CN114527458A - 一种单目测距方法 - Google Patents
一种单目测距方法 Download PDFInfo
- Publication number
- CN114527458A CN114527458A CN202210178602.0A CN202210178602A CN114527458A CN 114527458 A CN114527458 A CN 114527458A CN 202210178602 A CN202210178602 A CN 202210178602A CN 114527458 A CN114527458 A CN 114527458A
- Authority
- CN
- China
- Prior art keywords
- distance
- lens
- monocular
- image
- distance measuring
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims description 14
- 230000003287 optical effect Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000009432 framing Methods 0.000 claims abstract description 4
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000012634 optical imaging Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 9
- 238000000691 measurement method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Optical Distance (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种单目测距方法,包括:由单目相机采集远图和近图;运用目标识别神经网络分别对近图和远图中的同一目标进行识别,得到将同一目标框出的两个矩形边框;对两个矩形边框进行长宽归一化成第一预定比例;将识别的物体按照类别进行分类,然后接识别角点特征的神经网络;将同属于同一目标中的特征点进行连接,分别取近图和远图相匹配的最长距离的角点连线的长度值;长度值代入到跟情景对应的光学关系式中,得到物体表面离镜头的距离。本发明能提高测距的准确性。
Description
技术领域
本发明涉及摄像头测距领域,尤其涉及一种单目测距方法。
背景技术
摄像头测距的方式在安防,自动驾驶,无人机控制等领域有着广泛的应用,具有价格便宜、设置简单等特点。但传统单目测距需要标定,且精度不够准确,双目测距对远处的物体测距误差太大,需要有更为准确的摄像头测距方案。
现有的目标识别神经用于测距的误差较大,误差来自相机标定引入误差,目标识别框的准确性等方面,且若是识别目标出现遮挡的情况,准确性进一步下降,需要新的方法提高准确性。
发明内容
本发明的目的在于提供一种单目测距方法,提高测距的准确性。
实现上述目的的技术方案是:
一种单目测距方法,包括:
步骤S1,采集远图和近图;
步骤S2,运用目标识别神经网络分别对近图和远图中的同一目标进行识别,得到将同一目标框出的两个矩形边框;
步骤S3,对两个矩形边框进行长宽归一化成第一预定比例;
步骤S4,将识别的物体按照类别进行分类,然后接识别角点特征的神经网络;
步骤S5,将同属于同一目标中的特征点进行连接,分别取近图和远图相匹配的最长距离的角点连线的长度值;
步骤S6,长度值代入到跟情景对应的光学关系式中,得到物体表面离镜头的距离。
优选的,步骤S1中,由单目相机在光学导轨上滑动或利用单目测距原理的体积小共虚轴便携三维相机,采集远图和近图;
步骤S6中,所述的情景指:单目相机在光学导轨上滑动的情景,或者利用单目测距原理的体积小共虚轴三维相机情景。
优选的,步骤S4中,识别角点特征的神经网络由第二预定比例的带有角点的指定物体的图像训练而成,训练按照角点的相似度和角点间的关联度满足预定阈值的指标。
优选的,在单目相机在光学导轨上滑动的情景中,
计算得到物距u。
优选的,在利用单目测距原理的体积小共虚轴三维相机情景中,
假设L1为50 %反光镜中心与上镜头之间的距离,L2为全反镜中心与下镜头之间的距离;在第一镜头中的长度值为d1,在第二镜头中的长度值为d2;第一镜头光轴与第二镜头光轴之间距离h;物体与第一镜头的距离L’1;由于第一镜头和第二镜头具有完全相同的焦距和视角ϴ,根据光学成像关系得到的公式为:
计算得到物距L’1。
优选的,所述物距u表示角点组成的线到镜头的距离,
角点根据物体的轮廓进行分类或从属关系判别,按照角点从属关系,用角点组成的线到镜头的距离代表物体表面离镜头的距离。
优选的,所述物距L’1表示角点组成的线到镜头的距离,
角点根据物体的轮廓进行分类或从属关系判别,按照角点从属关系,用角点组成的线到镜头的距离代表物体表面离镜头的距离。
本发明的有益效果是:本发明把神经网络角点的方式应用于测距领域,提高了有遮挡的场景下目标识别神经网络测距的准确性,使摄像头测距的成本降低和使用范围进一步扩大。使得单目测距的准确性大幅度提高。
附图说明
图1是本发明的一种单目测距方法的流程图;
图2是本发明中体积小虚共轴便携三维相机一个具体实施例的结构图。
具体实施方式
下面将结合附图对本发明作进一步说明。
请参阅图1和图2,本发明的一种单目测距方法,包括下列步骤:
步骤S1,采集远图和近图。具体地,由单目相机在光学导轨上滑动或利用单目测距原理的体积小共虚轴便携三维相机,采集远图和近图的图像。
单目测距的方式在于相机在同一光轴上移动,拍摄状态不变的相同目标的远近图或体积小共虚轴便携三维相机所拍摄的两张及以上的远近图图像或连续拍摄远近图视频。同一光轴上信息量不同的远近图,利用前后的远近图视差进行算法处理。光学关系利用远近图的比例关系,无需相机标。
步骤S2,运用目标识别神经网络分别对近图和远图中的同一目标进行识别,得到将同一目标框出的两个矩形边框。
目标识别神经网络包括单阶段和双阶段目标识别以及拥有回归网络的神经网络。
步骤S3,对两个矩形边框进行长宽归一化成第一预定比例。
步骤S4,将识别的物体按照类别进行分类,然后接识别角点特征的神经网络。识别角点特征的神经网络由第二预定比例的带有角点的指定物体的图像训练而成,训练按照角点的相似度和角点间的关联度满足预定阈值的指标。
步骤S5,将同属于同一目标中的特征点进行连接,分别取近图和远图相匹配的最长距离的角点连线的长度值。此长度值误差较小,更能代表目标整体。
步骤S6,长度值代入到跟情景对应的光学关系式中,得到物体表面离镜头的距离。具体地,情景指:单目相机在光学导轨上滑动的情景,或者利用单目测距原理的体积小共虚轴三维相机情景。根据不同情景选择不同的远近图光学关系式。
在单目相机在光学导轨上滑动的情景中,假设第一次成像时的物距为u,第二次成像时的物距为u+d;物体第一次成像时通过得到的长度值为,物体第二次成像时得到的长度值为;由于单目相机在两次成像时参数都保持不变,可得出根据光学成像关系得到的公式:
在利用单目测距原理的体积小共虚轴三维相机情景中,L1拍摄的是近图,L2拍摄的是远图;假设L1为50 %反光镜中心与上镜头之间的距离,L2为全反镜中心与下镜头之间的距离;在第一镜头中的长度值为d1,在第二镜头中的长度值为d2;第一镜头光轴与第二镜头光轴之间距离h;物体与第一镜头的距离L’1;由于第一镜头和第二镜头具有完全相同的焦距和视角ϴ,根据光学成像关系得到的公式为:
计算得到物距L’1。L1和L2以及h都是已知量,d1和d2都已经打印或读出,参数代入上式得到物距L’1。
上述的物距u或物距L’1表示角点组成的线到镜头的距离,角点根据物体的轮廓进行分类或从属关系判别,按照角点从属关系,用角点组成的线到镜头的距离代表物体表面离镜头的距离。
图2中,各序号表示:第一镜头1;第二镜头2;分光镜3;全反镜4;目标物体5;第一镜头光轴与第二镜头光轴之间距离h 6;第一镜头光轴7;第二镜头光轴8。
本发明能实时检测多物体的距离,并且快速方便,简单易与实现,可搭配体积小公虚轴便携三维相机,组成便携式的实时目标识别定位测距一体系统。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以作出各种变换或变型,因此所有等同的技术方案也应该属于本发明的范畴,应由各权利要求所限定。
Claims (7)
1.一种单目测距方法,其特征在于,包括:
步骤S1,采集远图和近图;
步骤S2,运用目标识别神经网络分别对近图和远图中的同一目标进行识别,得到将同一目标框出的两个矩形边框;
步骤S3,对两个矩形边框进行长宽归一化成第一预定比例;
步骤S4,将识别的物体按照类别进行分类,然后接识别角点特征的神经网络;
步骤S5,将同属于同一目标中的特征点进行连接,分别取近图和远图相匹配的最长距离的角点连线的长度值;
步骤S6,长度值代入到跟情景对应的光学关系式中,得到物体表面离镜头的距离。
2.根据权利要求1所述的一种单目测距方法,其特征在于,步骤S1中,由单目相机在光学导轨上滑动或利用单目测距原理的体积小共虚轴便携三维相机,采集远图和近图;
步骤S6中,所述的情景指:单目相机在光学导轨上滑动的情景,或者利用单目测距原理的体积小共虚轴三维相机情景。
3.根据权利要求1所述的一种单目测距方法,其特征在于,步骤S4中,识别角点特征的神经网络由第二预定比例的带有角点的指定物体的图像训练而成,训练按照角点的相似度和角点间的关联度满足预定阈值的指标。
6.根据权利要求4所述的一种单目测距方法,其特征在于,所述物距u表示角点组成的线到镜头的距离,
角点根据物体的轮廓进行分类或从属关系判别,按照角点从属关系,用角点组成的线到镜头的距离代表物体表面离镜头的距离。
7.根据权利要求5所述的一种单目测距方法,其特征在于,所述物距L’1表示角点组成的线到镜头的距离,
角点根据物体的轮廓进行分类或从属关系判别,按照角点从属关系,用角点组成的线到镜头的距离代表物体表面离镜头的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210178602.0A CN114527458A (zh) | 2022-02-25 | 2022-02-25 | 一种单目测距方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210178602.0A CN114527458A (zh) | 2022-02-25 | 2022-02-25 | 一种单目测距方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114527458A true CN114527458A (zh) | 2022-05-24 |
Family
ID=81624652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210178602.0A Withdrawn CN114527458A (zh) | 2022-02-25 | 2022-02-25 | 一种单目测距方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114527458A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116953680A (zh) * | 2023-09-15 | 2023-10-27 | 成都中轨轨道设备有限公司 | 一种基于图像的目标物实时测距方法及系统 |
-
2022
- 2022-02-25 CN CN202210178602.0A patent/CN114527458A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116953680A (zh) * | 2023-09-15 | 2023-10-27 | 成都中轨轨道设备有限公司 | 一种基于图像的目标物实时测距方法及系统 |
CN116953680B (zh) * | 2023-09-15 | 2023-11-24 | 成都中轨轨道设备有限公司 | 一种基于图像的目标物实时测距方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11922643B2 (en) | Vehicle speed intelligent measurement method based on binocular stereo vision system | |
CN110297232A (zh) | 基于计算机视觉的单目测距方法、装置及电子设备 | |
US10909395B2 (en) | Object detection apparatus | |
CN110378931A (zh) | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 | |
US20130322697A1 (en) | Speed Calculation of a Moving Object based on Image Data | |
US10223802B2 (en) | Method for determining depth maps from stereo images with improved depth resolution in a range | |
CN111797684B (zh) | 一种运动车辆双目视觉测距方法 | |
CN103234475B (zh) | 一种基于激光三角测量法的亚像素表面形态检测方法 | |
CN106991378A (zh) | 基于深度的人脸朝向检测方法、检测装置和电子装置 | |
CN106842178A (zh) | 一种光场距离估计方法与光场成像系统 | |
CN107036579A (zh) | 一种基于单目液透镜变焦光学系统的目标相对定位方法 | |
CN106225676A (zh) | 三维测量方法、装置及系统 | |
CN117036300A (zh) | 基于点云-rgb异源图像多级配准映射的路面裂缝识别方法 | |
CN114527458A (zh) | 一种单目测距方法 | |
CN112862678A (zh) | 一种无人机图像拼接方法、装置及存储介质 | |
CN116158087A (zh) | 一种多相机色彩一致性校正方法和装置 | |
Douterloigne et al. | On the accuracy of 3D landscapes from UAV image data | |
CN107865473A (zh) | 人体特征测距装置及其测距方法 | |
CN108305290A (zh) | 一种动目标的精确测谱方法 | |
CN115082712B (zh) | 一种基于雷视融合的目标检测方法、装置和可读存储介质 | |
CN113959398B (zh) | 基于视觉的测距方法、装置、可行驶设备及存储介质 | |
CN112985388B (zh) | 基于大位移光流法的组合导航方法及系统 | |
CN111260698B (zh) | 双目图像特征匹配方法及车载终端 | |
CN112804439A (zh) | 一种自适应拍摄移动目标的装置和方法 | |
CN113720300A (zh) | 一种基于目标识别神经网络的单目测距方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220524 |
|
WW01 | Invention patent application withdrawn after publication |