提出的FR-OI算法的求解精度最高。在存在60个粗差点的情况下,RPnP算法、DLS算法、OI算法、W-OI算法的姿态解算误差分别为2.29°,2.28°、1.11°和0.75°,而本发明算法的解算误差仅为0.17°,比其余四种算法的解算精度高1个数量级,与S-OI算法的解算精度相当。在平移向量误差方面,从图2中可看出,FR-OI算法与S-OI的平移向量求解精度最高,在存在60个粗差点的情况下,本发明算法与S-OI的解算误差仅为0.17%,RPnP算法、DLS算法、OI算法、W-OI算法的姿态解算误差分别为2.32%,2.65%、2.12%和0.93%,本发明提出的算法比其余四种算法高1到2个数量级。因此,与其余四种算法相比,本发明提出的算法对于粗差点个数不敏感,能够很好地抑制粗差点个数增加对位姿参数解算精度带来的影响。
为测试本发明算法的计算时间,当标志点个数依次为50,100,150,200,250,300,350,400时,对各算法的位姿解算时间进行了仿真测试,取500次仿真测试的平均时间作为各算法的计算时间。各算法的计算时间随标志点个数增加的变化情况如图3所示。从图3中可看出,W-OI算法和S-OI算法的位姿解算时间较长,实时性较差。本发明提出的FR-OI算法和与OI算法、DLS算法的位姿解算时间为同一数量级。平均位姿解算时间最短的是DLS算法。当标志点个数为400时,RPnP算法平均解算时间为0.0012秒,OI方法、DLS算法和FR-OI算法的平均位姿解算时间分别为0.0198秒、0.0541秒和0.1422秒,耗时较多的算法为W-OI方法和S-OI算法,所需时间分别为4.3453秒和4.1905秒。因此,本发明算法在保持稳健性的同时,具备较好的实时性,能够适应位姿估计实时性需求。
以上对本发明实施例所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只适用于帮助理解本发明实施例的原理;同时,对于本领域的一般技术人员,依据本发明实施例,在具体实施方式以及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种快速稳健的单目相机位姿估计算法,其特征在于,包括以下步骤:
Rpi+t=Vi(Rpi+t), (1)
作为优化目标函数求解位姿参数;
步骤2,将旋转矩阵初始化为三阶单位矩阵,通过公式(6)不断正交迭代计算旋转矩阵R(k),直到物方残差小于阙值或正交迭代次数超过设定的最大迭代次数,输出当前的旋转矩阵,通过公式(3)计算对应的平移向量t(k),具体如下,
假设第k次迭代时的旋转矩阵为R(k),当R(k)固定时,使得加权物方残差和优化目标函数(2)最小的平移向量为
第k+1次迭代时的旋转矩阵为
R(k+1)=V(k)TU(k), (6)
并作为下一次迭代的旋转矩阵,
当权值固定时,通过公式(6)可不断迭代计算R(k),直至物方残差小于阙值或正交迭代次数超过设定的最大迭代次数时停止迭代,得到误差计算当前权值对应的旋转矩阵,使用旋转矩阵R(k),通过公式(3)计算对应的平移向量t(k),得到当前权值对应加权位姿估计参数;
步骤3,使用S估计方法更新每个标志点的权值,再重复步骤2计算当前权值对应的旋转矩阵和平移向量,进一步筛选更新每个标志点的权值;
步骤4,不断循环往复步骤2和步骤3,直至物方残差小于阈值或使用S估计方法的迭代次数超过最大迭代次数时停止迭代;
步骤5,输出旋转矩阵和平移向量,获得位姿参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607849.5A CN113436249B (zh) | 2021-06-01 | 2021-06-01 | 一种快速稳健的单目相机位姿估计算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607849.5A CN113436249B (zh) | 2021-06-01 | 2021-06-01 | 一种快速稳健的单目相机位姿估计算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436249A CN113436249A (zh) | 2021-09-24 |
CN113436249B true CN113436249B (zh) | 2023-04-11 |
Family
ID=77803391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110607849.5A Active CN113436249B (zh) | 2021-06-01 | 2021-06-01 | 一种快速稳健的单目相机位姿估计算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436249B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240998A (zh) * | 2021-11-17 | 2022-03-25 | 乐山师范学院 | 一种机器人视觉识别定位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10388029B1 (en) * | 2017-09-07 | 2019-08-20 | Northrop Grumman Systems Corporation | Multi-sensor pose-estimate system |
CN112066879A (zh) * | 2020-09-11 | 2020-12-11 | 哈尔滨工业大学 | 基于计算机视觉的气浮运动模拟器位姿测量装置及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871327A (zh) * | 2017-10-23 | 2018-04-03 | 武汉大学 | 基于特征点线的单目相机位姿估计和优化方法及系统 |
US10929654B2 (en) * | 2018-03-12 | 2021-02-23 | Nvidia Corporation | Three-dimensional (3D) pose estimation from a monocular camera |
CN108711166B (zh) * | 2018-04-12 | 2022-05-03 | 浙江工业大学 | 一种基于四旋翼无人机的单目相机尺度估计方法 |
CN109816725B (zh) * | 2019-01-17 | 2023-03-14 | 合肥哈工慧拣智能科技有限公司 | 一种基于深度学习的单目相机物体位姿估计方法及装置 |
-
2021
- 2021-06-01 CN CN202110607849.5A patent/CN113436249B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10388029B1 (en) * | 2017-09-07 | 2019-08-20 | Northrop Grumman Systems Corporation | Multi-sensor pose-estimate system |
CN112066879A (zh) * | 2020-09-11 | 2020-12-11 | 哈尔滨工业大学 | 基于计算机视觉的气浮运动模拟器位姿测量装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113436249A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510551B (zh) | 一种远距离大视场条件下相机参数的标定方法及系统 | |
CN110807809B (zh) | 基于点线特征和深度滤波器的轻量级单目视觉定位方法 | |
CN109523595B (zh) | 一种建筑工程直线棱角间距视觉测量方法 | |
CN104019799B (zh) | 一种利用局部参数优化计算基础矩阵的相对定向方法 | |
CN111383272B (zh) | 一种双目视觉水果分拣并联机器人视觉盲区末端位姿检测方法 | |
CN111429494B (zh) | 一种基于生物视觉的点云高精度自动配准方法 | |
CN113920205B (zh) | 一种非同轴相机的标定方法 | |
CN106157322B (zh) | 一种基于平面镜的像机安装位置标定方法 | |
CN107680139A (zh) | 一种远心双目立体视觉测量系统的通用性标定方法 | |
CN106709943B (zh) | 一种基于最优传输的点云配准方法 | |
CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
CN108470356A (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
CN112329726B (zh) | 人脸识别方法及装置 | |
CN113436249B (zh) | 一种快速稳健的单目相机位姿估计算法 | |
CN109341588B (zh) | 一种双目结构光三系统法视角加权的三维轮廓测量方法 | |
CN116894876A (zh) | 基于实时图像的6-dof的定位方法 | |
CN114877826B (zh) | 一种双目立体匹配三维测量方法、系统及存储介质 | |
CN116363205A (zh) | 基于深度学习的空间目标位姿解算方法及计算机程序产品 | |
CN115018922A (zh) | 畸变参数标定方法、电子设备和计算机可读存储介质 | |
JP5215615B2 (ja) | 3次元位置情報復元装置およびその方法 | |
Zhou et al. | Distortion correction using a single image based on projective invariability and separate model | |
Gong et al. | Scene-aware Online Calibration of LiDAR and Cameras for Driving Systems | |
Fitzgibbon et al. | Learning priors for calibrating families of stereo cameras | |
CN114066991B (zh) | 一种基于空间平面单应不动点约束的光场相机标定方法 | |
CN117274326B (zh) | 基于距离估计和姿态参数的机器视觉图像配准方法和系统 |
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 |