CN113706632A - 基于三维视觉标定板的标定方法和系统 - Google Patents

基于三维视觉标定板的标定方法和系统 Download PDF

Info

Publication number
CN113706632A
CN113706632A CN202111014096.3A CN202111014096A CN113706632A CN 113706632 A CN113706632 A CN 113706632A CN 202111014096 A CN202111014096 A CN 202111014096A CN 113706632 A CN113706632 A CN 113706632A
Authority
CN
China
Prior art keywords
coordinate system
black
calibration
module
calibration plate
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
CN202111014096.3A
Other languages
English (en)
Other versions
CN113706632B (zh
Inventor
夏子涛
郭震
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.)
Shanghai Jingwu Intelligent Technology Co Ltd
Original Assignee
Shanghai Jingwu Intelligent Technology Co Ltd
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 Shanghai Jingwu Intelligent Technology Co Ltd filed Critical Shanghai Jingwu Intelligent Technology Co Ltd
Priority to CN202111014096.3A priority Critical patent/CN113706632B/zh
Publication of CN113706632A publication Critical patent/CN113706632A/zh
Application granted granted Critical
Publication of CN113706632B publication Critical patent/CN113706632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/10024—Color image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供了一种基于三维视觉标定板的标定方法和系统，包括：步骤1：检测标定板坐标系下的RGB图像上的棋盘角点；步骤2：计算在深度相机坐标系下的角点三维坐标；步骤3：计算相机坐标系和标定板坐标系的转换关系；所述棋盘为黑白棋盘格，所述棋盘角点为黑色小方块两两之间的顶点相交区。本发明解决了机器人和深度相机标定过程中，相机转动角度过大导致角点顺序识别错误的问题。

Description

基于三维视觉标定板的标定方法和系统
技术领域
本发明涉及视觉标定技术领域，具体地，涉及一种基于三维视觉标定板的标定方法和系统。
背景技术
在机器人视觉应用中，手眼标定是一个非常基础和关键的问题。手眼标定的目的是为了获取机器人坐标系和相机坐标系的关系，标定过程通常借助标定板来实现。在机器人标定的过程中相机旋转角度过大，传统的棋盘格由于角度很大导致棋盘格位置识别错误。
专利文献CN111462253A(申请号：CN202010328407.2)公开了一种适用于激光3D视觉的三维标定板，为线激光扫描3D相机的图像采集对象，运用于机械3D视觉领域，所述标定板的板体本身分有相机基准部、视图拼接部和坐标定位部，通过上述的相机基准部、视图拼接部和坐标定位部，以通过相机基准部解决相机拍摄需要X方向与Y方向高度垂直的相机校准问题、通过图像拼接解决相机拍摄精度与视野成反比的问题、通过坐标定位部对相机的坐标系转换解决图像在实际产品图像取点，然后引导设备实际在产品上执行的对应性问题。然而该专利并没有对相机旋转角度过大的情况进行描述，无法解决由于角度很大导致棋盘格位置识别错误的问题。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于三维视觉标定板的标定方法和系统。
根据本发明提供的基于三维视觉标定板的标定方法，包括：
步骤1：检测标定板坐标系下的RGB图像上的棋盘角点；
步骤2：计算在深度相机坐标系下的角点三维坐标；
步骤3：计算相机坐标系和标定板坐标系的转换关系；
所述棋盘为黑白棋盘格，所述棋盘角点为黑色小方块两两之间的顶点相交区。
优选的，所述步骤1包括：
步骤1.1：通过自适应阈值算法对图像进行分割，生成二值图像；
步骤1.2：对二值图像进行膨胀运算，使得二值图像中的黑色方块分离；
步骤1.3：寻找图像中所有的黑色孔洞区域，并进行筛选；
步骤1.4：对筛选出的区域，进行多边形拟合算法处理，筛选出顶点数为4的多边形区域，称为四边形黑色区域；
步骤1.5：对每个四边形黑色区域按邻近关系排序，然后按对角两个四边形相对的两个点，取其连线的中间点作为角点；
步骤1.6：计算所有四边形黑色区域的孔洞，将包含一个白色孔洞的黑色四边形区域作为回字型黑色小方块；
步骤1.7：以回字型黑色小方块的角点为起点，顺时针依次排列下一个角点。
优选的，对黑色孔洞区域进行筛选：计算所有黑色空洞区域的凸性，凸性＝多边形面积/多边形凸包面积，筛选出凸性大于0.8的区域。
优选的，所述步骤2包括：
步骤2.1：将所有彩色图像上的角点对齐到深度图像上，得到深度图像上的角点坐标位置；
步骤2.2：根据深度相机内参和深度图像上的角点坐标位置，计算对应RGBD相机坐标系下的三维坐标位置。
优选的，所述步骤3包括：
步骤3.1：构建标定板坐标系，以标定板平面为坐标系的XY平面，标定板的垂直方向为坐标系Z轴，构建右手直角坐标系；
步骤3.2：根据相机坐标系下角点三维坐标和标定板坐标系下角点三维坐标，计算相机坐标系和标定板坐标系之间的坐标变换关系。
根据本发明提供的基于三维视觉标定板的标定系统，包括：
模块M1：检测标定板坐标系下的RGB图像上的棋盘角点；
模块M2：计算在深度相机坐标系下的角点三维坐标；
模块M3：计算相机坐标系和标定板坐标系的转换关系；
所述棋盘为黑白棋盘格，所述棋盘角点为黑色小方块两两之间的顶点相交区。
优选的，所述模块M1包括：
模块M1.1：通过自适应阈值算法对图像进行分割，生成二值图像；
模块M1.2：对二值图像进行膨胀运算，使得二值图像中的黑色方块分离；
模块M1.3：寻找图像中所有的黑色孔洞区域，并进行筛选；
模块M1.4：对筛选出的区域，进行多边形拟合算法处理，筛选出顶点数为4的多边形区域，称为四边形黑色区域；
模块M1.5：对每个四边形黑色区域按邻近关系排序，然后按对角两个四边形相对的两个点，取其连线的中间点作为角点；
模块M1.6：计算所有四边形黑色区域的孔洞，将包含一个白色孔洞的黑色四边形区域作为回字型黑色小方块；
模块M1.7：以回字型黑色小方块的角点为起点，顺时针依次排列下一个角点。
优选的，对黑色孔洞区域进行筛选：计算所有黑色空洞区域的凸性，凸性＝多边形面积/多边形凸包面积，筛选出凸性大于0.8的区域。
优选的，所述模块M2包括：
模块M2.1：将所有彩色图像上的角点对齐到深度图像上，得到深度图像上的角点坐标位置；
模块M2.2：根据深度相机内参和深度图像上的角点坐标位置，计算对应RGBD相机坐标系下的三维坐标位置。
优选的，所述模块M3包括：
模块M3.1：构建标定板坐标系，以标定板平面为坐标系的XY平面，标定板的垂直方向为坐标系Z轴，构建右手直角坐标系；
模块M3.2：根据相机坐标系下角点三维坐标和标定板坐标系下角点三维坐标，计算相机坐标系和标定板坐标系之间的坐标变换关系。
与现有技术相比，本发明具有如下的有益效果：
本发明解决了机器人和深度相机之间的标定问题，是机器人和相机标定中的重要环节；解决了机器人和深度相机标定过程中，相机转动角度过大导致角点顺序识别错误的问题；不同于传统的棋盘格标定算法，该方法可以直接计算棋盘格的三维坐标信息。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为改进棋盘格标定板示意图；
图2为相机与标定板坐标关系图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例：
本发明的实施系统由定制的棋盘格黑白棋盘格和RGBD深度相机构成。黑白棋盘格由9*9的黑白小方格构成，其中左下角的黑色小方格中间填充为一个白色小方格，为回字型的黑色小方块。棋盘格角点为黑色小方块两两之间的顶点相交区，角点数为8*8。
根据本发明提供的基于三维视觉标定板的标定方法，包括如下步骤：步骤1：RGB图像上的棋盘格角点检测；步骤2：深度相机坐标系下的角点三维坐标计算；步骤3：计算相机坐标系和标定板坐标系的转换关系。
其中，步骤1包括如下步骤：步骤1.1：使用局部自适应阈值化方法对图像进行分割，生成二值图像；步骤1.2：对二值图像进行膨胀运算，使得而值图像中的黑色方块分离；步骤1.3：寻找图像中所有的黑色孔洞区域，计算所有黑色空洞区域的凸性(convexity)，凸性＝多边形面积/多边形凸包面积，筛选出凸性大于0.8的区域；步骤1.4：对筛选出的区域，进行多边形拟合算法处理，筛选出顶点为4的多边形区域，称为4边形黑色区域；步骤1.5：将每个四边形作为一个单元，它分别有邻近的四边形，无邻近四边形的为干扰四边形，两个邻近四边形为边界处四边形，四个邻近四边形为内部四边形。每个四边形的序号可按邻近关系排序，然后按对角两个四边形相对的两个点，取其连线的中间点作为角点；步骤1.6：寻找回字型黑色小方块：计算所有4边形黑色区域的孔洞，包含一个白色孔洞的黑色四边形区域为回字型黑色小方块；步骤1.7：以回字型黑色小方块的角点为起点，顺时针依次排列下一个角点。
其中，步骤2包括如下步骤：步骤2.1：将RGB彩色图像对齐到深度图像上，即所有彩色图像上的角点对齐到深度图像上，得到深度图像上的角点坐标位置；步骤2.2：根据深度相机内参和深度图像上的角点坐标位置，计算对应RGBD相机坐标系下的三维坐标位置。
其中，步骤3包括如下步骤：步骤3.1：标定板坐标系下的角点三维坐标计算：首先构建标定板坐标系，以标定板平面为坐标系的XY平面，标定板的垂直方向为坐标系Z轴，构建右手直角坐标系。设小方格的尺寸为L，则如图1，从左上角到右上角坐标为(L，0，0)、(L，1，0)、(L，2，0)、(L，3，0)、(L，4，0)、(L，5，0)、、(L，6，0)、(L，7，0)、(L，8，0)；下一行依次为(2*L，0，0)、(2*L，1，0)、(2*L，2，0)、(2*L，3，0)、(2*L，4，0)、(2*L，5，0)、、(2*L，6，0)、(2*L，7，0)、(2*L，8，0)。步骤3.2：根据相机坐标系下角点三维坐标和标定板坐标系下角点三维坐标，计算相机坐标系和标定板坐标系之间的坐标变换关系，如图2。
根据本发明提供的基于三维视觉标定板的标定系统，包括：模块M1：检测标定板坐标系下的RGB图像上的棋盘角点；模块M2：计算在深度相机坐标系下的角点三维坐标；模块M3：计算相机坐标系和标定板坐标系的转换关系；所述棋盘为黑白棋盘格，所述棋盘角点为黑色小方块两两之间的顶点相交区。
所述模块M1包括：模块M1.1：通过自适应阈值算法对图像进行分割，生成二值图像；模块M1.2：对二值图像进行膨胀运算，使得二值图像中的黑色方块分离；模块M1.3：寻找图像中所有的黑色孔洞区域，并进行筛选；模块M1.4：对筛选出的区域，进行多边形拟合算法处理，筛选出顶点数为4的多边形区域，称为四边形黑色区域；模块M1.5：对每个四边形按邻近关系排序，然后按对角两个四边形相对的两个点，取其连线的中间点作为角点；模块M1.6：计算所有四边形黑色区域的孔洞，将包含一个白色孔洞的黑色四边形区域作为回字型黑色小方块；模块M1.7：以回字型黑色小方块的角点为起点，顺时针依次排列下一个角点。对黑色孔洞区域进行筛选：计算所有黑色空洞区域的凸性，凸性＝多边形面积/多边形凸包面积，筛选出凸性大于0.8的区域。
所述模块M2包括：模块M2.1：将所有彩色图像上的角点对齐到深度图像上，得到深度图像上的角点坐标位置；模块M2.2：根据深度相机内参和深度图像上的角点坐标位置，计算对应RGBD相机坐标系下的三维坐标位置。
所述模块M3包括：模块M3.1：构建标定板坐标系，以标定板平面为坐标系的XY平面，标定板的垂直方向为坐标系Z轴，构建右手直角坐标系；模块M3.2：根据相机坐标系下角点三维坐标和标定板坐标系下角点三维坐标，计算相机坐标系和标定板坐标系之间的坐标变换关系。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于三维视觉标定板的标定方法，其特征在于，包括：
步骤1：检测标定板坐标系下的RGB图像上的棋盘角点；
步骤2：计算在深度相机坐标系下的角点三维坐标；
步骤3：计算相机坐标系和标定板坐标系的转换关系；
所述棋盘为黑白棋盘格，所述棋盘角点为黑色小方块两两之间的顶点相交区。
2.根据权利要求1所述的基于三维视觉标定板的标定方法，其特征在于，所述步骤1包括：
步骤1.1：通过自适应阈值算法对图像进行分割，生成二值图像；
步骤1.2：对二值图像进行膨胀运算，使得二值图像中的黑色方块分离；
步骤1.3：寻找图像中所有的黑色孔洞区域，并进行筛选；
步骤1.4：对筛选出的区域，进行多边形拟合算法处理，筛选出顶点数为4的多边形区域，称为四边形黑色区域；
步骤1.5：对每个四边形黑色区域按邻近关系排序，然后按对角两个四边形相对的两个点，取其连线的中间点作为角点；
步骤1.6：计算所有四边形黑色区域的孔洞，将包含一个白色孔洞的黑色四边形区域作为回字型黑色小方块；
步骤1.7：以回字型黑色小方块的角点为起点，顺时针依次排列下一个角点。
3.根据权利要求2所述的基于三维视觉标定板的标定方法，其特征在于，对黑色孔洞区域进行筛选：计算所有黑色空洞区域的凸性，凸性＝多边形面积/多边形凸包面积，筛选出凸性大于0.8的区域。
4.根据权利要求1所述的基于三维视觉标定板的标定方法，其特征在于，所述步骤2包括：
步骤2.1：将所有彩色图像上的角点对齐到深度图像上，得到深度图像上的角点坐标位置；
步骤2.2：根据深度相机内参和深度图像上的角点坐标位置，计算对应RGBD相机坐标系下的三维坐标位置。
5.根据权利要求1所述的基于三维视觉标定板的标定方法，其特征在于，所述步骤3包括：
步骤3.1：构建标定板坐标系，以标定板平面为坐标系的XY平面，标定板的垂直方向为坐标系Z轴，构建右手直角坐标系；
步骤3.2：根据相机坐标系下角点三维坐标和标定板坐标系下角点三维坐标，计算相机坐标系和标定板坐标系之间的坐标变换关系。
6.一种基于三维视觉标定板的标定系统，其特征在于，包括：
模块M1：检测标定板坐标系下的RGB图像上的棋盘角点；
模块M2：计算在深度相机坐标系下的角点三维坐标；
模块M3：计算相机坐标系和标定板坐标系的转换关系；
所述棋盘为黑白棋盘格，所述棋盘角点为黑色小方块两两之间的顶点相交区。
7.根据权利要求6所述的基于三维视觉标定板的标定系统，其特征在于，所述模块M1包括：
模块M1.1：通过自适应阈值算法对图像进行分割，生成二值图像；
模块M1.2：对二值图像进行膨胀运算，使得二值图像中的黑色方块分离；
模块M1.3：寻找图像中所有的黑色孔洞区域，并进行筛选；
模块M1.4：对筛选出的区域，进行多边形拟合算法处理，筛选出顶点数为4的多边形区域，称为四边形黑色区域；
模块M1.5：对每个四边形黑色区域按邻近关系排序，然后按对角两个四边形相对的两个点，取其连线的中间点作为角点；
模块M1.6：计算所有四边形黑色区域的孔洞，将包含一个白色孔洞的黑色四边形区域作为回字型黑色小方块；
模块M1.7：以回字型黑色小方块的角点为起点，顺时针依次排列下一个角点。
8.根据权利要求7所述的基于三维视觉标定板的标定系统，其特征在于，对黑色孔洞区域进行筛选：计算所有黑色空洞区域的凸性，凸性＝多边形面积/多边形凸包面积，筛选出凸性大于0.8的区域。
9.根据权利要求6所述的基于三维视觉标定板的标定系统，其特征在于，所述模块M2包括：
模块M2.1：将所有彩色图像上的角点对齐到深度图像上，得到深度图像上的角点坐标位置；
模块M2.2：根据深度相机内参和深度图像上的角点坐标位置，计算对应RGBD相机坐标系下的三维坐标位置。
10.根据权利要求6所述的基于三维视觉标定板的标定系统，其特征在于，所述模块M3包括：
模块M3.1：构建标定板坐标系，以标定板平面为坐标系的XY平面，标定板的垂直方向为坐标系Z轴，构建右手直角坐标系；
模块M3.2：根据相机坐标系下角点三维坐标和标定板坐标系下角点三维坐标，计算相机坐标系和标定板坐标系之间的坐标变换关系。
CN202111014096.3A 2021-08-31 2021-08-31 基于三维视觉标定板的标定方法和系统 Active CN113706632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111014096.3A CN113706632B (zh) 2021-08-31 2021-08-31 基于三维视觉标定板的标定方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111014096.3A CN113706632B (zh) 2021-08-31 2021-08-31 基于三维视觉标定板的标定方法和系统

Publications (2)

Publication Number Publication Date
CN113706632A true CN113706632A (zh) 2021-11-26
CN113706632B CN113706632B (zh) 2024-01-16

Family

ID=78658141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111014096.3A Active CN113706632B (zh) 2021-08-31 2021-08-31 基于三维视觉标定板的标定方法和系统

Country Status (1)

Country Link
CN (1) CN113706632B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105716527A (zh) * 2016-04-18 2016-06-29 中国计量学院 激光焊缝跟踪传感器标定方法
CN107146254A (zh) * 2017-04-05 2017-09-08 西安电子科技大学 多相机系统的相机外参数标定方法
CN107633536A (zh) * 2017-08-09 2018-01-26 武汉科技大学 一种基于二维平面模板的相机标定方法及系统
CN108230397A (zh) * 2017-12-08 2018-06-29 深圳市商汤科技有限公司 多目摄像机标定与校正方法和装置、设备、程序和介质
CN109633612A (zh) * 2018-10-18 2019-04-16 浙江大学 一种无共同观测的单线激光雷达与相机外参标定方法
CN109741405A (zh) * 2019-01-21 2019-05-10 同济大学 一种基于对偶结构光rgb-d相机的深度信息采集系统
CN110458898A (zh) * 2019-08-15 2019-11-15 北京迈格威科技有限公司 相机标定板、标定数据采集方法、畸变校正方法及装置
WO2020010945A1 (zh) * 2018-07-11 2020-01-16 Oppo广东移动通信有限公司 图像处理方法和装置、电子设备、计算机可读存储介质
KR20200045176A (ko) * 2018-10-22 2020-05-04 경희대학교 산학협력단 깊이 카메라와 비행체를 이용한 강건한 디스플레이 시스템 및 방법
CN111486802A (zh) * 2020-04-07 2020-08-04 东南大学 基于自适应距离加权的旋转轴标定方法
CN111612853A (zh) * 2020-05-25 2020-09-01 追创科技(苏州)有限公司 相机参数标定方法及装置
CN112233187A (zh) * 2020-10-20 2021-01-15 深圳无境智能机器人有限公司 一种方便稳定的rgbd相机外参数标定方法
KR102206108B1 (ko) * 2019-09-20 2021-01-21 광운대학교 산학협력단 체적형 객체 촬영을 위한 다중 rgb-d 카메라 기반의 포인트 클라우드 정합 방법
CN113288424A (zh) * 2021-04-14 2021-08-24 上海大学 用于光学手术导航系统视场标定的标定板及标定方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105716527A (zh) * 2016-04-18 2016-06-29 中国计量学院 激光焊缝跟踪传感器标定方法
CN107146254A (zh) * 2017-04-05 2017-09-08 西安电子科技大学 多相机系统的相机外参数标定方法
CN107633536A (zh) * 2017-08-09 2018-01-26 武汉科技大学 一种基于二维平面模板的相机标定方法及系统
CN108230397A (zh) * 2017-12-08 2018-06-29 深圳市商汤科技有限公司 多目摄像机标定与校正方法和装置、设备、程序和介质
WO2020010945A1 (zh) * 2018-07-11 2020-01-16 Oppo广东移动通信有限公司 图像处理方法和装置、电子设备、计算机可读存储介质
CN109633612A (zh) * 2018-10-18 2019-04-16 浙江大学 一种无共同观测的单线激光雷达与相机外参标定方法
KR20200045176A (ko) * 2018-10-22 2020-05-04 경희대학교 산학협력단 깊이 카메라와 비행체를 이용한 강건한 디스플레이 시스템 및 방법
CN109741405A (zh) * 2019-01-21 2019-05-10 同济大学 一种基于对偶结构光rgb-d相机的深度信息采集系统
CN110458898A (zh) * 2019-08-15 2019-11-15 北京迈格威科技有限公司 相机标定板、标定数据采集方法、畸变校正方法及装置
KR102206108B1 (ko) * 2019-09-20 2021-01-21 광운대학교 산학협력단 체적형 객체 촬영을 위한 다중 rgb-d 카메라 기반의 포인트 클라우드 정합 방법
CN111486802A (zh) * 2020-04-07 2020-08-04 东南大学 基于自适应距离加权的旋转轴标定方法
CN111612853A (zh) * 2020-05-25 2020-09-01 追创科技(苏州)有限公司 相机参数标定方法及装置
CN112233187A (zh) * 2020-10-20 2021-01-15 深圳无境智能机器人有限公司 一种方便稳定的rgbd相机外参数标定方法
CN113288424A (zh) * 2021-04-14 2021-08-24 上海大学 用于光学手术导航系统视场标定的标定板及标定方法

Also Published As

Publication number Publication date
CN113706632B (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
EP0218259B1 (en) Method and apparatus for calculating position and orientation by combination of features of partial shapes
JP3515199B2 (ja) 欠陥検査装置
CN105184770B (zh) 一种用于球栅阵列引脚芯片的焊球定位及其参数识别方法
CN113146073B (zh) 基于视觉的激光切割方法及装置、电子设备、存储介质
CN101852745A (zh) 检查方法
TWI551857B (zh) 檢驗方法
CN110751682A (zh) 一种提取和标识图像的方法、装置、终端设备及存储介质
CN110070557A (zh) 一种基于边缘特征检测的目标识别与定位方法
CN115609591B (zh) 一种基于2D Marker的视觉定位方法和系统、复合机器人
KR20180014676A (ko) 비전 시스템에서 3d 정렬 알고리즘의 자동 선택을 위한 시스템 및 방법
JPH09251544A (ja) ワークエッジ検出画像処理装置
CN113706632A (zh) 基于三维视觉标定板的标定方法和系统
CN111354038A (zh) 锚定物检测方法及装置、电子设备及存储介质
US20230245346A1 (en) Method and device for corner marking and parameter calibration
CN115272379B (zh) 一种基于投影的三维网格模型外轮廓提取方法及系统
Uma et al. Marker based augmented reality food menu
CN113066128B (zh) 自识别标识板的视觉检测与恢复方法、装置、设备及介质
CN110035279B (zh) 在棋盘格测试图中寻找sfr测试区域的方法及装置
WO2022204864A1 (en) A method for corner detection on unified calibration board between dvs and camera
KR102248673B1 (ko) 교통 신호의 식별 방법, 이를 이용하는 교통 신호 식별 장치 및 프로그램
KR100276445B1 (ko) 물품인식장치
JP2562047B2 (ja) 対象物体の位置姿勢認識方法
Yoda et al. Direction coding method and its application to scene analysis
JP2007309703A (ja) ピクセルの検査方法
RU2295109C2 (ru) Способ калибровки цифровой видеокамеры для адаптивного процесса намотки

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