CN115345870A - 一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法 - Google Patents
一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法 Download PDFInfo
- Publication number
- CN115345870A CN115345870A CN202211041082.5A CN202211041082A CN115345870A CN 115345870 A CN115345870 A CN 115345870A CN 202211041082 A CN202211041082 A CN 202211041082A CN 115345870 A CN115345870 A CN 115345870A
- Authority
- CN
- China
- Prior art keywords
- self
- target
- image
- luminous
- luminous target
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及形变监测技术领域,公开了一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,包括:采用相机获取编码自发光靶标的图像;使用阈值序列对图像进行二值化;或使用最大津法对图像进行二值化;对二值化后的图像进行形态学开和闭运算;提取轮廓,对轮廓进行筛选;进行靶标定位和靶标解码,得到编码自发光靶标位置、编码值,并生成覆盖所有编码自发光靶标的掩膜;或比较当前和前一张图像的同编码的编码自发光靶标的欧式距离,并计算形变量。本发明提供的方法,结合编码自发光靶标实现山体、边坡以及大型构筑物等的实时、面状和毫米级精度的形变监测,解决现有方法难以同时实现实时、面状和毫米级精度的形变监测的技术问题。
Description
技术领域
本发明涉及形变监测技术领域,特别涉及一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法。
背景技术
山体、边坡等自然场景以及大型建筑物、拦水大坝等构筑物常因形变量过大而引发灾害,对自然灾害易发区域的山体、边坡等自然场景以及大型建筑物、拦水大坝等人工构筑物进行实时的形变监测是预防灾害发生、降低生命财产损失的重要手段。
目前常用的形变监测方法包括:1、基于全站仪、水准仪等的传统测量方法;2、基于GNSS 的监测方法;3、基于激光扫描的方法;4、基于立体测量的方法;基于全站仪、水准仪等的传统测量方法测量精度高,但时效性低,通常以月为单位进行复测,难以满足实时形变监测的需求;基于GNSS的监测方法能够准实时的获得监测结果,但GNSS实时定位结果难以达到毫米级定位精度,且GNSS采用点监测的方式,对于山体、边坡等大面积的监测需要布设大量的GNSS接收机,成本较高;基于激光扫描的形变监测方法采样定期对监测场景进行激光扫描并通过数据配准、滤波、形变量估计等数据处理技术获得形变量,该方法虽能实现面状范围的监测,但监测结果易受监测场景中植被的影响,难以获得毫米级的监测精度,且该方法同样只能实现以天为单位的监测频率,难以实现实时监测;基于立体测量的形变监测方法通过立体相机获得立体影像,通过前方交会方式获得监测点的三维坐标,该方法可实现实时和面状的监测,但由于同名匹配点的误差和交会角的限制,在深度方向难以实现精度的监测。
发明内容
本发明提供了一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,结合编码自发光靶标实现山体、边坡以及大型构筑物等的实时、面状和毫米级精度的形变监测,解决现有形变监测方法难以同时实现实时、面状和毫米级精度的形变监测的技术问题。
本发明提供了一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,包括:
S1、采用监测相机获取编码自发光靶标的图像,并判断所述图像是否为第一张图像或没有编码自发光靶标的初始位置图像;
S2、若所述图像为第一张图像或没有编码自发光靶标的初始位置图像,则使用阈值序列对图像进行二值化生成序列二值化图像;若所述图像不为第一张图像或没有编码自发光靶标的初始位置图像,则结合编码自发光靶标位置初值及对应的掩膜,使用最大津法对图像进行二值化;
S3、对二值化后的图像中的每一张图像均进行形态学开和闭运算;
S4、基于连通域检测提取轮廓,并对所述轮廓进行筛选;
S5、当所述图像为第一张图像或没有编码自发光靶标的初始位置图像时,进行编码自发光靶标定位和编码自发光靶标解码,得到编码自发光靶标位置、编码值,并利用多边形外接圆半径以及编码值生成覆盖所有编码自发光靶标的掩膜;其中,所述编码自发光靶标包括同心多边形和编码环带;
S6、当所述图像不为第一张图像或没有编码自发光靶标的初始位置图像时,比较当前编码自发光靶标和前一张图像的同编码的编码自发光靶标的的欧式距离dist,并计算形变量,完成形变监测。
进一步地,步骤S4,包括:
S41、基于连通域检测提取轮廓;
S42、只保留有且仅有一个子轮廓的当前轮廓及其子轮廓;
S43、分别计算当前轮廓及其子轮廓的空间矩;
S44、分别计算当前轮廓及其子轮廓的重心位置,分别记作c1和c2,若两点的欧式距离 dist(c1,c2)>threshold_Centroid_Dist,则舍弃当前轮廓;
S46、分别计算当前轮廓及其子轮廓的圆度Circularity1和Circularity2,若圆度小于阈值min Circularity,则舍弃当前轮廓;
S47、分别计算当前轮廓及其子轮廓的惯性率,记作I1,I2,若I<minInertiaRatio,则舍弃当前轮廓。
进一步地,步骤S47之后,还包括:
S48、分别计算当前轮廓及其子轮廓的凸度,记作Convexity1和Convexity2;
S49、编码自发光靶标的背景为黑色,前景为白色,当前轮廓的子轮廓的平均灰度I2< threshol_I2,当前轮廓除子轮廓外的区域的平均灰度值I1>threshol_I1。
进一步地,步骤S43中空间矩的计算公式为:其中i+j=M, M为阶数;步骤S44中重心位置的计算公式为:步骤S45中面积的计算公式为:S=m00;步骤S46中圆度的计算公式为:其中,P是轮廓的凸包的周长;步骤S47中惯性率的计算公式为:其中是二值图像灰度值;步骤S48中凸度的计算公式为:其中S为该轮廓的面积,H为轮廓的凸包的面积。
进一步地,步骤S5,编码自发光靶标定位包括:
S501、采用步骤S44的重心位置作为编码自发光靶标的初始位置,公式为:
S503、编码自发光靶标上的正多边形的外接圆半径尺寸为Ro,编码自发光靶标的像素分辨率为resolution=R0/R,根据R的初值和正多边形的边数N生成无编码环带的模板靶标,采用最小二乘匹配算法匹配模板靶标和图像中的多边形环;其中,最小二乘匹配中使用单应变换模型H,靶标模板的靶标中心设为坐标原点;
S504、计算模板靶标和采集图像中的定位靶标的相关系数NCC,若NCC<minNCC,则舍弃当前轮廓。
进一步地,步骤S503中,最小二乘匹配模型为:
g′(x′,y′)+e′(x′,y′)=g″(fx(x′,y′),fy(x′,y′))+e″(x″,y″)
进一步地,步骤S5中,编码自发光靶标解码,包括:
S512、对所述二进制序列进行循环移位,选取其中数值最小的二进制序列作为编码自发光靶标的编码值。
进一步地,步骤S6中,形变量的计算公式为:
Δ=dist·resolution=||p-pprev||*resolution。
进一步地,编码自发光靶标还包括圆心点,所述圆心点用于靶标点的绝对坐标测量;所述同心多边形包括两个同心正N多边形,用于自动量测时的靶标精确定位;所述编码环带均分为N等份,每等份所占的圆心角为360°/N,每等份有黑和白两种状态,为暗环带和亮环带,黑为0,白为1,形成N位的二进制序列。
进一步地,在步骤S1之前,还包括:
S01、在标定场中布设足够的编码自发光靶标,采用监测相机在不同位置采用不同姿态拍摄,标定获得监测相机畸变参数;其中,所述畸变参数包括的焦距、主点、径向和切向;
S02、在监测场景部署监测相机和编码自发光靶标,编码自发光靶标部署在形变区域,且所述编码自发光靶标平面平行于形变主方向,在监测区域均匀部署;监测相机部署在稳定非形变区域并以30帧/秒进行图像获取,且所述监测相机的主光轴垂直于编码自发光靶标平面。
本发明的有益效果为:
1、本发明采用单目相机,可实现30帧每秒的数据获取速率并实现实时数据处理,相比目前广泛采用的GNSS形变监测方法中15分钟获得一个监测结果,本发明所提出方法实现了实时的形变监测。
2、实现了大场景面状监测。本发明所提出方法可在相机市场范围内布设任意数量的编码自发光靶标,实现监测场景的面状多点监测,有效提高监测的可靠性。
3、实现亚毫米级形变监测。本发明所提出方法配合合适的镜头和编码自发光靶标,实现亚毫米级精度的微小形变量监测。相较于普通的圆形定位编码自发光靶标,本编码自发光靶标具有如下优势:
a)定位更精确。一般的靶标定位图案为圆形或者圆环形,圆形定位靶标在图像中一般呈椭圆形成像,椭圆的中心却并不是圆形靶标的中心,因此使用圆形靶标的中心进行定位并不精确;圆环靶标虽然理论上可以精确定位靶标的中心,但是由于圆环靶标的改正仅仅依赖于对两个圆对应的椭圆成像的估计,缺少足够的多余观测值,定位结果并不稳定。本编码自发光靶标的定位模块中的正多边形环的更能反应局部投影变形,因此能更加精准的定位靶标。
b)更快更稳定的解码速度。编码环半径是正多边形1的外接圆半径的2倍,因此可以快速确定N个亮或者暗编码环的半径,但是无法快速确定每个亮或者暗编码环的起始和终止位置。为了稳健的解码,普通的圆形定位靶标一般采用不同的起始角度多次采样的方式对所有的编码环解码并取次数最多的编号值作为最终的编码值。本编码自发光靶标的中心和多边形顶点的连线必过用于解码的亮或暗编码环带中心,箭头起点为靶标中心,箭头的长度为2倍正多边形1的外接圆半径,箭头终点即为编码环的中心位置。因此本编码自发光靶标可以快速的直接确定每一个编码环的中心位置,无需多次采样,进而快速解码。
附图说明
图1为本发明中实时面状毫米级精度形变监测的方案示意图。
图2为本发明中编码自发光靶标的结构示意图。
图3为本发明中监测相机与编码自发光靶标的部署示意图。
图4为本发明中形变监测的流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,针对现有形变监测方法无法满足实时、面状和毫米级高精度监测需求,本发明提出采用单目相机结合编码自发光靶标实现大场景实时、面状和毫米级高精度监测方法。即,一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,包括:
在进行形变监测计算前,还包括:
S01、在标定场中布设足够的编码自发光靶标,采用监测相机在不同位置采用不同姿态拍摄,标定获得监测相机畸变参数;其中,所述畸变参数包括的焦距、主点、径向和切向;
S02、在监测场景部署监测相机和编码自发光靶标,编码自发光靶标部署在形变区域,且所述编码自发光靶标平面平行于形变主方向,在监测区域均匀部署;监测相机部署在稳定非形变区域并以30帧/秒进行图像获取,且所述监测相机的主光轴垂直于编码自发光靶标平面。
如上述步骤S01-S02所述,在进行形变监测计算前,包括相机标定和硬件部署,用于获得必要的相机参数和图像数据。相机标定为在标定场中布设足够的编码自发光靶标,使用相机在不同位置采用不同姿态拍摄,标定获得相机的焦距、主点、径向和切向等畸变参数。硬件部署为将硬件部署在需要监测的场景,配合任意数量的编码自发光靶标,通过靶标的检测和中心点坐标的量测,实现靶标的毫米级精度形变监测;如图3所示,硬件部署包括监测相机部署和编码自发光靶标部署两部分,编码自发光靶标部署在形变区域,监测相机部署在稳定非形变区域。编码自发光靶标部署时,靶标平面平行于形变主方向,在监测区域没均匀部署;监测相机部署时,监测相机的主光轴垂直于靶标平面。
如图4所示,形变监测和计算的流程包括:
S1、采用监测相机获取编码自发光靶标的图像,并判断所述图像是否为第一张图像或没有编码自发光靶标的初始位置图像。
S2、若所述图像为第一张图像或没有编码自发光靶标的初始位置图像,则使用阈值序列对图像进行二值化生成序列二值化图像;若所述图像不为第一张图像或没有编码自发光靶标的初始位置图像,则结合编码自发光靶标位置初值及对应的掩膜,使用最大津法对图像进行二值化;
S3、对二值化后的图像中的每一张图像均进行形态学开和闭运算;
如上述步骤S2-S3所述,若当前图像是第一张图像或者没有靶标的初始位置,则使用一个阈值序列对图像进行二值化生成一个序列二值化图像,二值化的阈值为[10:5:255],否则结合靶标位置初值及对应的掩膜,使用最大津法对图像进行二值化。对二值化图像中的每一张图像都进行形态学开和闭运算以去除小的亮斑和暗斑,然后基于连通域检测并提取轮廓。
S4、基于连通域检测提取轮廓,并对所述轮廓进行筛选;具体包括:
S41、基于连通域检测提取轮廓;
S42、只保留有且仅有一个子轮廓的当前轮廓及其子轮廓;
S43、分别计算当前轮廓及其子轮廓的空间矩;空间矩的计算公式为:
S44、重心距离:分别计算当前轮廓及其子轮廓的重心位置,分别记作c1和c2,若两点的欧式距离dist(c1,c2)>threshold_Centroid_Dist,则舍弃当前轮廓;重心位置的计算公式为:
S46、圆度:分别计算当前轮廓及其子轮廓的圆度Circularity1和Circularity2,若圆度小于阈值min Circularity,则舍弃当前轮廓;圆度的计算公式为:其中,P是轮廓的凸包的周长;
S47、惯性率I:分别计算当前轮廓及其子轮廓的惯性率,记作I1,I2,若I<minInertiaRatio,则舍弃当前轮廓。惯性率的计算公式为:
S49、色彩:编码自发光靶标的背景为黑色,前景为白色,在二值图像中当前轮廓的子轮廓的平均灰度I2<threshol_I2,当前轮廓除子轮廓外的区域的平均灰度值I1>threshol_I1。
S5、当所述图像为第一张图像或没有编码自发光靶标的初始位置图像时,进行编码自发光靶标定位和编码自发光靶标解码,得到编码自发光靶标位置、编码值,并利用多边形外接圆半径以及编码值生成覆盖所有编码自发光靶标的掩膜;其中,所述编码自发光靶标包括同心多边形和编码环带。
编码自发光靶标还包括圆心点,所述圆心点用于靶标点的绝对坐标测量;所述同心多边形包括两个同心正N多边形,用于自动量测时的靶标精确定位;所述编码环带均分为N等份,每等份所占的圆心角为360°/N,每等份有黑和白两种状态,为暗环带和亮环带,黑为0,白为1,形成N位的二进制序列。
如上所述,在监测过程中使用的编码自发光靶标由圆心点(非必要)、同心多边形和编码环带组成,如图2中的白色部分所示。圆心点可用于靶标点的绝对坐标测量,测量时,全站仪的十字丝交点瞄准圆心点中心,即可测得靶标圆心点的绝对坐标;靶标自动定位模块包括同心正N多边形1和正N多边形2,用于自动量测时的靶标精确定位;靶标的编码模块是最外围为一个编码环带,该环带均分为N等份,每等份所占的圆心角为360°/N,每等份有黑和白两种状态,分别可以称为暗或者亮环带,黑为0,白为1,如此可形成N位的二进+制序列。本发明中编码的位数N和正多边形的顶点数相同,N的建议取值范围为。由于环带没有固定的起点,因此对这个二进制序列进行循环移位,选取其中数值最小的二进制序列作为该靶标的编码值。图2中所示的编码自发光靶标的最小二进制位为0000101011,其编号为43。正多边形的重心即靶标中心。在进行形变监测时,形变监测过程中使用的靶标中的正多边形1的外接圆半径为R,正多边形2的外接圆半径为R/2,编码环带的内外轮廓半径分别为2R和3R。
编码自发光靶标定位包括:
S501、采用步骤S44的重心位置作为编码自发光靶标的初始位置,公式为:
S503、编码自发光靶标上的正多边形的外接圆半径尺寸为Ro,编码自发光靶标的像素分辨率为resolution=R0/R,根据R的初值和正多边形的边数N生成无编码环带的模板靶标,采用最小二乘匹配算法匹配模板靶标和图像中的多边形环;其中,最小二乘匹配中使用单应变换模型H,靶标模板的靶标中心设为坐标原点;最小二乘匹配模型为:
g′(x′,y′)+e′(x′,y′)=g″(fx(x′,y′),fy(x′,y′))+e″(x″,y″)
S504、计算模板靶标和采集图像中的定位靶标的相关系数NCC,若NCC<minNCC,则舍弃当前轮廓。
如上述步骤S501-S504所述,步骤S44的重心位置即为编码自发光靶标的初始位置由面积S1可计算出靶标的初始半径R。半径计算公式为同时靶标上的正多边形的外接圆半径尺寸为R0,则靶标的像素分辨率为resolution=R0/R。根据R的初值和正多边形的边数N生成无编码环带的模板靶标,然后使用最小二乘匹配算法匹配模板靶标和图像中的多边形环。最小二乘匹配中使用单应变换模型 H,靶标模板的靶标中心设为坐标原点。最小二乘匹配之后计算模板靶标和采集图像中的定位靶标的相关系数NCC,如果NCC<minNCC,则舍弃当前轮廓。最小二乘匹配模型如下所示,g′和g″分别表示模板靶标和靶标图像,模板中心在图像中的坐标
g′(x′,y′)+e′(x′,y′)=g″(fx(x′,y′),fy(x′,y′))+e″(x″,y″)
编码自发光靶标解码,包括:
S512、对所述二进制序列进行循环移位,选取其中数值最小的二进制序列作为编码自发光靶标的编码值。
如上述步骤S511-S512所述,首先,进行亮或暗编码带中心定位,根据模板靶标的N个多边形顶点Vi(i=0…N-1)和上一步计算的单应变换H,则N个编码中心位置为直接利用此处的灰度值即可解码,暗为0,亮为1,获得一个二进制序列。其次,进行二进制序列进行循环移位,选取其中数值最小的二进制序列作为该靶标的编码值。
S6、当所述图像不为第一张图像或没有编码自发光靶标的初始位置图像时,比较当前编码自发光靶标和前一张图像的同编码的编码自发光靶标的的欧式距离dist,并计算形变量,完成形变监测;形变量的计算公式为:Δ=dist·resolution=||p-pprev||*resolution;完成监测后,若要继续监测,则返回步骤S1。
本发明的有益效果:
1、本发明采用单目相机,可实现30帧每秒的数据获取速率并实现实时数据处理,相比目前广泛采用的GNSS形变监测方法中15分钟获得一个监测结果,本发明所提出方法实现了实时的形变监测。
2、实现了大场景面状监测。本发明所提出方法可在相机市场范围内布设任意数量的编码自发光靶标,实现监测场景的面状多点监测,有效提高监测的可靠性。
3、实现亚毫米级形变监测。本发明所提出方法配合合适的镜头和编码自发光靶标,实现亚毫米级精度的微小形变量监测。相较于普通的圆形定位编码自发光靶标,本编码自发光靶标具有如下优势:
a)定位更精确。一般的靶标定位图案为圆形或者圆环形,圆形定位靶标在图像中一般呈椭圆形成像,椭圆的中心却并不是圆形靶标的中心,因此使用圆形靶标的中心进行定位并不精确;圆环靶标虽然理论上可以精确定位靶标的中心,但是由于圆环靶标的改正仅仅依赖于对两个圆对应的椭圆成像的估计,缺少足够的多余观测值,定位结果并不稳定。本编码自发光靶标的定位模块中的正多边形环的更能反应局部投影变形,因此能更加精准的定位靶标。
b)更快更稳定的解码速度。编码环半径是正多边形1的外接圆半径的2倍,因此可以快速确定N个亮或者暗编码环的半径,但是无法快速确定每个亮或者暗编码环的起始和终止位置。为了稳健的解码,普通的圆形定位靶标一般采用不同的起始角度多次采样的方式对所有的编码环解码并取次数最多的编号值作为最终的编码值。本编码自发光靶标的中心和多边形顶点的连线必过用于解码的亮或暗编码环带中心,箭头起点为靶标中心,箭头的长度为2倍正多边形1的外接圆半径,箭头终点即为编码环的中心位置。因此本编码自发光靶标可以快速的直接确定每一个编码环的中心位置,无需多次采样,进而快速解码。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,其特征在于,包括:
S1、采用监测相机获取编码自发光靶标的图像,并判断所述图像是否为第一张图像或没有编码自发光靶标的初始位置图像;
S2、若所述图像为第一张图像或没有编码自发光靶标的初始位置图像,则使用阈值序列对图像进行二值化生成序列二值化图像;若所述图像不为第一张图像或没有编码自发光靶标的初始位置图像,则结合编码自发光靶标位置初值及对应的掩膜,使用最大津法对图像进行二值化;
S3、对二值化后的图像中的每一张图像均进行形态学开和闭运算;
S4、基于连通域检测提取轮廓,并对所述轮廓进行筛选;
S5、当所述图像为第一张图像或没有编码自发光靶标的初始位置图像时,进行编码自发光靶标定位和编码自发光靶标解码,得到编码自发光靶标位置、编码值,并利用多边形外接圆半径以及编码值生成覆盖所有编码自发光靶标的掩膜;其中,所述编码自发光靶标包括同心多边形和编码环带;
S6、当所述图像不为第一张图像或没有编码自发光靶标的初始位置图像时,比较当前编码自发光靶标和前一张图像的同编码的编码自发光靶标的的欧式距离dist,并计算形变量,完成形变监测。
2.根据权利要求1所述的基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,其特征在于,步骤S4,包括:
S41、基于连通域检测提取轮廓;
S42、只保留有且仅有一个子轮廓的当前轮廓及其子轮廓;
S43、分别计算当前轮廓及其子轮廓的空间矩;
S44、分别计算当前轮廓及其子轮廓的重心位置,分别记作c1和c2,若两点的欧式距离dist(c1,c2)>threshold_Centroid_Dist,则舍弃当前轮廓;
S46、分别计算当前轮廓及其子轮廓的圆度Circularity1和Circularity2,若圆度小于阈值min Circularity,则舍弃当前轮廓;
S47、分别计算当前轮廓及其子轮廓的惯性率,记作I1,I2,若I<minInertiaRatio,则舍弃当前轮廓。
3.根据权利要求2所述的基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,其特征在于,步骤S47之后,还包括:
S48、分别计算当前轮廓及其子轮廓的凸度,记作Convexity1和Convexity2;
S49、编码自发光靶标的背景为黑色,前景为白色,当前轮廓的子轮廓的平均灰度I2<threshol_I2,当前轮廓除子轮廓外的区域的平均灰度值I1>threshol_I1。
5.根据权利要求4所述的基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,其特征在于,步骤S5,编码自发光靶标定位包括:
S503、编码自发光靶标上的正多边形的外接圆半径尺寸为R0,编码自发光靶标的像素分辨率为resolution=R0/R,根据R的初值和正多边形的边数N生成无编码环带的模板靶标,采用最小二乘匹配算法匹配模板靶标和图像中的多边形环;其中,最小二乘匹配中使用单应变换模型H,靶标模板的靶标中心设为坐标原点;
S504、计算模板靶标和采集图像中的定位靶标的相关系数NCC,若NCC<minNCC,则舍弃当前轮廓。
8.根据权利要求7所述的基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,其特征在于,步骤S6中,形变量的计算公式为:
Δ=dist·resolution=||p-pprev||*resolution。
9.根据权利要求1所述的基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,其特征在于,编码自发光靶标还包括圆心点,所述圆心点用于靶标点的绝对坐标测量;所述同心多边形包括两个同心正N多边形,用于自动量测时的靶标精确定位;所述编码环带均分为N等份,每等份所占的圆心角为360°/N,每等份有黑和白两种状态,为暗环带和亮环带,黑为0,白为1,形成N位的二进制序列。
10.根据权利要求1所述的基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法,其特征在于,在步骤S1之前,还包括:
S01、在标定场中布设足够的编码自发光靶标,采用监测相机在不同位置采用不同姿态拍摄,标定获得监测相机畸变参数;其中,所述畸变参数包括的焦距、主点、径向和切向;
S02、在监测场景部署监测相机和编码自发光靶标,编码自发光靶标部署在形变区域,且所述编码自发光靶标平面平行于形变主方向,在监测区域均匀部署;监测相机部署在稳定非形变区域并以30帧/秒进行图像获取,且所述监测相机的主光轴垂直于编码自发光靶标平面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041082.5A CN115345870A (zh) | 2022-08-29 | 2022-08-29 | 一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041082.5A CN115345870A (zh) | 2022-08-29 | 2022-08-29 | 一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115345870A true CN115345870A (zh) | 2022-11-15 |
Family
ID=83954831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211041082.5A Pending CN115345870A (zh) | 2022-08-29 | 2022-08-29 | 一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345870A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116687569A (zh) * | 2023-07-28 | 2023-09-05 | 深圳卡尔文科技有限公司 | 一种编码标识手术导航方法、系统和存储介质 |
CN117168344A (zh) * | 2023-11-03 | 2023-12-05 | 杭州鲁尔物联科技有限公司 | 单目全景环视形变监测方法、装置及计算机设备 |
-
2022
- 2022-08-29 CN CN202211041082.5A patent/CN115345870A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116687569A (zh) * | 2023-07-28 | 2023-09-05 | 深圳卡尔文科技有限公司 | 一种编码标识手术导航方法、系统和存储介质 |
CN116687569B (zh) * | 2023-07-28 | 2023-10-03 | 深圳卡尔文科技有限公司 | 一种编码标识手术导航方法、系统和存储介质 |
CN117168344A (zh) * | 2023-11-03 | 2023-12-05 | 杭州鲁尔物联科技有限公司 | 单目全景环视形变监测方法、装置及计算机设备 |
CN117168344B (zh) * | 2023-11-03 | 2024-01-26 | 杭州鲁尔物联科技有限公司 | 单目全景环视形变监测方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115345870A (zh) | 一种基于单目相机和带编码自发光靶标实现大场景精密形变监测的方法 | |
US20160239975A1 (en) | Highly robust mark point decoding method and system | |
CN106683070B (zh) | 基于深度相机的身高测量方法及装置 | |
US6724930B1 (en) | Three-dimensional position and orientation sensing system | |
CN108764004B (zh) | 一种基于编码环采样的环状编码标记点解码识别方法 | |
CN106340044B (zh) | 摄像机外参自动标定方法及标定装置 | |
US6917702B2 (en) | Calibration of multiple cameras for a turntable-based 3D scanner | |
CN109215016B (zh) | 一种编码标志的识别定位方法 | |
JP6667065B2 (ja) | 位置推定装置および位置推定方法 | |
JP2007003233A (ja) | コードターゲット、コード検出システム、及び3次元情報取得システム | |
CN111981982B (zh) | 一种基于加权sfm算法的多向合作靶标光学测量方法 | |
CN106767502A (zh) | 一种具有起始信息的圆形编码标志点 | |
CN115880373B (zh) | 基于新型编码特征的立体视觉系统的标定板及标定方法 | |
CN113129384B (zh) | 基于一维编码靶标的双目视觉系统灵活标定方法 | |
CN112232319A (zh) | 一种基于单目视觉定位的扫描拼接方法 | |
Feng et al. | A pattern and calibration method for single-pattern structured light system | |
Song et al. | A robust structured light pattern decoding method for single-shot 3D reconstruction | |
CN110570354B (zh) | 一种基于长条形棋盘格标定板的近景图像拼接方法 | |
CN113313628B (zh) | 基于仿射变换和均值像素法的环状编码点鲁棒性识别方法 | |
CN113269864A (zh) | 一种多视角三维重建装置及方法 | |
Farsangi et al. | Rectification based single-shot structured light for accurate and dense 3D reconstruction | |
US10331977B2 (en) | Method for the three-dimensional detection of objects | |
CN115272459A (zh) | 一种四角二维码定向平面靶标装置及其标定方法 | |
US10007857B2 (en) | Method for the three-dimensional detection of objects | |
Pages et al. | Robust segmentation and decoding of a~ grid pattern for structured light |
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 |