CN114255233A - 散斑图的质量评价方法、装置、电子设备和存储介质 - Google Patents
散斑图的质量评价方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114255233A CN114255233A CN202210189640.6A CN202210189640A CN114255233A CN 114255233 A CN114255233 A CN 114255233A CN 202210189640 A CN202210189640 A CN 202210189640A CN 114255233 A CN114255233 A CN 114255233A
- Authority
- CN
- China
- Prior art keywords
- speckle pattern
- speckle
- camera
- evaluated
- working distance
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/557—Depth or shape recovery from multiple images from light fields, e.g. from plenoptic cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本申请实施例涉及质量检测领域,公开了一种散斑图的质量评价方法、装置、电子设备和存储介质,该方法包括:获取待评价散斑图;其中,待评价散斑图包括相机在最近工作距离处对目标平面拍摄的第一散斑图,以及相机在最远工作距离处对目标平面拍摄的第二散斑图;根据局部二值化算法,提取待评价散斑图中的散斑粒;根据最近工作距离、最远工作距离、相机的基线的长度和相机的焦距,确定第一散斑图与第二散斑图之间的偏移量;根据偏移量对待评价散斑图进行对齐,并根据散斑粒计算待评价散斑图的散度;若散度大于预设的散度阈值,则确定待评价散斑图异常,从应用层面出发对结构光相机的质量进行把控,保证相机获取目标场景的深度信息的精度。
Description
技术领域
本申请实施例涉及质量检测领域,特别涉及一种散斑图的质量评价方法、装置、电子设备和存储介质。
背景技术
结构光相机是一种通过拍摄目标场景的散斑图的方式,来获取目标场景的深度信息的相机,结构光相机能够清晰成像的最近距离与最远距离之间的范围被称为景深,即结构光相机的正常工作范围,结构光相机拍摄的散斑图中的特征点通常是由颗粒分明、图案随机分布的若干亮斑组成,散斑粒大小可以为几个像素到几十个像素不等,由此可见,结构光相机拍摄出的散斑图的清晰度重要地影响着结构光相机输出的深度信息的精度,一旦结构光相机工作在景深之外,就会拍摄出质量不佳的散斑图,也就无法获得目标场景精确的深度信息。
因此,在结构光相机的生产中,镜头选型是必不可缺的一个环节,技术人员需要选择景深合适的镜头,但从产品的制造工艺和可靠性出发,镜头选型的过程耗时耗力,技术人员很难做到出厂的结构光相机都配备有景深合适的镜头,难以剔除全部的不良产品,从而导致结构光相机拍摄出的散斑图不清晰,无法获得目标场景准确的深度信息。
发明内容
本申请实施例的目的在于提供一种散斑图的质量评价方法、装置、电子设备和存储介质,通过检测结构光相机拍摄出的散斑图中散斑粒的散度,对散斑图的质量进行评价,从应用层面出发对结构光相机的质量进行把控,保证结构光相机获取深度信息的精度。
为解决上述技术问题,本申请的实施例提供了一种散斑图的质量评价方法,包括以下步骤:获取待评价散斑图;其中,所述待评价散斑图包括相机在最近工作距离处对目标平面拍摄的第一散斑图,以及所述相机在最远工作距离处对所述目标平面拍摄的第二散斑图;根据局部二值化算法,提取所述待评价散斑图中的散斑粒;根据所述最近工作距离、所述最远工作距离、所述相机的基线的长度和所述相机的焦距,确定所述第一散斑图与所述第二散斑图之间的偏移量;根据所述偏移量对所述待评价散斑图进行对齐,并根据所述散斑粒计算所述待评价散斑图的散度;若所述散度大于预设的散度阈值,则确定所述待评价散斑图异常。
本申请的实施例还提供了一种散斑图的质量评价装置,包括:拍摄模块、提取模块、计算模块和评价模块;所述拍摄模块用于获取待评价散斑图;其中,所述待评价散斑图包括相机在最近工作距离处对目标平面拍摄的第一散斑图,以及所述相机在最远工作距离处对所述目标平面拍摄的第二散斑图;所述提取模块用于根据局部二值化算法,提取所述待评价散斑图中的散斑粒;所述计算模块用于根据所述最近工作距离、所述最远工作距离、所述相机的基线的长度和所述相机的焦距,确定所述第一散斑图与所述第二散斑图之间的偏移量,并根据所述偏移量对所述待评价散斑图进行对齐,并根据所述散斑粒计算所述待评价散斑图的散度;所述评价模块用于当判断所述待评价散斑图的散度大于预设的散度阈值时,确定所述待评价散斑图异常。
本申请的实施例还提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述散斑图的质量评价方法。
本申请的实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述散斑图的质量评价方法。
本申请实施例的散斑图的质量评价方法、装置、电子设备和存储介质,先获取包括相机在最近工作距离处对目标平面拍摄的第一散斑图,以及相机在最远工作距离处对同一目标平面拍摄的第二散斑图在内的待评价散斑图,根据局部二值化算法,提取出待评价散斑图中的散斑粒,再根据相机的最近工作距离、最远工作距离、基线的长度和焦距,确定第一散斑图和第二散斑图之间的偏移量,根据第一散斑图和第二散斑图之间的偏移量对待评价散斑图进行对齐,并根据提取出的散斑粒计算待评价散斑图的散度,最后判断待评价散斑图的散度是否大于预设的散度阈值,若待评价散斑图的散度大于预设的散度阈值,则确定待评价散斑图异常,考虑到技术人员人工镜头选型的过程耗时耗力,难以剔除全部的不良产品,本申请的实施例,在质量监控流程中增加散斑图的质量评价环节,通过检测相机拍摄出的散斑图中散斑粒的散度,对散斑图的质量进行评价,散度可以很好地衡量相机的景深是否合适,散度过大的相机的景深不能覆盖相机的工作范围,服务器将散度过大的相机挑选出来剔除,从应用层面出发对结构光相机的质量进行把控,保证相机获取目标场景的深度信息的精度。
另外,所述散斑粒包括所述第一散斑图中的第一散斑粒和所述第二散斑图中的第二散斑粒,所述根据所述偏移量对所述待评价散斑图进行对齐,并根据所述散斑粒计算所述待评价散斑图的散度,包括:将所述第二散斑图整体向右平移d个像素,得到与所述第一散斑图对齐的第二散斑图;其中,d为所述偏移量;从d+1列开始搜索所述第一散斑图中的第一散斑粒,确定搜索到的所述第一散斑粒中像素点的数量和质心点;其中,所述质心点为搜索到的所述第一散斑粒的外接矩形的中心点;根据所述质心点在所述对齐的第二散斑图中的同名点,确定与搜索到的所述第一散斑粒对应的第二散斑粒,并确定所述对应的第二散斑粒中像素点的数量;根据搜索到的所述第一散斑粒的总数,以及搜索到的各所述第一散斑粒中像素点的数量与各所述对应的第二散斑粒中像素点的数量之间的差值的绝对值之和,计算所述待评价散斑图的散度,在相机的景深不能覆盖相机的工作距离时,相机在最远工作距离处拍摄的散斑图中的散斑粒,相较于相机在最近工作距离处拍摄的散斑图中的散斑粒会发生一定程度的缩小或扩散的散度,因此散度可以很好地衡量散斑图的质量、相机的质量,服务器先对待评价散斑图进行对齐,确保第一散斑粒和第二散斑粒对应上,再根据第一散斑粒中像素点的数量和第二散斑粒中像素点的数量,计算待评价散斑图的散度,可以确保计算出的散度的准确性、可靠性。
另外,所述根据所述最近工作距离、所述最远工作距离、所述相机的基线的长度和所述相机的焦距,确定所述第一散斑图与所述第二散斑图之间的偏移量,包括:
在所述第一散斑图中确定第一目标点,并在所述第二散斑图中确定与所述第一目标点同名的第二目标点;其中,所述第一目标点与所述相机的散斑投射器之间的距离为所述最近工作距离,所述第二目标点与所述相机的散斑投射器之间的距离为所述最远工作距离;根据所述最远工作距离、所述基线的长度和所述最远工作距离与所述最近工作距离之间的差值,确定第一目标直线段的长度;其中,所述基线为所述相机的散斑投射器和所述相机的红外镜头之间的直线段,所述第一目标直线段与所述基线平行,所述第一目标直线段的第一端点为所述第一目标点,所述第一目标直线段的第二端点在所述第二目标点与所述相机的红外镜头之间的直线段上;确定所述第一目标点在所述相机的像平面上的第一投影点,并确定所述第二目标点在所述相机的像平面上的第二投影点;根据所述第一目标直线段的长度、所述最近工作距离和所述相机的焦距,确定所述第一散斑图与所述第二散斑图之间的偏移量;其中,所述第一散斑图与所述第二散斑图之间的偏移量即所述第一投影点与所述第二投影点之间的距离,本申请的实施例,服务器基于相似三角形的原理,通过已知的最近工作距离、最远工作距离、相机的基线的长度和相机的焦距等数据,推导出未知的第一散斑图与第二散斑图之间的偏移量,这样确定出的偏移量科学、准确、可靠,为后续散斑图的质量评价提供了坚实的基础。
另外,所述根据局部二值化算法,提取所述待评价散斑图中的散斑粒,包括:根据局部二值化算法,对所述待评价散斑图进行局部二值化处理,得到二值化的待评价散斑图;其中,所述二值化的待评价散斑图包括二值化的第一散斑图和二值化的第二散斑图;对所述二值化的待评价散斑图进行连通域检测,提取所述二值化的待评价散斑图中的散斑粒;其中,所述散斑粒中各像素点的灰度值均为255,通过局部二值化和连通域检测的方式,可以很好的将散斑图中的“亮斑”和“暗斑”区分出来,从而高效地、准确地提取出散斑图中的散斑粒。
另外,在所述获取待评价散斑图之前,所述方法还包括:将所述相机的像平面调节至与所述目标平面平行,如果相机的像平面与要拍摄的目标平面不平行,可能会导致第一散斑图与第二散斑图之间出现其他方向的偏移,不利于散斑图的质量评价,因此本实施例先将相机的像平面调节至与要拍摄的目标平面平行,从而进一步提升散斑图的质量评价的准确性。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定。
图1是根据本申请的一个实施例的散斑图的质量评价方法的流程图;
图2是根据本申请的一个实施例中,根据偏移量对待评价散斑图进行对齐,并根据散斑粒计算待评价散斑图的散度的流程图;
图3是根据本申请的一个实施例中,根据最近工作距离、最远工作距离、相机的基线的长度和相机的焦距,确定第一散斑图与第二散斑图之间的偏移量的流程图;
图4是根据本申请的一个实施例中,计算偏移量的示意图;
图5是根据本申请的另一个实施例的散斑图的质量评价装置的示意图;
图6是根据本申请的另一个实施例的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本申请各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本申请的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
本申请的一个实施例涉及一种散斑图的质量评价方法,应用于电子设备,其中,电子设备可以为终端或服务器,本实施例以及以下个各个实施例中电子设备以服务器为例进行说明,下面对本实施例的散斑图的质量评价方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
本实施例的散斑图的质量评价方法的具体流程可以如图1所示,包括:
步骤101,获取待评价散斑图,待评价散斑图包括相机在最近工作距离处对目标平面拍摄的第一散斑图,以及相机在最远工作距离处对同一目标平面拍摄的第二散斑图。
具体而言,服务器在进行散斑图的质量评价时,需要先获取待评价散斑图,其中,待评价散斑图包括同一个结构光相机拍摄的第一散斑图和第二散斑图,第一散斑图是该相机在最近工作距离处对目标平面拍摄得到的,第二散斑图是该相机在最远工作距离处对同一个目标平面拍摄得到的。
在具体实现中,目标平面是一张满足预设的反射条件的白色平面,目标平面可以为白墙、白色幕布等,预设的反射条件和目标平面均可以由本领域的技术人员根据实际需要进行选择,本申请的实施例对此不做具体限定。
在一个例子中,服务器在获取待评价散斑图之前,需要确定相机的像平面调节至与目标平面平行,技术人员在使用结构光相机拍摄待评价散斑图之前,可以将结构光相机放入导轨装置,目标平面与地面垂直,导轨与地面平行,结构光相机嵌在导轨装置上,与目标平面平行,考虑到如果相机的像平面与要拍摄的目标平面不平行,可能会导致第一散斑图与第二散斑图之间出现其他方向的偏移,不利于散斑图的质量评价,本申请的实施例先将相机的像平面调节至与要拍摄的目标平面平行,相机的像平面与目标平面平行后,相机拍摄的第一散斑图和第二散斑图之间只存在光轴方向上的平移变化,可以进一步提升散斑图的质量评价的准确性。
步骤102,根据局部二值化算法,提取待评价散斑图中的散斑粒。
具体而言,服务器在获取到待评价散斑图后,可以根据局部二值化算法,对待评价散斑图进行局部二值化,从而提取出待评价散斑图中的散斑粒。
在一个例子中,服务器在获取到待评价散斑图后,可以根据局部二值化算法,对待评价散斑图进行局部二值化处理,得到二值化的待评价散斑图,二值化的待评价散斑图包括二值化的第一散斑图和二值化的第二散斑图,二值化的待评价散斑图中各像素点的灰度值为0或255,服务器接着对二值化的待评价散斑图进行连通域检测,从而提取出二值化的待评价散斑图中的散斑粒,服务器提取出的散斑粒中各像素点的灰度值均为255,通过局部二值化和连通域检测的方式,可以很好的将散斑图中的“亮斑”和“暗斑”区分出来,从而高效地、准确地提取出散斑图中的散斑粒。
步骤103,根据最近工作距离、最远工作距离、相机的基线的长度和相机的焦距,确定第一散斑图与第二散斑图之间的偏移量。
在具体实现中,由于结构光相机在不同距离处拍摄的同一点体现在像平面上只有水平方向上的差异,因此服务器在获取到待评价散斑图后,可以结合相似三角形原理和结构光相机的内外参数,即最近工作距离、最远工作距离、相机的基线的长度和相机的焦距,确定第一散斑图与第二散斑图之间的偏移量,该偏移量用于服务器后续进行第一散斑图和第二散斑图的对齐。
在具体实现中,步骤103可以在步骤102之后进行,也可以在步骤102之前进行,还可以与步骤102同时进行。
步骤104,根据偏移量对待评价散斑图进行对齐,并根据散斑粒计算待评价散斑图的散度。
在具体实现中,服务器在计算出第一散斑图与第二散斑图之间的偏移量后,可以根据该偏移量对待评价散斑图进行对齐,即将第一散斑图与第二散斑图对齐,并根据提取出的散斑粒计算待评价散斑图的散度。
步骤105,若待评价散斑图的散度大于预设的散度阈值,则确定待评价散斑图异常。
具体而言,服务器计算出待评价散斑图的散度后,可以判断计算出的散度是否大于预设的散度阈值,若待评价散斑图的散度大于预设的散度阈值,则确定待评价散斑图异常,若待评价散斑图的散度小于或等于预设的散度阈值,则确定待评价散斑图正常,其中,预设的散度阈值可以由本领域的技术人员根据实际需要进行设置,比如预设的散度阈值等于10,本申请的实施例对此不作具体限定。
在具体实现中,在相机的景深不能覆盖相机的工作距离时,相机在最远工作距离处拍摄的散斑图中的散斑粒,相较于相机在最近工作距离处拍摄的散斑图中的散斑粒会发生一定程度的缩小或扩散的散度,因此散度可以很好地衡量散斑图的质量、相机的质量,通过比较散度,便能判断相机的景深是否能覆盖工作距离。
本实施例,服务器先获取包括相机在最近工作距离处对目标平面拍摄的第一散斑图,以及相机在最远工作距离处对同一目标平面拍摄的第二散斑图在内的待评价散斑图,根据局部二值化算法,提取出待评价散斑图中的散斑粒,再根据相机的最近工作距离、最远工作距离、基线的长度和焦距,确定第一散斑图和第二散斑图之间的偏移量,根据第一散斑图和第二散斑图之间的偏移量对待评价散斑图进行对齐,并根据提取出的散斑粒计算待评价散斑图的散度,最后判断待评价散斑图的散度是否大于预设的散度阈值,若待评价散斑图的散度大于预设的散度阈值,则确定待评价散斑图异常,考虑到技术人员人工镜头选型的过程耗时耗力,难以剔除全部的不良产品,本申请的实施例,在质量监控流程中增加散斑图的质量评价环节,通过检测相机拍摄出的散斑图中散斑粒的散度,对散斑图的质量进行评价,散度可以很好地衡量相机的景深是否合适,散度过大的相机的景深不能覆盖相机的工作范围,服务器将散度过大的相机挑选出来剔除,从应用层面出发对结构光相机的质量进行把控,保证相机获取目标场景的深度信息的精度。
在一个实施例中,待评价散斑图中的散斑粒包括第一散斑图中的第一散斑粒和所述第二散斑图中的第二散斑粒,服务器根据偏移量对待评价散斑图进行对齐,并根据散斑粒计算待评价散斑图的散度,可以通过如图2所示的各步骤实现,具体包括:
步骤201,将第二散斑图整体向右平移d个像素,得到与第一散斑图对齐的第二散斑图。
在具体实现中,d为服务器计算出的偏移量,考虑到实际上的同一点在第一散斑图中的位置位于第二散斑图中的位置的右边,即第二散斑图较第一散斑图向左偏移,服务器可以将第二散斑图整体向右平移d个像素,得到与第一散斑图对齐的第二散斑图,此时第一散斑图中的第一散斑粒与对应的第二散斑图中的第二散斑粒的中心位置将重叠。
步骤202,从d+1列开始搜索第一散斑图中的第一散斑粒,确定搜索到的第一散斑粒中像素点的数量和质心点。
步骤203,根据质心点在对齐的第二散斑图中的同名点,确定与搜索到的第一散斑粒对应的第二散斑粒,并确定对应的第二散斑粒中像素点的数量。
在具体实现中,由于偏移量d的存在,服务器在得到与第一散斑图对齐的第二散斑图后,可以从d+1列开始遍历搜索第一散斑图中的第一散斑粒,并确定搜索到的第一散斑粒中像素点的数量和质心点的位置,第一散斑粒的质心点即该第一散斑粒的外接矩形的中心点,服务器确定质心点后,可以在对齐的第二散斑图中找到质心点的同名点,该同名点所在的散斑粒即与搜索到的第一散斑粒对应的第二散斑粒,同时服务器确定出该对应的第二散斑粒中像素点的数量。
步骤204,根据搜索到的第一散斑粒的总数,以及搜索到的各第一散斑粒中像素点的数量与各对应的第二散斑粒中像素点的数量之间的差值的绝对值之和,计算待评价散斑图的散度。
具体而言,服务器确定出对应的第二散斑粒中像素点的数量后,可以分别计算各第一散斑粒中像素点的数量与其对应的第二散斑粒中像素点的数量之间的差值,服务器根据搜索到的第一散斑粒的总数,以及计算出的各差值的绝对值之和,计算待评价散斑图的散度。
在一个例子中,服务器根据搜索到的第一散斑粒的总数,以及搜索到的各第一散斑粒中像素点的数量与各对应的第二散斑粒中像素点的数量之间的差值的绝对值之和,计算待评价散斑图的散度,可以通过以下公式实现:div=(Σ|N1i-N2i|)/t,i=1,2,…,t,式中,t为搜索到的第一散斑粒的总数,N1i为搜索到的第i个第一散斑粒中像素点的数量,N2i为搜索到的第i个第一散斑粒对应的第二散斑粒中像素点的数量,div为计算出的待评价散斑图的散度。
本实施例,考虑到在相机的景深不能覆盖相机的工作距离时,相机在最远工作距离处拍摄的散斑图中的散斑粒,相较于相机在最近工作距离处拍摄的散斑图中的散斑粒会发生一定程度的缩小或扩散的散度,因此散度可以很好地衡量散斑图的质量、相机的质量,服务器先对待评价散斑图进行对齐,确保第一散斑粒和第二散斑粒对应上,再根据第一散斑粒中像素点的数量和第二散斑粒中像素点的数量,计算待评价散斑图的散度,可以确保计算出的散度的准确性、可靠性。
在一个实施例中,服务器根据最近工作距离、最远工作距离、相机的基线的长度和相机的焦距,确定第一散斑图与第二散斑图之间的偏移量,可以通过如图3所示的各步骤实现,具体包括:
步骤301,在第一散斑图中确定第一目标点,并在第二散斑图中确定与第一目标点同名的第二目标点。
具体而言,服务器在确定第一散斑图与第二散斑图之间的偏移量时,可以先在第一散斑图中确定第一目标点,并在第二散斑图中确定与第一目标点同名的第二目标点,其中,第一目标点与相机的散斑投射器之间的距离为最近工作距离,第二目标点与相机的散斑投射器之间的距离为最远工作距离。
在一个例子中,如图4所示,点P1为第一目标点,点P2为第二目标点,点Q1为相机的散斑投射器,点Q2为相机的红外镜头,点P1与点Q1之间的距离为最近工作距离Z1,点P2与点Q2之间的距离为最远工作距离Z2。
步骤302,根据最远工作距离、基线的长度和最远工作距离与最近工作距离之间的差值,确定第一目标直线段的长度。
具体而言,服务器在确定第一目标点和第二目标点后,可以先确定第一目标直线段的位置,并根据最远工作距离、相机的基线的长度和最远工作距离与最近工作距离之间的差值,确定第一目标直线段的长度,其中,基线为相机的散斑投射器和相机的红外镜头之间的直线段,而第一目标直线段与所述基线平行,第一目标直线段的第一端点为第一目标点,第一目标直线段的第二端点在第二目标点与相机的红外镜头之间的直线段上。
在一个例子中,如图4所示,服务器可以通过以下公式,根据最远工作距离、相机的基线的长度和最远工作距离与最近工作距离之间的差值,确定第一目标直线段的长度:|P1-P2'|=[L*(Z2-Z1)]/Z2,式中,Z2为最远工作距离,Z1为最近工作距离,L为相机的基线的长度,直线段P1P2'即第一目标直线段,|P1-P2'|为第一目标直线段的长度,P1为第一目标点,即第一目标直线段的第一端点,P2'为第一目标直线段的第二端点。
步骤303,确定第一目标点在相机的像平面上的第一投影点,并确定第二目标点在相机的像平面上的第二投影点。
在一个例子中,如图4所示,点R1即第一目标点P1在相机的像平面上的第一投影点,点R2即第二目标点P2在相机的像平面上的第二投影点。
步骤304,根据第一目标直线段的长度、最近工作距离和相机的焦距,确定第一散斑图与第二散斑图之间的偏移量。
具体而言,服务器确定出第一投影点和第二投影点后,可以继续基于相似三角形原理,根据第一目标直线段的长度、最近工作距离和相机的焦距,确定第一散斑图与第二散斑图之间的偏移量,其中,第一散斑图与第二散斑图之间的偏移量即第一投影点与第二投影点之间的距离。
在一个例子中,如图4所示,服务器可以通过以下公式,根据第一目标直线段的长度、最近工作距离和相机的焦距,确定第一散斑图与第二散斑图之间的偏移量:d=[|P1-P2'|*f]/ Z1,式中,|P1-P2'|为第一目标直线段的长度,f为相机的焦距,Z1为最近工作距离,d为第一投影点与所述第二投影点之间的距离,即第一散斑图与所述第二散斑图之间的偏移量。
本实施例,服务器基于相似三角形的原理,通过已知的最近工作距离、最远工作距离、相机的基线的长度和相机的焦距等数据,推导出未知的第一散斑图与第二散斑图之间的偏移量,这样确定出的偏移量科学、准确、可靠,为后续散斑图的质量评价提供了坚实的基础。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本申请的另一个实施例涉及一种散斑图的质量评价装置,下面对本实施例的散斑图的质量评价装置的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须,本实施例的散斑图的质量评价装置的示意图可以如图5所示,包括:拍摄模块401、提取模块402、计算模块403和评价模块404。
拍摄模块401用于获取待评价散斑图;其中,待评价散斑图包括相机在最近工作距离处对目标平面拍摄的第一散斑图,以及相机在最远工作距离处对目标平面拍摄的第二散斑图。
提取模块402用于根据局部二值化算法,提取待评价散斑图中的散斑粒。
计算模块403用于根据最近工作距离、最远工作距离、相机的基线的长度和相机的焦距,确定第一散斑图与第二散斑图之间的偏移量,并根据偏移量对待评价散斑图进行对齐,并根据散斑粒计算待评价散斑图的散度。
评价模块404用于当判断待评价散斑图的散度大于预设的散度阈值时,确定待评价散斑图异常。
值得一提的是,本实施例中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本申请的创新部分,本实施例中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入,但这并不表明本实施例中不存在其它的单元。
本申请另一个实施例涉及一种电子设备,如图6所示,包括:至少一个处理器501;以及,与所述至少一个处理器501通信连接的存储器502;其中,所述存储器502存储有可被所述至少一个处理器501执行的指令,所述指令被所述至少一个处理器501执行,以使所述至少一个处理器501能够执行上述各实施例中的散斑图的质量评价方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本申请另一个实施例涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,简称:ROM)、随机存取存储器(Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施例是实现本申请的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本申请的精神和范围。
Claims (11)
1.一种散斑图的质量评价方法,其特征在于,包括:
获取待评价散斑图;其中,所述待评价散斑图包括相机在最近工作距离处对目标平面拍摄的第一散斑图,以及所述相机在最远工作距离处对所述目标平面拍摄的第二散斑图;
根据局部二值化算法,提取所述待评价散斑图中的散斑粒;
根据所述最近工作距离、所述最远工作距离、所述相机的基线的长度和所述相机的焦距,确定所述第一散斑图与所述第二散斑图之间的偏移量;
根据所述偏移量对所述待评价散斑图进行对齐,并根据所述散斑粒计算所述待评价散斑图的散度;
若所述散度大于预设的散度阈值,则确定所述待评价散斑图异常。
2.根据权利要求1所述的散斑图的质量评价方法,其特征在于,所述散斑粒包括所述第一散斑图中的第一散斑粒和所述第二散斑图中的第二散斑粒,所述根据所述偏移量对所述待评价散斑图进行对齐,并根据所述散斑粒计算所述待评价散斑图的散度,包括:
将所述第二散斑图整体向右平移d个像素,得到与所述第一散斑图对齐的第二散斑图;其中,d为所述偏移量;
从d+1列开始搜索所述第一散斑图中的第一散斑粒,确定搜索到的所述第一散斑粒中像素点的数量和质心点;其中,所述质心点为搜索到的所述第一散斑粒的外接矩形的中心点;
根据所述质心点在所述对齐的第二散斑图中的同名点,确定与搜索到的所述第一散斑粒对应的第二散斑粒,并确定所述对应的第二散斑粒中像素点的数量;
根据搜索到的所述第一散斑粒的总数,以及搜索到的各所述第一散斑粒中像素点的数量与各所述对应的第二散斑粒中像素点的数量之间的差值的绝对值之和,计算所述待评价散斑图的散度。
3.根据权利要求2所述的散斑图的质量评价方法,其特征在于,通过以下公式,根据搜索到的所述第一散斑粒的总数,以及搜索到的各所述第一散斑粒中像素点的数量与各所述对应的第二散斑粒中像素点的数量之间的差值的绝对值之和,计算所述待评价散斑图的散度:
div=(Σ|N1i-N2i|)/t,i=1,2,…,t
其中,t为搜索到的所述第一散斑粒的总数,N1i为搜索到的第i个第一散斑粒中像素点的数量,N2i为搜索到的第i个第一散斑粒对应的第二散斑粒中像素点的数量,div为所述待评价散斑图的散度。
4.根据权利要求1所述的散斑图的质量评价方法,其特征在于,所述根据所述最近工作距离、所述最远工作距离、所述相机的基线的长度和所述相机的焦距,确定所述第一散斑图与所述第二散斑图之间的偏移量,包括:
在所述第一散斑图中确定第一目标点,并在所述第二散斑图中确定与所述第一目标点同名的第二目标点;其中,所述第一目标点与所述相机的散斑投射器之间的距离为所述最近工作距离,所述第二目标点与所述相机的散斑投射器之间的距离为所述最远工作距离;
根据所述最远工作距离、所述基线的长度和所述最远工作距离与所述最近工作距离之间的差值,确定第一目标直线段的长度;其中,所述基线为所述相机的散斑投射器和所述相机的红外镜头之间的直线段,所述第一目标直线段与所述基线平行,所述第一目标直线段的第一端点为所述第一目标点,所述第一目标直线段的第二端点在所述第二目标点与所述相机的红外镜头之间的直线段上;
确定所述第一目标点在所述相机的像平面上的第一投影点,并确定所述第二目标点在所述相机的像平面上的第二投影点;
根据所述第一目标直线段的长度、所述最近工作距离和所述相机的焦距,确定所述第一散斑图与所述第二散斑图之间的偏移量;其中,所述第一散斑图与所述第二散斑图之间的偏移量即所述第一投影点与所述第二投影点之间的距离。
5.根据权利要求4所述的散斑图的质量评价方法,其特征在于,通过以下公式,根据所述最远工作距离、所述基线的长度和所述最远工作距离与所述最近工作距离之间的差值,确定第一目标直线段的长度:
|P1-P2'|=[L*(Z2-Z1)]/Z2
其中,Z2为所述最远工作距离,Z1为所述最近工作距离,L为所述相机的基线的长度,|P1-P2'|为所述第一目标直线段的长度,P1为所述第一目标点,即所述第一目标直线段的第一端点,P2'为所述第一目标直线段的第二端点。
6.根据权利要求5所述的散斑图的质量评价方法,其特征在于,通过以下公式,根据所述第一目标直线段的长度、所述最近工作距离和所述相机的焦距,确定所述第一散斑图与所述第二散斑图之间的偏移量:
d=[|P1-P2'|*f]/ Z1
其中,|P1-P2'|为所述第一目标直线段的长度,f为所述相机的焦距,Z1为所述最近工作距离,d为所述第一投影点与所述第二投影点之间的距离,即所述第一散斑图与所述第二散斑图之间的偏移量。
7.根据权利要求1至6中任一项所述的散斑图的质量评价方法,其特征在于,所述根据局部二值化算法,提取所述待评价散斑图中的散斑粒,包括:
根据局部二值化算法,对所述待评价散斑图进行局部二值化处理,得到二值化的待评价散斑图;其中,所述二值化的待评价散斑图包括二值化的第一散斑图和二值化的第二散斑图;
对所述二值化的待评价散斑图进行连通域检测,提取所述二值化的待评价散斑图中的散斑粒;其中,所述散斑粒中各像素点的灰度值均为255。
8.根据权利要求1至6中任一项所述的散斑图的质量评价方法,其特征在于,在所述获取待评价散斑图之前,所述方法还包括:
将所述相机的像平面调节至与所述目标平面平行。
9.一种散斑图的质量评价装置,其特征在于,包括:拍摄模块、提取模块、计算模块和评价模块;
所述拍摄模块用于获取待评价散斑图;其中,所述待评价散斑图包括相机在最近工作距离处对目标平面拍摄的第一散斑图,以及所述相机在最远工作距离处对所述目标平面拍摄的第二散斑图;
所述提取模块用于根据局部二值化算法,提取所述待评价散斑图中的散斑粒;
所述计算模块用于根据所述最近工作距离、所述最远工作距离、所述相机的基线的长度和所述相机的焦距,确定所述第一散斑图与所述第二散斑图之间的偏移量,并根据所述偏移量对所述待评价散斑图进行对齐,并根据所述散斑粒计算所述待评价散斑图的散度;
所述评价模块用于当判断所述待评价散斑图的散度大于预设的散度阈值时,确定所述待评价散斑图异常。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任一所述的散斑图的质量评价方法。
11.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的散斑图的质量评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210189640.6A CN114255233B (zh) | 2022-03-01 | 2022-03-01 | 散斑图的质量评价方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210189640.6A CN114255233B (zh) | 2022-03-01 | 2022-03-01 | 散斑图的质量评价方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114255233A true CN114255233A (zh) | 2022-03-29 |
CN114255233B CN114255233B (zh) | 2022-05-31 |
Family
ID=80797133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210189640.6A Active CN114255233B (zh) | 2022-03-01 | 2022-03-01 | 散斑图的质量评价方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255233B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783041A (zh) * | 2022-06-23 | 2022-07-22 | 合肥的卢深视科技有限公司 | 目标对象识别方法、电子设备和计算机可读存储介质 |
CN114913175A (zh) * | 2022-07-18 | 2022-08-16 | 合肥的卢深视科技有限公司 | 散斑图像质量评价方法、电子设备及存储介质 |
CN115546220A (zh) * | 2022-12-05 | 2022-12-30 | 合肥的卢深视科技有限公司 | 散斑投射器的质量检测方法、系统、电子设备和存储介质 |
CN115760750A (zh) * | 2022-11-15 | 2023-03-07 | 北京的卢铭视科技有限公司 | Doe质量检测方法、系统、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101496033A (zh) * | 2006-03-14 | 2009-07-29 | 普莱姆森斯有限公司 | 利用散斑图案的三维传感 |
US20110317130A1 (en) * | 2010-06-29 | 2011-12-29 | Jacques Gollier | Methods for Operating Scanning Laser Projectors to Reduce Speckle and Image Flicker |
CN107678225A (zh) * | 2017-09-19 | 2018-02-09 | 深圳奥比中光科技有限公司 | 基于高密度vcsel阵列光源的结构光投影模组 |
CN113936050A (zh) * | 2021-10-21 | 2022-01-14 | 北京的卢深视科技有限公司 | 散斑图像生成方法、电子设备及存储介质 |
-
2022
- 2022-03-01 CN CN202210189640.6A patent/CN114255233B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101496033A (zh) * | 2006-03-14 | 2009-07-29 | 普莱姆森斯有限公司 | 利用散斑图案的三维传感 |
US20110317130A1 (en) * | 2010-06-29 | 2011-12-29 | Jacques Gollier | Methods for Operating Scanning Laser Projectors to Reduce Speckle and Image Flicker |
CN107678225A (zh) * | 2017-09-19 | 2018-02-09 | 深圳奥比中光科技有限公司 | 基于高密度vcsel阵列光源的结构光投影模组 |
CN113936050A (zh) * | 2021-10-21 | 2022-01-14 | 北京的卢深视科技有限公司 | 散斑图像生成方法、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
ZHISONG LI: "Effect of the Speckle Size on the Quality of Speckle Pattern in DSPI System", 《IEEE》 * |
俞海 等: "数字图像相关法散斑图质量评价方法", 《激光技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783041A (zh) * | 2022-06-23 | 2022-07-22 | 合肥的卢深视科技有限公司 | 目标对象识别方法、电子设备和计算机可读存储介质 |
CN114783041B (zh) * | 2022-06-23 | 2022-11-18 | 合肥的卢深视科技有限公司 | 目标对象识别方法、电子设备和计算机可读存储介质 |
CN114913175A (zh) * | 2022-07-18 | 2022-08-16 | 合肥的卢深视科技有限公司 | 散斑图像质量评价方法、电子设备及存储介质 |
CN115760750A (zh) * | 2022-11-15 | 2023-03-07 | 北京的卢铭视科技有限公司 | Doe质量检测方法、系统、电子设备和存储介质 |
CN115760750B (zh) * | 2022-11-15 | 2023-11-21 | 北京的卢铭视科技有限公司 | Doe质量检测方法、系统、电子设备和存储介质 |
CN115546220A (zh) * | 2022-12-05 | 2022-12-30 | 合肥的卢深视科技有限公司 | 散斑投射器的质量检测方法、系统、电子设备和存储介质 |
CN115546220B (zh) * | 2022-12-05 | 2023-03-31 | 合肥的卢深视科技有限公司 | 散斑投射器的质量检测方法、系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114255233B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114255233B (zh) | 散斑图的质量评价方法、装置、电子设备和存储介质 | |
US9846823B2 (en) | Traffic lane boundary line extraction apparatus and method of extracting traffic lane boundary line | |
US11915438B2 (en) | Method and apparatus for depth-map estimation of a scene | |
CN110211185B (zh) | 在一组候选点内识别校准图案的特征点的方法 | |
CN110599479A (zh) | 一种监测区域变化检测方法、装置及存储介质 | |
CN114494462A (zh) | 一种基于Yolov5和改进跟踪算法的双目相机测距方法 | |
CN115564772A (zh) | 焊球识别方法、焊接设备及存储介质 | |
CN116309518A (zh) | 一种基于计算机视觉的pcb电路板检测方法及系统 | |
CN100470239C (zh) | 凸起检查装置以及方法 | |
CN112595262B (zh) | 一种基于双目结构光的高反光表面工件深度图像获取方法 | |
CN114283089A (zh) | 基于跳跃加速的深度恢复方法、电子设备及存储介质 | |
CN117157670A (zh) | Ccd相机标定系统、方法、装置、计算设备及存储介质 | |
CN111354038B (zh) | 锚定物检测方法及装置、电子设备及存储介质 | |
CN111833341A (zh) | 确定图像中条纹噪声的方法及装置 | |
CN114972468A (zh) | 一种深度图像获取方法、装置及电子设备 | |
CN112150373B (zh) | 图像处理方法、图像处理装置和可读存储介质 | |
CN110706263B (zh) | 一种图像处理方法、装置、设备和计算机可读存储介质 | |
KR20180000376A (ko) | 카메라 모듈 검사 시스템 | |
US20190104298A1 (en) | Method for adjusting a stereoscopic imaging device | |
CN115442591B (zh) | 相机质量测试方法、系统、电子设备和存储介质 | |
CN111145674B (zh) | 显示面板的检测方法、电子设备和存储介质 | |
CN117309766B (zh) | 一种产品表面缺陷的视觉检测方法及系统 | |
CN115546220B (zh) | 散斑投射器的质量检测方法、系统、电子设备和存储介质 | |
CN116843602B (zh) | 一种缺陷检测方法及视觉检测设备 | |
CN115457253B (zh) | 一种基于多摄像模组的物体检测方法、系统、设备及介质 |
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 |