CN116681778B - 一种基于单目相机的距离测量方法 - Google Patents

一种基于单目相机的距离测量方法 Download PDF

Info

Publication number
CN116681778B
CN116681778B CN202310658419.5A CN202310658419A CN116681778B CN 116681778 B CN116681778 B CN 116681778B CN 202310658419 A CN202310658419 A CN 202310658419A CN 116681778 B CN116681778 B CN 116681778B
Authority
CN
China
Prior art keywords
camera
model
training
distance
image
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.)
Active
Application number
CN202310658419.5A
Other languages
English (en)
Other versions
CN116681778A (zh
Inventor
赵宝全
禹雪松
陈晔
周飞
吴国生
辛愿
王天鸣
刘磊
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.)
Gu'an Xintong Signal Technology Co ltd
Original Assignee
Gu'an Xintong Signal 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 Gu'an Xintong Signal Technology Co ltd filed Critical Gu'an Xintong Signal Technology Co ltd
Priority to CN202310658419.5A priority Critical patent/CN116681778B/zh
Publication of CN116681778A publication Critical patent/CN116681778A/zh
Application granted granted Critical
Publication of CN116681778B publication Critical patent/CN116681778B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C3/00—Measuring distances in line of sight; Optical rangefinders
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30244—Camera pose
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于单目相机的距离测量方法，该方法基于测量系统实现，测量系统包括用于采集图像的相机、用于校准相机在测距时参数的相机校准工具软件和用于负责整体程序运行和相机图像读取功能的运算模块，所述方法具体包括使用校准工具软件进行相机安装配置、相机测距标定参数获取、通过AI物体检测模型和测距软件读取相机实时拍摄的图像以及根据标定的参数信息来计算转换矩阵，根据转换矩阵逆向计算实际距离。本发明提供的一种基于单目相机的距离测量方法，通过AI物体检测算法并配合单目相机采集图像，并进行计算得出被测物体的2D平面分布，能够实现实时检测特定物体并测量距离，相机安装固定后在校准工具的配合下，使之能够测量更加准确。

Description

一种基于单目相机的距离测量方法
技术领域
本发明涉及机器视觉技术领域，更具体涉及一种基于单目相机的距离测量方法。
背景技术
目前，在机器视觉领域中机器人进行物体检测并测量距离通常采用对采集的图像进行全局立体匹配深度算法和双目摄像头，得到的立体匹配图效果差，测量距离不准确，运行消耗CPU资源巨大，实时性差、能耗高、成本高。
发明内容
本发明需要解决的技术问题是提供一种基于单目相机的距离测量方法，以解决背景技术中的问题。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于单目相机的距离测量方法，该方法基于测量系统实现，测量系统包括用于采集图像的相机、用于校准相机在测距时参数的相机校准工具软件和用于负责整体程序运行和相机图像读取功能的运算模块，相机和运算模块之间通过USB连接；所述方法具体包括以下步骤：
A.首先使用校准工具软件进行相机安装配置；
B.相机测距标定参数获取，获取拍摄图像的像素坐标与标定点实际距离相机的距离；
C.通过AI物体检测模型和测距软件读取相机实时拍摄的图像，对图像检测识别，结合测距算法计算实际物体的距离；
D.根据标定的参数信息来计算转换矩阵，根据转换矩阵逆向计算实际距离。
进一步优化技术方案，所述步骤A中，相机安装配置包括计算距离模式和计算角度模式。
进一步优化技术方案，所述计算距离模式需根据相机安装角度以及安装高度，得到拍摄最远距离。
进一步优化技术方案，所述计算角度模块需根据相机安装高度以及拍摄最远距离，得到安装角度。
进一步优化技术方案，所述步骤B中，获取相机测距标定参数的方法包括以下步骤：
B1.确定相机标定点，在相机画面视野内，首先确定好需要标定点位置，可以在特定位置做标记点或者放置棋盘格标定板；
B2.连接相机与相机参数标定软件，打开摄像头对准标定点拍照，确保所有标定点都在相机拍摄视野内；
B3.拍照后依次按照软件中显示绿点位置点击图像中标定点自动获取像素坐标，同时以相机圆心对应到地面的投影点作为原点，相机拍照右侧为X轴正半轴，相机拍摄方向为y轴正半轴建立坐标系，以厘米为单位手动测量图像待标定点对应实际位置，距离相机坐标原点的坐标并填写到软件对应位置中；
B4.标定点选取完成后，点击计算坐标配置生成标定配置文件。配置文件是根据输入信息生成八个点的像素坐标以及实际手动测量的实际坐标。以yaml格式文件进行保存。
进一步优化技术方案，所述步骤C中AI物体检测模型是使用物体检测算法训练得到的，包括以下步骤：
C1.数据集制作标注：对数据中被测目标的选取标注，按照识别距离的要求拍摄物体在不同距离不同角度的照片；
C2.模型训练：以YOLOv5作为基础网络模型，其中Backbone模块使用一系列残差块(Residual Block)来构建特征提取网络，使用特征金字塔来获取不同尺度的特征图最终训练输出目标检测模型文件；
C3.模型部署：将训练好的模型进行模型转换、优化，压缩为可以在嵌入式运算模块上运行；
C4.实测验证：训练得到的模型在软件中通过函数调用加载模型，使用单目相机采集图像推理识别，在检测到目标物体时，相机画面中将会标注出识别的物体，并且标注目标名称、置信度，物体在图像中的坐标，距离以及帧率等信息。
进一步优化技术方案，所述步骤C1中，将采集的图像使用数据标注工具进行图像的标注，标明识别的类别内容，被识别物体的标注框的像素坐标值，标注完成将数据集按照比例划分为训练集、验证集、测试集，划分比例为80％，10％，10％。最终生成特定格式的数据集文件。
进一步优化技术方案，所述步骤C2中，模型训练是使用C1中制作的数据集结合目标检测算法中提供的预训练模型权重文件作为输入，配置模型训练所需的参数执行训练脚本文件开始训练模型，训练完成会生成对应的AI模型文件。
进一步优化技术方案，所述目标检测算法中配置模型训练所需的参数包括：
1)配置物体检测类别及数据集中训练集、验证集、测试集的路径；
2)配置模型训练epoch：epoch按照实际训练效果定义，默认300；
3)配置图像分辨率设置：640×480；
4)配置模型预训练模型路径。
进一步优化技术方案，所述步骤C3中，模型转换的流程包括以下步骤：
C31.模型检查，使用专门的模型检测工具链检查训练得到的模型是否可以运行在运算模块上；主要检查的是模型使用到的op算子是否可以运行在运算模块的硬件加速模块上；
C32.模型量化处理，确定模型输入图像分辨率大小；
C33.模型转换，使用专门的模型转换工具链将训练得到的模型转换为运算模块可以运行的格式模型文件；
C34.在运算模块上调用部署好的模型，调用相机实时采集图像进行目标检测验证是否可以正常识别。
由于采用了以上技术方案，本发明所取得技术进步如下。
本发明提供的一种基于单目相机的距离测量方法，通过AI物体检测算法并配合单目相机采集图像，并进行计算得出被测物体的2D平面分布，能够实现实时检测特定物体并测量距离，相机安装固定后在校准工具的配合下，使之能够测量更加准确。
附图说明
图1为本发明的结构框图；
图2为本发明中相机测距标定参数的流程图；
图3为本发明中AI物体检测的工作流程图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
一种基于单目相机的距离测量方法，结合图1所示，该测量方法基于测量系统试下，测量系统包括相机、相机校准工具软件和运算模块，相机用采集图像，相机校准工具软件用来校准相机在测距时的参数，运算模块用来负责整体的程序运行以及相机图像读取的功能。相机和运算模块之间采用USB连接，相机校准工具确定相机安装角度、高度以及测距标定参数的校准，运算模块上运行有检测软件，用来负责整体软件部分功能。
测量方法包括以下步骤：
A.首先使用校准工具软件进行相机安装配置。
校准工具软件具备图形化操作功能，软件中可以确定相机安装需要的角度、高度以及测距视野范围。
相机安装配置包括计算距离模式和计算角度模式。
计算距离模式，需确定相机安装角度以及安装高度，点击计算位置配置按钮计算得到拍摄最远距离。
计算角度模式，需确定相机安装高度以及拍摄最远距离，点击计算位置配置按钮计算得到安装角度。
B.相机测距标定参数获取，获取拍摄图像的像素坐标与标定点实际距离相机的距离，本发明中，相机测距标定参数的流程图如图2所示，具体包括以下步骤：
B1.确定相机标定点，在相机画面视野内，首先确定好需要标定点位置，可以在特定位置做标记点或者放置棋盘格标定板；
B2.连接相机与相机参数标定软件，打开摄像头对准标定点拍照，确保所有标定点都在相机拍摄视野内；
B3.拍照后依次按照软件中显示绿点位置点击图像中标定点自动获取像素坐标，同时以相机圆心对应到地面的投影点作为原点，相机拍照右侧为X轴正半轴，相机拍摄方向为y轴正半轴建立坐标系，以厘米为单位手动测量图像待标定点对应实际位置，距离相机坐标原点的坐标并填写到软件对应位置中；
B4.标定点选取完成后，点击计算坐标配置生成标定配置文件。配置文件是根据输入信息生成八个点的像素坐标以及实际手动测量的实际坐标。以yaml格式文件进行保存。
C.通过AI物体检测模型和测距软件读取相机实时拍摄的图像，对图像检测识别，结合测距算法计算实际物体的距离，在实时拍摄画面中标注被检测目标的相关信息以及测距结果。AI物体检测模型是使用物体检测算法训练得到的，本发明中AI物体检测的工作流程图如图3所示，包括以下步骤：
C1.数据集制作标注
数据集的制作主要是对数据中被测目标的选取标注，按照识别距离的要求拍摄物体在不同距离不同角度的照片。将采集的图像使用数据标注工具进行图像的标注。标明识别的类别内容，被识别物体的标注框的像素坐标值，标注完成将数据集按照比例划分为训练集、验证集、测试集，划分比例为80％，10％，10％。最终生成特定格式的数据集文件。
C2.模型训练
模型训练过程中会以YOLOv5作为基础网络模型，其中Backbone模块使用一系列残差块(Residual Block)来构建特征提取网络，使用特征金字塔来获取不同尺度的特征图最终训练输出目标检测模型文件。
模型训练使用C1中制作的数据集结合目标检测算法中提供的预训练模型权重文件作为输入，配置模型训练所需的参数执行训练脚本文件开始训练模型，训练完成会生成对应的AI模型文件。
目标检测算法中配置模型训练所需的参数包括：
1)配置物体检测类别及数据集中训练集、验证集、测试集的路径；
2)配置模型训练epoch：epoch按照实际训练效果定义，默认300；
3)配置图像分辨率设置：640×480；
4)配置模型预训练模型路径。
C3.模型部署
将训练好的模型进行模型转换、优化，压缩为可以在嵌入式运算模块上运行。模型转换的流程包括以下步骤：
C31.模型检查，使用专门的模型检测工具链检查训练得到的模型是否可以运行在运算模块上；主要检查的是模型使用到的op算子是否可以运行在运算模块的硬件加速模块上；
C32.模型量化处理，确定模型输入图像分辨率大小；
C33.模型转换，使用专门的模型转换工具链将训练得到的模型转换为运算模块可以运行的格式模型文件；
C34.在运算模块上调用部署好的模型，调用相机实时采集图像进行目标检测验证是否可以正常识别。
C4.实测验证
训练得到的模型在软件中通过函数调用加载模型，使用单目相机采集图像推理识别，在检测到目标物体时，相机画面中将会标注出识别的物体，并且标注目标名称、置信度，物体在图像中的坐标，距离以及帧率等信息。
D.根据标定的参数信息来计算转换矩阵，根据转换矩阵逆向计算实际距离。
转换矩阵采用单应变换公式(1)计算：
式中：转换矩阵；
像素坐标(单位像素)；
实际坐标点(单位cm)
由此可以逆向求解实际坐标：其中像素坐标被检测物体与地面接触中心点的坐标，通过AI模型识别推理输出的坐标值计算得到，此坐标是AI模型在进行物体检测后获取的坐标点。
公式(2)中x是实际位置坐标点，表示为：x(x,y)。
再次利用勾股定理计算出实际距离Z：
式中：
Z：实际距离(单位cm)；
x:实际坐标点x轴距离(单位cm)；
y：实际坐标点y轴距离(单位cm)。

Claims (6)

1.一种基于单目相机的距离测量方法，其特征在于：该方法基于测量系统实现，测量系统包括用于采集图像的相机、用于校准相机在测距时参数的相机校准工具软件和用于负责整体程序运行和相机图像读取功能的运算模块，相机和运算模块之间通过USB连接；所述方法具体包括以下步骤：
A.首先使用校准工具软件进行相机安装配置；
B.相机测距标定参数获取，获取拍摄图像的像素坐标与标定点实际距离相机的距离；
获取相机测距标定参数的方法包括以下步骤：
B1.确定相机标定点，在相机画面视野内，首先确定好需要标定点位置，可以在特定位置做标记点或者放置棋盘格标定板；
B2.连接相机与相机参数标定软件，打开摄像头对准标定点拍照，确保所有标定点都在相机拍摄视野内；
B3.拍照后依次按照软件中显示绿点位置点击图像中标定点自动获取像素坐标，同时以相机圆心对应到地面的投影点作为原点，相机拍照右侧为X轴正半轴，相机拍摄方向为y轴正半轴建立坐标系，以厘米为单位手动测量图像待标定点对应实际位置，距离相机坐标原点的坐标并填写到软件对应位置中；
B4.标定点选取完成后，点击计算坐标配置生成标定配置文件，配置文件是根据输入信息生成八个点的像素坐标以及实际手动测量的实际坐标，以yaml格式文件进行保存；
C.通过AI物体检测模型和测距软件读取相机实时拍摄的图像，对图像检测识别，结合测距算法计算实际物体的距离；
AI物体检测模型是使用物体检测算法训练得到的，包括以下步骤：
C1.数据集制作标注：对数据中被测目标的选取标注，按照识别距离的要求拍摄物体在不同距离不同角度的照片；
将采集的图像使用数据标注工具进行图像的标注，标明识别的类别内容，被识别物体的标注框的像素坐标值，标注完成将数据集按照比例划分为训练集、验证集、测试集，划分比例为80％，10％，10％，最终生成特定格式的数据集文件；
C2.模型训练：以YOLOv5作为基础网络模型，其中Backbone模块使用一系列残差块(Residual Block)来构建特征提取网络，使用特征金字塔来获取不同尺度的特征图最终训练输出目标检测模型文件；
模型训练是使用C1中制作的数据集结合目标检测算法中提供的预训练模型权重文件作为输入，配置模型训练所需的参数执行训练脚本文件开始训练模型，训练完成会生成对应的AI模型文件；
C3.模型部署：将训练好的模型进行模型转换、优化，压缩为可以在嵌入式运算模块上运行；
C4.实测验证：训练得到的模型在软件中通过函数调用加载模型，使用单目相机采集图像推理识别，在检测到目标物体时，相机画面中将会标注出识别的物体，并且标注目标名称、置信度，物体在图像中的坐标，距离以及帧率信息；
D.根据标定的参数信息来计算转换矩阵，根据转换矩阵逆向计算实际距离。
2.根据权利要求1所述的一种基于单目相机的距离测量方法，其特征在于：所述步骤A中，相机安装配置包括计算距离模式和计算角度模式。
3.根据权利要求2所述的一种基于单目相机的距离测量方法，其特征在于：所述计算距离模式需根据相机安装角度以及安装高度，得到拍摄最远距离。
4.根据权利要求2所述的一种基于单目相机的距离测量方法，其特征在于：所述计算角度模式需根据相机安装高度以及拍摄最远距离，得到安装角度。
5.根据权利要求1所述的一种基于单目相机的距离测量方法，其特征在于：所述目标检测算法中配置模型训练所需的参数包括：
1)配置物体检测类别及数据集中训练集、验证集、测试集的路径；
2)配置模型训练epoch：epoch按照实际训练效果定义，默认300；
3)配置图像分辨率设置：640×480；
4)配置模型预训练模型路径。
6.根据权利要求1所述的一种基于单目相机的距离测量方法，其特征在于：所述步骤C3中，模型转换的流程包括以下步骤：
C31.模型检查，使用专门的模型检测工具链检查训练得到的模型是否可以运行在运算模块上；主要检查的是模型使用到的op算子是否可以运行在运算模块的硬件加速模块上；
C32.模型量化处理，确定模型输入图像分辨率大小；
C33.模型转换，使用专门的模型转换工具链将训练得到的模型转换为运算模块可以运行的格式模型文件；
C34.在运算模块上调用部署好的模型，调用相机实时采集图像进行目标检测验证是否可以正常识别。
CN202310658419.5A 2023-06-06 2023-06-06 一种基于单目相机的距离测量方法 Active CN116681778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310658419.5A CN116681778B (zh) 2023-06-06 2023-06-06 一种基于单目相机的距离测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310658419.5A CN116681778B (zh) 2023-06-06 2023-06-06 一种基于单目相机的距离测量方法

Publications (2)

Publication Number Publication Date
CN116681778A CN116681778A (zh) 2023-09-01
CN116681778B true CN116681778B (zh) 2024-01-09

Family

ID=87790327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310658419.5A Active CN116681778B (zh) 2023-06-06 2023-06-06 一种基于单目相机的距离测量方法

Country Status (1)

Country Link
CN (1) CN116681778B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107218921A (zh) * 2016-12-29 2017-09-29 恩泊泰（天津）科技有限公司 一种基于单目相机的测距方法
CN110297232A (zh) * 2019-05-24 2019-10-01 合刃科技（深圳）有限公司 基于计算机视觉的单目测距方法、装置及电子设备
CN111982072A (zh) * 2020-07-29 2020-11-24 西北工业大学 一种基于单目视觉的目标测距方法
CN112070736A (zh) * 2020-09-01 2020-12-11 上海电机学院 一种结合目标检测和深度计算的物体体积视觉测量方法
CN113409396A (zh) * 2021-05-11 2021-09-17 广州敏视数码科技有限公司 一种adas单目相机的标定方法
CN113436258A (zh) * 2021-06-17 2021-09-24 中国船舶重工集团公司第七0七研究所九江分部 基于视觉与激光雷达融合的海上浮码头检测方法及系统
CN113465573A (zh) * 2021-06-30 2021-10-01 深圳市优必选科技股份有限公司 单目测距方法、装置及智能装置
CN113920183A (zh) * 2021-10-22 2022-01-11 安徽江淮汽车集团股份有限公司 基于单目视觉的车前障碍物测距方法
CN114842443A (zh) * 2022-03-25 2022-08-02 中航华东光电（上海）有限公司 一种基于机器视觉的目标物识别和测距方法、装置、设备及存储介质
CN114943767A (zh) * 2022-05-16 2022-08-26 北京铁科时代科技有限公司 基于单目视觉的障碍物类型和距离识别方法、装置、介质和设备
CN115046497A (zh) * 2022-06-28 2022-09-13 长春师范大学 一种基于光栅投影测量系统的改进标定方法
CN115082811A (zh) * 2022-07-27 2022-09-20 大连海事大学 一种依据图像数据的海上航行船舶识别与距离测量的方法
CN115082555A (zh) * 2022-05-23 2022-09-20 西安航天动力试验技术研究所 一种rgbd单目相机的高精度位移实时测量系统及方法
CN115439550A (zh) * 2021-11-01 2022-12-06 天津五八驾考信息技术有限公司 一种相机标定方法、测距方法、设备及存储介质
CN115471542A (zh) * 2022-05-05 2022-12-13 济南大学 一种基于YOLO v5的包装物双目识别定位方法
CN115523847A (zh) * 2022-09-19 2022-12-27 武汉高德智感科技有限公司 单目相机测距的方法和系统
CN115546297A (zh) * 2022-09-20 2022-12-30 深圳市优必选科技股份有限公司 单目测距方法、装置、电子设备及存储介质
CN115861441A (zh) * 2022-12-14 2023-03-28 杭州电子科技大学 基于单目视觉的内河船舶干舷自动测量方法
CN115862057A (zh) * 2022-11-18 2023-03-28 贵州电网有限责任公司 一种便捷式单目测距的人体异常行为检测方法
CN115984766A (zh) * 2022-12-08 2023-04-18 中国矿业大学 一种煤矿井下快速单目视觉三维目标检测方法
CN116071424A (zh) * 2022-11-30 2023-05-05 西南林业大学 基于单目视觉的果实空间坐标定位方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110926408A (zh) * 2019-12-04 2020-03-27 北京中科慧眼科技有限公司 基于特征物的近距离测距方法、装置、系统和存储介质
TWI777153B (zh) * 2020-04-21 2022-09-11 和碩聯合科技股份有限公司 影像辨識方法及其裝置及人工智慧模型訓練方法及其裝置
CN112668460A (zh) * 2020-12-25 2021-04-16 北京百度网讯科技有限公司 目标检测方法、电子设备、路侧设备和云控平台

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107218921A (zh) * 2016-12-29 2017-09-29 恩泊泰（天津）科技有限公司 一种基于单目相机的测距方法
CN110297232A (zh) * 2019-05-24 2019-10-01 合刃科技（深圳）有限公司 基于计算机视觉的单目测距方法、装置及电子设备
CN111982072A (zh) * 2020-07-29 2020-11-24 西北工业大学 一种基于单目视觉的目标测距方法
CN112070736A (zh) * 2020-09-01 2020-12-11 上海电机学院 一种结合目标检测和深度计算的物体体积视觉测量方法
CN113409396A (zh) * 2021-05-11 2021-09-17 广州敏视数码科技有限公司 一种adas单目相机的标定方法
CN113436258A (zh) * 2021-06-17 2021-09-24 中国船舶重工集团公司第七0七研究所九江分部 基于视觉与激光雷达融合的海上浮码头检测方法及系统
CN113465573A (zh) * 2021-06-30 2021-10-01 深圳市优必选科技股份有限公司 单目测距方法、装置及智能装置
CN113920183A (zh) * 2021-10-22 2022-01-11 安徽江淮汽车集团股份有限公司 基于单目视觉的车前障碍物测距方法
CN115439550A (zh) * 2021-11-01 2022-12-06 天津五八驾考信息技术有限公司 一种相机标定方法、测距方法、设备及存储介质
CN114842443A (zh) * 2022-03-25 2022-08-02 中航华东光电（上海）有限公司 一种基于机器视觉的目标物识别和测距方法、装置、设备及存储介质
CN115471542A (zh) * 2022-05-05 2022-12-13 济南大学 一种基于YOLO v5的包装物双目识别定位方法
CN114943767A (zh) * 2022-05-16 2022-08-26 北京铁科时代科技有限公司 基于单目视觉的障碍物类型和距离识别方法、装置、介质和设备
CN115082555A (zh) * 2022-05-23 2022-09-20 西安航天动力试验技术研究所 一种rgbd单目相机的高精度位移实时测量系统及方法
CN115046497A (zh) * 2022-06-28 2022-09-13 长春师范大学 一种基于光栅投影测量系统的改进标定方法
CN115082811A (zh) * 2022-07-27 2022-09-20 大连海事大学 一种依据图像数据的海上航行船舶识别与距离测量的方法
CN115523847A (zh) * 2022-09-19 2022-12-27 武汉高德智感科技有限公司 单目相机测距的方法和系统
CN115546297A (zh) * 2022-09-20 2022-12-30 深圳市优必选科技股份有限公司 单目测距方法、装置、电子设备及存储介质
CN115862057A (zh) * 2022-11-18 2023-03-28 贵州电网有限责任公司 一种便捷式单目测距的人体异常行为检测方法
CN116071424A (zh) * 2022-11-30 2023-05-05 西南林业大学 基于单目视觉的果实空间坐标定位方法
CN115984766A (zh) * 2022-12-08 2023-04-18 中国矿业大学 一种煤矿井下快速单目视觉三维目标检测方法
CN115861441A (zh) * 2022-12-14 2023-03-28 杭州电子科技大学 基于单目视觉的内河船舶干舷自动测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于单目视觉的障碍物检测方法研究;李斌;;电子世界(第17期);全文 *
基于计算机视觉的目标测距算法;陈立功;李柯达;张泽宇;于晗;王欣怡;;弹箭与制导学报(第02期);全文 *

Also Published As

Publication number Publication date
CN116681778A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN109297413B (zh) 一种大型筒体结构视觉测量方法
CN111753712A (zh) 电力生产人员安全监测方法、系统以及设备
CN116092199B (zh) 一种员工工作状态识别方法及识别系统
CN111626665A (zh) 一种基于双目视觉的智能物流系统及方法
CN113132717A (zh) 数据处理方法、终端和服务器
CN111179335A (zh) 一种基于双目视觉的立木测定方法
CN109859216B (zh) 基于深度学习的测距方法、装置、设备及存储介质
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别系统
CN115376000A (zh) 一种水下测量方法、设备及计算机可读存储介质
CN108871185A (zh) 零件检测的方法、装置、设备以及计算机可读存储介质
EP2310799B1 (en) Stereoscopic measurement system and method
CN112308926A (zh) 一种无公共视场的相机外参标定方法
CN110044266B (zh) 基于散斑投影的摄影测量系统
CN113340405B (zh) 桥梁振型的测量方法、装置及系统
CN113237896B (zh) 一种基于光源扫描的家具板材动态监测系统及方法
CN116681778B (zh) 一种基于单目相机的距离测量方法
CN106092016B (zh) 一种基于深度传感器的林木材积自动检尺系统及方法
CN101980299B (zh) 基于棋盘标定的摄像机映射方法
CN109740458B (zh) 一种基于视频处理的体貌特征测量方法及系统
CN104034729A (zh) 用于电路板分选的五维成像系统及其成像方法
CN111768448A (zh) 一种基于多相机检测的空间坐标系标定方法
CN114648575A (zh) 一种基于orb算法的轨道边坡位移双目视觉检测方法及系统
CN115717865A (zh) 环形结构全场变形测量方法
CN115327480A (zh) 声源定位方法与系统
AU2009249003B2 (en) Stereoscopic measurement system and method

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