CN114543667A - 一种基于神经网络的单相机-双棱镜三维测量系统及测量方法 - Google Patents
一种基于神经网络的单相机-双棱镜三维测量系统及测量方法 Download PDFInfo
- Publication number
- CN114543667A CN114543667A CN202210070690.2A CN202210070690A CN114543667A CN 114543667 A CN114543667 A CN 114543667A CN 202210070690 A CN202210070690 A CN 202210070690A CN 114543667 A CN114543667 A CN 114543667A
- Authority
- CN
- China
- Prior art keywords
- camera
- prism
- neural network
- guide rail
- double
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 238000005259 measurement Methods 0.000 title claims abstract description 42
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000003287 optical effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013519 translation Methods 0.000 claims description 11
- 239000011521 glass Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 229910000838 Al alloy Inorganic materials 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于神经网络的单相机‑双棱镜三维测量系统及测量方法，包括：导轨、滑动设置于导轨上的标定板、移动设置于导轨上相机、设置于相机于标定板之间的双棱镜及计算机；所述相机沿其光轴方向位于导轨上移动，且导轨上固定有锁死件，所述锁死件用于固定相机；所述计算机用于给相机供电并控制相机，且计算机包括三维测量模块，所述三维测量模块包括图像处理部与神经网络训练部；所述导轨设置有滑块，导轨通过直流电源驱动步进电机转动来移动滑块。根据本发明，可快速直接获取该物体的空间坐标或物体的尺寸，该方法精度更高，响应更快，在已经标定好的空间测量域内，不需要知道相机的焦距与景深，适用场景更加广泛。
Description
技术领域
本发明涉及三维测量的技术领域，特别涉及一种基于神经网络的单相机- 双棱镜三维测量系统及测量方法。
背景技术
体成像技术广泛应用于三维重构和空间测量等工程与科学领域，其本质就是通过仪器测量获取被测物表面的三维坐标信息。通过被测物在不同角度下的多视图视差来获取深度信息的双目立体视觉测量技术，由于其测量速度快、精度高、应用场景广泛等优点，成为近些年来工业应用中获取物体三维信息的一个很好的技术方案譬如，在微创手术中利用立体内窥镜获取患者内部病灶的三维图像和深度信息；自动驾驶中使用多个摄像头来准确获取周围障碍物到自身车辆的距离；智能工厂的机械手臂通过装在末端执行器的摄像头实现精准作业等等。
现有技术的缺陷和不足：可以说双目立体视觉对诸如自动驾驶等现代工业的进步起到了重要作用。现有的双目立体视觉技术大多采用两个、三个甚至更多的相机对被测物进行多个角度的同步拍摄，或者不断改变相机位姿来获取被测点的视差信息，进而获取相应的三维信息，但是这样的方式存在相机同步难、成本高、计算量大以及使用场景局限性较大等缺点。有人利用棱镜折射原理，建立单相机-棱镜立体视觉系统，在同一个相机传感器中获取被测物两个或多个角度视图的方案，以模拟双目立体视觉，并基于小孔成像模型建立起诸多立体重构模型，但无一例外这些重构模型都是基于小孔成像模型下的线性模型，而实际上相机的成像是一个复杂的非线性模型，特别是棱镜的引入又增加了图像的畸变，又强化了系统成像的非线性，因此这些模型都无法准确地进行三维测量和重构。尽管对诸如棱镜位置摆放位置、成像畸变等各种因素进行误差分析和矫正，但效果依旧很有限，无法明显提高其测量精度。且按照传统的单相机-棱镜立体系统的处理方式，是先利用已经构建理论模型进行三维测量计算，再进行标定。这样的方式计算步骤复杂，计算量大，耗费在理论模型计算上的时间较长，同时对于不同的景深场景下，其矫正模型也难以普适，因此其测量范围存在较大局限性。
发明内容
针对现有技术中存在的不足之处，本发明的目的是提供一种基于神经网络的单相机-双棱镜三维测量系统及测量方法，可快速直接获取该物体的空间坐标或物体的尺寸，该方法精度更高，响应更快，在已经标定好的空间测量域内，不需要知道相机的焦距与景深，适用场景更加广泛。为了实现根据本发明的上述目的和其他优点，提供了一种基于神经网络的单相机-双棱镜三维测量系统，包括：
导轨、滑动设置于导轨上的标定板、移动设置于导轨上相机、设置于相机于标定板之间的双棱镜及计算机；
所述相机沿其光轴方向位于导轨上移动，且导轨上固定有锁死件，所述锁死件用于固定相机；
所述计算机用于给相机供电并控制相机，且计算机包括三维测量模块，所述三维测量模块包括图像处理部与神经网络训练部；
所述导轨设置有滑块及固接于所述滑块上的标定板，且导轨通过直流电源驱动步进电机转动来移动滑块，通过控制步进电机转动的圈数来精确控制标定板沿Z方向上移动的距离。
优选的，所述双棱镜为沿顶线对称的等腰棱镜，其楔面角小于60°，材料为折射率为1.4的K9透明玻璃。
优选的，双棱镜的顶线一侧靠近相机，且双棱镜设置于由固定件与旋转平移台形成的固定组件上，通过平移和旋转来调整相机和双棱镜之间的相对位姿，进而改变单相机-双棱镜之间的有效测量域。
优选的，所述图像处理部用于对标定板上的所有角点映射在图片中的左右像点的像素坐标进行提取和匹配；
所述神经网络训练部用于以角点的左右像素坐标作为输入集，以角点的空间三维坐标作为输出集进行训练。
一种基于神经网络的单相机-双棱镜三维测量系统的测量方法，包括以下步骤：
S1、利用计算机启动系统的相机，并进入图像实时显示界面；
S2、将标定板固定在步进电机导轨的滑块上，并使标定板处于相机可捕捉的视域内；
S3、在双棱镜旋转平移平台上调节处于相机前端的棱镜的位置、角度，以及对整个平台进行调平，同时可以依据实际情况沿光轴方向移动导轨上的相机，以及调节相机上的光圈和对焦环；
S4、利用步进电机多次等间距沿着相机光轴方向移动标定板，形成有效的体标定区域，同时利用计算机拍摄存储处于不同位置的标定板图像；
S5、取所有图片上的所有角点的左右像素坐标并进行匹配同名像素点，建立样本总集；
S6、通过步骤S4与步骤S5获得目标物体在三维物体空间坐标系中的坐标值。
优选的，所述步骤S5中构建BP神经网络，以样本总集里部分角点作为神经网络训练集对神经网络进行训练，并以整个样本总集作为测试集评判神经网络合格与否，最后输出该神经网络，建立三维测量模块。
本发明与现有技术相比，其有益效果是：
(1)在棱镜装置方面，该系统棱镜由一安装在高精度旋转平移平台上的连接件固定，因此可以通过平移和旋转棱镜来调整相机和棱镜之间的相对位姿，进而改变该系统的有效测量域。同时，该旋移平台固定在一铝合金平板上，平板的四个角上用螺栓和弹簧支撑平板，通过调节各个螺栓上螺母的位置，改变螺栓上的弹簧形变程度，使平板完全平行于地面，进而保证旋转平移台及棱镜上下两面平行于地面，以尽可能消除因棱镜摆放倾斜产生不良的成像效果。在标定板方面，将标定板固定在一个由高精度步进电机驱动的导轨上，通过步进电机驱动标定板沿着光轴方向等间距移动，形成一规则的体标定空间，以避免直接沿Z轴方向频繁地手动移动标定板造成的安装误差。
(2)本专利利用BP神经网络直接以左右像点在图像中的像素坐标ρl (xl，yl)和ρr(xr，yr)作为输入集，经神经网络去映射得到对应角点的空间坐标(X,Y,Z)，即输出集，相较于各种传统的单相机-棱镜立体系统三维测量模型在计算速度和精度上具备明显优势。因为传统的三维测量模型都是在两种假设前提下得到的线性模型：1.相机成像模型是线性的小孔成像模型；2.棱镜的摆放位置是绝对理想的，其顶线与相机光轴相交，且棱镜相对于地面和成像平面，没有任何的偏移角度，除此之外，引入棱镜造成的成像畸变在理想模型下也是被忽略不计的。而实际上，相机成像本身就是一个非线性过程，且对于单相机-棱镜系统而言，各类硬件安装公差的存在进一步增加了这种非线性成像过程的复杂性。
(3)鉴于BP神经网络由于其隐藏层的存在，使其可以几乎可以模拟任意一个非线性模型，如图7所示，因此，我们跳过传统双目立体视觉的先利用捕捉到的像素坐标去初步计算物体的空间坐标，再逐个分析各类误差因素去逐步优化计算结果以提高精度这种冗余复杂的过程，而是统一考虑单相机- 棱镜系统所有的非线性因素，建立起一个直接从左右像点的像素坐标到对应空间点坐标位置的映射关系。以标定板上的角点数据作为样本集，利用神经网络的训练获取这个映射。该映射关系由于包含单相机-双棱镜系统里所有已知和未知的非线性因素，接近该系统的非线性成像过程，因此在计算精度上具备明显优势。另外，由于是像点到空间点的直接映射，省去了各类复杂的三维模型逐步计算和误差优化过程，其计算速度上也显著提高。
附图说明
图1为根据本发明的基于神经网络的单相机-双棱镜三维测量系统及测量方法的三维结构示意图；
图2为根据本发明的基于神经网络的单相机-双棱镜三维测量系统及测量方法的体标定区域图；
图3为根据本发明的基于神经网络的单相机-双棱镜三维测量系统及测量方法的双棱镜3结构示意图；
图4为根据本发明的基于神经网络的单相机-双棱镜三维测量系统及测量方法的单相机-双棱镜系统的成像原理图；
图5为根据本发明的基于神经网络的单相机-双棱镜三维测量系统及测量方法的图像处理部流程图；
图6为根据本发明的基于神经网络的单相机-双棱镜三维测量系统及测量方法的神经网络训练部的流程框图；
图7为根据本发明的基于神经网络的单相机-双棱镜三维测量系统及测量方法的BP神经网络流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1-7，一种基于神经网络的单相机-双棱镜三维测量系统，包括：导轨、滑动设置于导轨上的标定板5、移动设置于导轨上相机1、设置于相机于标定板5之间的双棱镜3及计算机7，标定板5常用的二维棋盘格标定板5，沿着相机光轴不断等间距移动标定板5以形成体标定区域，假设标定板5沿着光轴共移动2n+1个位置。为避免直接沿Z轴方向频繁地手动移动标定板5 造成的安装误差，将该标定板5与一导轨上的滑块连接固定，该导轨通过直流电源驱动步进电机转动来移动滑块。通过控制步进电机转动的圈数来精确控制标定板沿Z方向上移动的距离。导轨精度可达0.03mm，沿光轴方向水平固定在光学平台上；所述相机沿其光轴方向位于导轨上移动，且导轨上固定有锁死件，所述锁死件用于固定相机；所述计算机用于给相机供电并控制相机，且计算机包括三维测量模块，所述三维测量模块包括图像处理部与神经网络训练部；所述导轨设置有滑块及固接于所述滑块上的标定板，且导轨通过直流电源驱动步进电机转动来移动滑块，通过控制步进电机转动的圈数来精确控制标定板沿Z方向上移动的距离，灵活匹配符合自身测量场景的立体测量系统，该双棱镜3固定装置固定在一铝合金平板上，平板的四个角上用螺栓和弹簧支撑平板，通过调节螺栓上螺母的位置，改变螺栓上的弹簧形变程度，使平板完全平行于地面，进而保证旋转平移台及双棱镜3上下两面平行于地面，以尽可能消除因双棱镜3摆放倾斜产生不良的成像效果。基于双棱镜3的折射原理，通过在一个相机前放置一双棱镜3的方式，即可同步捕捉一个物体具有左右视差的两幅图像，构建满足基于双目立体视觉原理的基本硬件，建立单相机-双棱镜立体测量系统。另外，针对该系统的非线性成像过程，本发明通过构建BP神经网络对该系统立体测量过程进行快速准确的计算，即以空间中标定板上的角点在成像图片上的左右像点的像素坐标作为输入集，以这些角点的空间坐标作为输出集，经训练合格的神经网络直接去映射得到对应角点的三维空间坐标。
进一步的，所述双棱镜3为沿顶线对称的等腰棱镜，其楔面角小于60°，材料为折射率为1.4的K9透明玻璃。
进一步的，双棱镜3的顶线一侧靠近相机1，且双棱镜3设置于由固定件与旋转平移台形成的固定组件上，通过平移和旋转来调整相机1和双棱镜 3之间的相对位姿，进而改变单相机-双棱镜之间的有效测量域。
进一步的，所述图像处理部用于对标定板上的所有角点映射在图片中的左右像点的像素坐标进行提取和匹配；
所述神经网络训练部用于以角点的左右像素坐标作为输入集，以角点的空间三维坐标作为输出集进行训练，通过训练合格的神经网络建立起满足精度要求的高效重构模型，该模型以任意角点的左像点像素坐标ρl(x1，y1)和和右像点像素坐标ρr(xr，yr)为输入参数，经神经网络直接映射出角点的空间坐标(X,Y,Z)，这也是本专利重构方法的核心思想。
一种基于神经网络的单相机-双棱镜三维测量系统的测量方法，包括以下步骤：
S1、利用计算机启动系统的相机1，并进入图像实时显示界面；
S2、将标定板5固定在步进电机导轨的滑块上，并使标定板处于相机可捕捉的视域内；
S3、在双棱镜3旋转平移平台上调节处于相机1前端的棱镜的位置、角度，以及对整个平台进行调平，同时可以依据实际情况沿光轴方向移动导轨上的相机1，以及调节相机1上的光圈和对焦环；
S4、利用步进电机多次等间距沿着相机光轴方向移动标定板5，形成有效的体标定区域，同时利用计算机拍摄存储处于不同位置的标定板5图像；
S5、取所有图片上的所有角点的左右像素坐标并进行匹配同名像素点，建立样本总集；
S6、通过步骤S4与步骤S5获得目标物体在三维物体空间坐标系中的坐标值。
进一步的，所述步骤S5中构建BP神经网络，以样本总集里部分角点作为神经网络训练集对神经网络进行训练，并以整个样本总集作为测试集评判神经网络合格与否，最后输出该神经网络，建立三维测量模块。
如图1所示，本发明基于神经网络的单相机-双棱镜三维测量系统包括相机1、可移动相机的滑轨及底座2、双棱镜3、双棱镜固定调整装置4、标定板5、固定和移动标定板的步进电机导轨装置6及控制计算机7。所述相机1 通过滑轨上的底座2固定，并可以沿着光轴方向移动。所述双棱镜3与所述双棱镜固定调整装置4组装，实现双棱镜与相机之间位姿的灵活调整。标定板5固定在步进电机步进电机导轨装置6以实现标定板沿着光轴方向的高精度移动，以形成如图2所示的体标定区域。同时，所述固定装置安装方式均不受单一方式的限制。
图3所示为本实例所述双棱镜3，其材料为折射率为1.47的K9玻璃，楔面角为10°，棱镜沿顶线对称，两侧切平以方便加工、保存以及固定在双棱镜固定调整装置4上。所述棱镜3可以随意更换成其他多边棱镜，根据实际需要选取可产生不同视角个数的棱镜，棱镜的材料及楔面角度也可自行选择，以满足自身的工程需求。
所述双棱镜固定调整装置4采用均带有刻度的两手动平移台和一旋转滑台组装的方式，用来调节安装在其上的双棱镜3与相机之间的距离及姿态，以获得合适的有效测量区域，提高成像平面的利用率。此外，双棱镜固定调整装置4固定在一铝合金平板上，平板的四个角上用螺栓和弹簧支撑平板，通过调节螺栓上螺母的位置，改变螺栓上的弹簧形变程度，使平板完全平行于地面，进而保证旋转平移台及棱镜上下两面平行于地面，以尽可能消除因棱镜摆放倾斜产生不良的成像效果。所述的双棱镜固定调整装置4在其他实例中也可采用其他方式达到相同效果。
计算机7主要功能有三个，第一，控制相机1，拍摄标定板5沿着光轴处于不同位置上的图片；第二，提取所有图片上的所有角点像素坐标对ρl(x1，y1)和ρr(xr，yr)并进行左右匹配；第三，以像素坐标作为输入集，构建BP神经网络进行训练，具体的训练逻辑如图5所示。完成后即可建立起针对该系统的目标物体三维测量模块。
图4所示为简化的单相机-双棱镜系统的成像原理图，经棱镜的折射，在有效区域的物点P可以在相机的成像平面image plane上呈现两个像点ρl,ρr，利用计算机对图像采集并提取像点的像素坐标对，再通过训练好的神经网络进行映射处理，就可以得到物点P的空间坐标。
这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.一种基于神经网络的单相机-双棱镜三维测量系统，其特征在于，包括：
导轨、滑动设置于导轨上的标定板、移动设置于导轨上相机、设置于相机于标定板之间的双棱镜及计算机；
所述相机沿其光轴方向位于导轨上移动，且导轨上固定有锁死件，所述锁死件用于固定相机；
所述计算机用于给相机供电并控制相机，且计算机包括三维测量模块，所述三维测量模块包括图像处理部与神经网络训练部；
所述导轨设置有滑块及固接于所述滑块上的标定板，且导轨通过直流电源驱动步进电机转动来移动滑块，通过控制步进电机转动的圈数来精确控制标定板沿Z方向上移动的距离。
2.如权利要求1所述的一种基于神经网络的单相机-双棱镜三维测量系统，其特征在于，所述双棱镜为沿顶线对称的等腰棱镜，其楔面角小于60°，材料为折射率为1.4的K9透明玻璃。
3.如权利要求1所述的一种基于神经网络的单相机-双棱镜三维测量系统，其特征在于，双棱镜的顶线一侧靠近相机，且双棱镜设置于由固定件与旋转平移台形成的固定组件上，通过平移和旋转来调整相机和双棱镜之间的相对位姿，进而改变单相机-双棱镜之间的有效测量域。
4.如权利要求1所述的一种基于神经网络的单相机-双棱镜三维测量系统，其特征在于，所述图像处理部用于对标定板上的所有角点映射在图片中的左右像点的像素坐标进行提取和匹配；
所述神经网络训练部用于以角点的左右像素坐标作为输入集，以角点的空间三维坐标作为输出集进行训练。
5.如权利要求1所述的一种基于神经网络的单相机-双棱镜三维测量系统的测量方法，其特征在于，包括以下步骤：
S1、利用计算机启动系统的相机，并进入图像实时显示界面；
S2、将标定板固定在步进电机导轨的滑块上，并使标定板处于相机可捕捉的视域内；
S3、在双棱镜旋转平移平台上调节处于相机前端的棱镜的位置、角度，以及对整个平台进行调平，同时可以依据实际情况沿光轴方向移动导轨上的相机，以及调节相机上的光圈和对焦环；
S4、利用步进电机多次等间距沿着相机光轴方向移动标定板，形成有效的体标定区域，同时利用计算机拍摄存储处于不同位置的标定板图像；
S5、取所有图片上的所有角点的左右像素坐标并进行匹配同名像素点，建立样本总集；
S6、通过步骤S4与步骤S5获得目标物体在三维物体空间坐标系中的坐标值。
6.如权利要求5所述的一种基于神经网络的单相机-双棱镜三维测量系统的测量方法，其特征在于，所述步骤S5中构建BP神经网络，以样本总集里部分角点作为神经网络训练集对神经网络进行训练，并以整个样本总集作为测试集评判神经网络合格与否，最后输出该神经网络，建立三维测量模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070690.2A CN114543667B (zh) | 2022-01-21 | 2022-01-21 | 一种基于神经网络的单相机-双棱镜三维测量系统及测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070690.2A CN114543667B (zh) | 2022-01-21 | 2022-01-21 | 一种基于神经网络的单相机-双棱镜三维测量系统及测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114543667A true CN114543667A (zh) | 2022-05-27 |
| CN114543667B CN114543667B (zh) | 2023-11-07 |
Family
ID=81671319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210070690.2A Active CN114543667B (zh) | 2022-01-21 | 2022-01-21 | 一种基于神经网络的单相机-双棱镜三维测量系统及测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114543667B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115079520A (zh) * | 2022-06-29 | 2022-09-20 | 深圳凯世光研股份有限公司 | 工件批量曝光方法及设备 |
| CN115468487A (zh) * | 2022-08-05 | 2022-12-13 | 同济大学 | 基于运动捕捉的大范围多点实时结构调平方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030092213A (ko) * | 2002-05-29 | 2003-12-06 | 한국전자통신연구원 | 일안식 입체 카메라 및 이를 이용한 입체 영상 시스템 |
| CN105825548A (zh) * | 2016-03-16 | 2016-08-03 | 清华大学 | 使用近心镜头的双棱镜单相机三维数字图像相关重构方法 |
| DE102017111760A1 (de) * | 2016-06-01 | 2017-12-07 | General Electric Company | Stereobildgebungssystem |
| CN107576264A (zh) * | 2017-03-23 | 2018-01-12 | 四川精视科技有限公司 | 一种振动及小尺寸空间内对象立体视觉测量方法 |
| CN108253939A (zh) * | 2017-12-19 | 2018-07-06 | 同济大学 | 可变视轴单目立体视觉测量方法 |
| CN109668509A (zh) * | 2019-01-18 | 2019-04-23 | 南京理工大学 | 基于双棱镜单摄像机三维测量工业内窥镜系统及测量方法 |
| CN110243283A (zh) * | 2019-05-30 | 2019-09-17 | 同济大学 | 一种可变视轴视觉测量系统及方法 |
| US20190371053A1 (en) * | 2018-05-29 | 2019-12-05 | Global Scanning Denmark A/S | 3d object scanning method using structured light |
| CN113804124A (zh) * | 2021-09-16 | 2021-12-17 | 飞亚达精密科技股份有限公司 | 一种基于神经网络模型的三维测量方法及系统 |
-
2022
- 2022-01-21 CN CN202210070690.2A patent/CN114543667B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030092213A (ko) * | 2002-05-29 | 2003-12-06 | 한국전자통신연구원 | 일안식 입체 카메라 및 이를 이용한 입체 영상 시스템 |
| CN105825548A (zh) * | 2016-03-16 | 2016-08-03 | 清华大学 | 使用近心镜头的双棱镜单相机三维数字图像相关重构方法 |
| DE102017111760A1 (de) * | 2016-06-01 | 2017-12-07 | General Electric Company | Stereobildgebungssystem |
| CN107576264A (zh) * | 2017-03-23 | 2018-01-12 | 四川精视科技有限公司 | 一种振动及小尺寸空间内对象立体视觉测量方法 |
| CN108253939A (zh) * | 2017-12-19 | 2018-07-06 | 同济大学 | 可变视轴单目立体视觉测量方法 |
| US20190371053A1 (en) * | 2018-05-29 | 2019-12-05 | Global Scanning Denmark A/S | 3d object scanning method using structured light |
| CN109668509A (zh) * | 2019-01-18 | 2019-04-23 | 南京理工大学 | 基于双棱镜单摄像机三维测量工业内窥镜系统及测量方法 |
| CN110243283A (zh) * | 2019-05-30 | 2019-09-17 | 同济大学 | 一种可变视轴视觉测量系统及方法 |
| CN113804124A (zh) * | 2021-09-16 | 2021-12-17 | 飞亚达精密科技股份有限公司 | 一种基于神经网络模型的三维测量方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 俞立平;潘兵;: "使用单彩色相机的单相机三维数字图像相关方法", 实验力学, no. 05 * |
| 卢宝莉;刘育梁;王新伟;: "基于单相机-双棱镜的小型三维指纹获取系统（英文）", 光子学报, no. 07 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115079520A (zh) * | 2022-06-29 | 2022-09-20 | 深圳凯世光研股份有限公司 | 工件批量曝光方法及设备 |
| CN115468487A (zh) * | 2022-08-05 | 2022-12-13 | 同济大学 | 基于运动捕捉的大范围多点实时结构调平方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114543667B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106097300B (zh) | 一种基于高精度运动平台的多相机标定方法 | |
| CN108921901B (zh) | 一种基于精密二轴转台和激光跟踪仪的大视场相机标定方法 | |
| CN107358631B (zh) | 一种虑及三维畸变的双目视觉重建方法 | |
| CN114998499B (zh) | 一种基于线激光振镜扫描的双目三维重建方法及系统 | |
| CN107144241B (zh) | 一种基于景深补偿的双目视觉高精度测量方法 | |
| CN114543667B (zh) | 一种基于神经网络的单相机-双棱镜三维测量系统及测量方法 | |
| CN110136204B (zh) | 基于双侧远心镜头相机机床位置标定的音膜球顶装配系统 | |
| CN105698699A (zh) | 一种基于时间转轴约束的双目视觉测量方法 | |
| CN110375648A (zh) | 棋盘格靶标辅助的单台相机实现的空间点三维坐标测量方法 | |
| WO2020199439A1 (zh) | 基于单双目混合测量的三维点云计算方法 | |
| CN108596929B (zh) | 融合平面网格深度计算的光切数据建模重构方法 | |
| CN113724337B (zh) | 一种无需依赖云台角度的相机动态外参标定方法及装置 | |
| CN112325788B (zh) | 基于数字照相的隧道内壁变形特征原位量测装置及方法 | |
| CN113160298A (zh) | 一种深度真值获取方法、装置、系统及深度相机 | |
| CN112229323A (zh) | 基于手机单目视觉的棋盘格合作目标的六自由度测量方法及其应用 | |
| CN111768451A (zh) | 一种基于移动显示屏的大尺寸双目视觉离焦标定方法 | |
| CN114792345B (zh) | 一种基于单目结构光系统的标定方法 | |
| CN110414101B (zh) | 一种仿真场景测量方法、准确性测定方法及系统 | |
| CN116642433A (zh) | 一种基于视觉跟踪的三维点云拼合方法及三维测量系统 | |
| CN116147534A (zh) | 一种基于镜面辅助的多视角三维激光扫描系统及复杂表面全景测量方法 | |
| Tarabanis et al. | Calibration of a computer controlled robotic vision sensor with a zoom lens | |
| CN114170321A (zh) | 一种基于测距的相机自标定方法及系统 | |
| CN113781581B (zh) | 基于靶标松姿态约束的景深畸变模型标定方法 | |
| CN110689582B (zh) | 全站仪摄像机标定方法 | |
| CN114624005A (zh) | 一种ar、vr高精度测试设备及其检测方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 200092 Siping Road 1239, Shanghai, Yangpu District Applicant after: TONGJI University Address before: 200092 Siping Road 1239, Shanghai, Hongkou District Applicant before: TONGJI University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |