CN117506919A - 一种手眼标定方法、装置、终端设备及存储介质 - Google Patents
一种手眼标定方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN117506919A CN117506919A CN202311643429.8A CN202311643429A CN117506919A CN 117506919 A CN117506919 A CN 117506919A CN 202311643429 A CN202311643429 A CN 202311643429A CN 117506919 A CN117506919 A CN 117506919A
- Authority
- CN
- China
- Prior art keywords
- coordinate information
- eye calibration
- hand
- camera
- camera coordinate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000013519 translation Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004806 packaging method and process Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Abstract
本申请适用于机器视觉领域,提供了一种手眼标定方法、装置、终端设备及存储介质,所述标定方法包括:获取圆形特征的相机坐标信息;获取所述圆形特征的机器坐标信息;根据所述相机坐标信息及所述机器坐标信息,得到初始手眼标定矩阵;根据所述相机坐标信息及所述机器坐标信息,确定位姿误差;基于所述位姿误差优化所述初始手眼标定矩阵。在本申请中,考虑到了手眼标定中运动物体在运动方向上的位姿误差,根据误差优化手眼标定矩阵的参数,提高了手眼标定的精确度。
Description
技术领域
本申请属于机器视觉领域,尤其涉及一种手眼标定方法及装置。
背景技术
随着智能工业和智能制造的快速发展,机器人在制造领域扮演着日益重要的角色,然而,要实现高效精准的生产操作,机器人需要机器视觉来帮助获取准确的感知和定位能力,其中,手眼标定尤为重要。手眼标定指的是机器人的“手”与摄像头的“眼”互相配合,在机器人与摄像头各自的感知坐标系进行标定,以便于互相切换各自的感知坐标系,让“眼”帮助“手”对操作物体进行定位。
目前虽然存在一些手眼标定方法,但都对相机或者标定块具有一定的要求,且大多用于静态工作场景,使用场景不够灵活,不能够消除运动物体方向上的误差,存在手眼标定无法消除运动物体在运动方向上的位姿误差的问题,亟需解决。
发明内容
本申请实施例提供了一种手眼标定方法及装置,可以考虑到了手眼标定中运动物体在运动方向上的误差,根据误差优化手眼标定矩阵的参数,提高了手眼标定的精确度,解决现有技术中手眼标定无法消除运动物体在运动方向上的误差的问题。
第一方面,本申请实施例提供了一种手眼标定方法,包括:
获取圆形特征的相机坐标信息;获取所述圆形特征的机器坐标信息;根据所述相机坐标信息及所述机器坐标信息,得到初始手眼标定矩阵;根据所述相机坐标信息及所述机器坐标信息,确定位姿误差;基于所述位姿误差优化所述初始手眼标定矩阵。
示例性的,所述圆形特征包括圆心,也即所述相机坐标信息及所述机器坐标信息包括圆心的在相机坐标系及机器坐标系上的坐标。
在第一方面的一种可能的实现方式中,上述根据所述相机坐标信息及所述机器坐标信息,确定位姿误差,具体可以为:确定圆形特征在偏差轴上的位姿误差。上述基于所述位姿误差优化所述初始手眼标定矩阵,具体可以为,根据该偏差轴上的位姿误差,确定更新量,根据该更新量优化上述初始手眼标定矩阵。
应理解,机器坐标系的x轴-y轴所在的平面应与运动物体的运动方向平行;该偏差轴指的是运动物体在运动方向上运动时对手眼标定下影响最大的机器坐标系的x轴或y轴。优选地,机器坐标系的x轴或y轴应与运动物体的运动方向平行,具体地,该运动物体在传送带上运动,机器坐标系的x轴或y轴与传送带的运动方向平行,此时该运动物体的运动方向与上述偏差轴平行。
第二方面,本申请实施例提供了一种手眼标定装置,包括:
相机坐标信息获取模块,用于获取圆形特征的相机坐标信息;机器坐标信息获取模块,用于获取所述圆形特征的机器坐标信息;模块,用于根据所述相机坐标信息及所述机器坐标信息,得到初始手眼标定矩阵;模块,用于根据所述相机坐标信息及所述机器坐标信息,确定位姿误差;模块,用于基于所述位姿误差优化所述初始手眼标定矩阵。
第三方面,本申请实施例提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的标定方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,包括:所述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第一方面中任一项所述的标定方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的标定方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请提供的手眼标定方法,相对于现有技术,考虑到了手眼标定中运动物体在运动方向上的误差,根据误差优化手眼标定矩阵的参数,提高了手眼标定的精确度,解决现有技术中手眼标定无法消除运动物体在运动方向上的误差的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的标定方法的实现流程图;
图2是本申请一实施例提供的应用场景示意图;
图3是本申请第二实施例提供的标定方法的实现流程图;
图4是本申请第三实施例提供的标定方法的实现流程图;
图5是本申请第四实施例提供的标定方法的实现流程图;
图6是本申请第五实施例提供的标定方法的实现流程图;
图7是本申请第六实施例提供的标定方法的实现流程图;
图8是本申请一实施例提供的标定装置的结构示意图;
图9是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
在本申请实施例中,流程的执行主体为终端设备。该终端设备包括但不限于:服务器、计算机、智能手机以及平板电脑等能够执行本申请提供的标定方法的设备。优选地,该终端设备为机器控制设备,该终端设备能够获取相机传输的相机图像以及根据相机图像以及手眼标定矩阵确定运动物体的机器坐标,指示机器人或机器臂根据该机器坐标精准地对运动物体进行操作。图1示出了本申请第一实施例提供的标定方法的实现流程图,详述如下:
在S101中,获取圆形特征的相机坐标信息。
在本实施例中,该圆形特征可以是在标定块上预先标识的,上述获取圆形特征的相机坐标信息,具体可以为:通过相机获取关于该标定块的初始标定图像;识别出该初始标定图像中该标定块上的该圆形特征,并确定该圆形特征的圆心的像素坐标及相机深度;基于该相机的内参数,将该圆心的像素坐标及相机深度,转换得到该圆心的相机坐标。
示例性地,在S101中可以获取多个圆形特征的相机坐标信息,各个圆形特征的圆心互不相同,上述相机坐标信息包括多个圆形特征的圆心的相机坐标。
应理解,该相机优选3D相机,可以确定成像图像中各个像素点的相机深度。上述识别出该初始标定图像中该标定块上的该圆形特征,具体可以选用特征匹配算法,全局匹配算法,局部匹配算法,半全局匹配算法,或者基于深度学习的匹配方法等方法,在此不做限定。上述相机的内参数是基于现有相关标定方法预先确定的,在此不再赘述。
在S102中,获取所述圆形特征的机器坐标信息。
在本实施例中,上述获取所述圆形特征的机器坐标信息,具体可以为:以一个圆形特征为例进行说明,通过将机器末端移动到该圆形特征的圆心上,根据示教器确定该圆形特征的圆心在机器坐标系下的机器坐标。该示教器用于确定该机器末端当前所在位置在该机器坐标系下的坐标信息。
应理解,该圆形特征可以是在标定块上预先标识的,需要在该标定块上确定该圆形特征的圆心,再将机器末端移动到该圆形特征的圆心上。上述机器坐标信息可以包括多个圆形特征的圆心的机器坐标。
在S103中,根据所述相机坐标信息及所述机器坐标信息,得到初始手眼标定矩阵。
在本实施例中,上述根据所述相机坐标信息及所述机器坐标信息,得到初始手眼标定矩阵,具体可以为:通过SVD奇异值分解的方法求解该初始手眼标定矩阵。具体地,将该相机坐标信息包括的所有上述圆形特征的圆心的相机坐标作为圆心相机点集Pcam,将该机器坐标信息包括的所有上述圆形特征的圆心的机器坐标作为圆心机器点集Pbase,确定初始误差函数为
其中,xi为该Pcam中第i个圆形特征的圆心的相机坐标,yi为Pbase中第i个圆形特征的圆心的机器坐标,n为上述圆形特征的数量,E为初始误差,R为相机坐标系到机器坐标系的旋转矩阵,t为相机坐标系到机器坐标系的旋转矩阵的平移矩阵。求解该初始误差最小时的R以及t,具体详述如下:
引入Pcam的质心xo以及Pbase的质心yo,将该初始误差函数化简为
也即求解R使得trace(RH)最大,其中H为协方差矩阵,公式如下:
其中,x′i为xi到xo的距离,也即Pcam中第i个圆形特征的圆心的质心距;y′i为yi到yo的距离,也即Pbase中第i个圆形特征的圆心的质心距;对H进行SVD分解,使得H=UεVT,其中,U以及V为正交矩阵,均由对称矩阵HHT的特征向量组成;ε为对角矩阵,由对称矩阵HHT或HTH的特征值的开平方组成,称为奇异值;则上述转化为得到解R=VUT,对于上述t,得到t=yo―Rxo;根据R以及t,得到初始手眼标定矩阵/>
在S104中,根据所述相机坐标信息及所述机器坐标信息,确定位姿误差。
在本实施例中,该位姿误差的计算函数如下:
其中error为位姿误差。
应理解,机器坐标系的x轴-y轴所在的平面应与运动物体的运动方向平行;优选地,机器坐标系的x轴或y轴应与运动物体的运动方向平行,具体地,该运动物体在传送带上运动,机器坐标系的x轴或y轴与传送带的运动方向平行,此时上述位姿误差可以不考虑机器坐标系z轴上的数据。具体可参照图2,图2示出了本申请一实施例提供的应用场景示意图,图2中机器坐标系的y轴与标定块的运动方向平行。
在S105中,基于所述位姿误差优化所述初始手眼标定矩阵。
在本实施例中,上述基于所述位姿误差优化所述初始手眼标定矩阵,具体地,基于该位姿误差确定更新量,基于该更新量优化该初始手眼标定矩阵;示例性地,基于该更新量优化该初始手眼标定矩阵在机器坐标系x轴-y轴所在平面的平移参数;优选地,基于该更新量优化该初始手眼标定矩阵在机器坐标系x轴或y轴上的平移参数。应理解,该更新量的更新方向与该位姿误差的误差方向相反,示例性地,该更新量为-error。具体地,根据该更新量优化该初始手眼标定矩阵在x轴或y轴上的特征值。
在本实施例中,考虑到了手眼标定中运动物体在运动方向上的运动误差,根据误差优化手眼标定矩阵的参数,提高了手眼标定的精确度。
图3示出了本申请第二实施例提供的标定方法的实现流程图。参见图3,相对于图1所述实施例,本实施例提供的标定方法包括S301~S304,具体详述如下:
进一步地,所述获取圆形特征的相机坐标信息,包括:
在S301中,获取多张关于标定块的初始图像。
在本实施例中,通过相机获取多张关于标定块的初始图像,具体可参见图2(相机在图2未示出)。一般地,该初始图像为二维图像,可以不包含相机深度。示例性地,可以通过3D相机获取包含相机深度的成像图像,再通过降维等手段提取得到上述初始图像;也可以直接通过线阵相机或面阵相机等二维相机得到上述初始图像,后续确定相机坐标时,通过其他获取相机深度的功能部件补充该初始图像各个像素点的相机深度即可。
在S302中,对初始图像进行二值化处理,得到二值化图像。
在本实施例中,上述对初始图像进行二值化处理,得到二值化图像,具体可以为:预设灰度阈值,将大于或等于该灰度阈值的像素点设为灰度极大值像素点,将小于该灰度阈值的像素点设为灰度极小值像素点。一般地,灰度极大值像素点为像素灰度为255的像素点,灰度极小值像素点为像素灰度为0的像素点。
应理解,该初始图像可以为灰度图像,以便后续对初始图像进行二值化处理;或,在对初始图像进行二值化处理,先对该初始图像进行灰度化处理。
在S303中,根据所述二值化图像确定所述圆形特征的圆心点集。
在本实施例中,上述根据所述二值化图像确定所述圆形特征的圆心点集,具体可以为:对该二值化图像进行梯度计算,得到该二值化的像素梯度信息;对该二值化图像中的所有像素点将进行计数,具体地,预设最小半径及最大半径,遍历该二值化图像中的所有有效像素点,以一个有效像素点为例进行说明,对该有效像素点在该像素梯度信息中的正梯度方向以及反梯度方向上的该最小半径到该最大半径之间的所有像素点进行一次计数;将计数值大于预设计数阈值的像素点作为圆心封装至上述圆形特征的圆心点集。
应理解,上述有效像素点为像素灰度大于或等于上述灰度阈值的像素点。优选地,该有效像素点可以为根据该像素梯度信息对该二值化图像进行边缘提取确定的边缘像素点。该最小半径及该最大半径是根据上述标定块的尺寸进行确定的,示例性地,还可以根据该标定块上的圆心特征的大小进行确定。
在S304中,将所述圆心点集中各个圆心对应的相机坐标封装至所述圆形特征的相机坐标信息。
在本实施例中,上述将所述圆心点集中各个圆心对应的相机坐标封装至所述圆形特征的相机坐标信息,具体可以为:确定该圆心点集中各个圆心在上述初始图像中的像素坐标,确定该圆心点集中各个圆心相对于上述相机的相机深度;基于该相机的内参数,将该圆心的像素坐标及相机深度,转换得到该圆心点集中各个圆心的相机坐标,将该圆心点集中各个圆心的相机坐标封装至所述圆形特征的相机坐标信息。
在本实施例中,通过对初始图像进行特征提取,提取该初始图像中圆形特征的圆心,以便于后续优化初始手眼标定矩阵。其中,对初始图像进行二值化,便于去除背景像素点,避免在后续步骤中加入太多不属于圆形特征的像素点从而影响精度,提高计算速度;在梯度正反反向寻找圆心,引入圆上的点梯度方向指向圆心,提高寻找圆心的精度;预设计数阈值,提高寻找到的圆心的准确度。
图4示出了本申请第三实施例提供的标定方法的实现流程图。参见图4,相对于图3所述实施例,本实施例提供的标定方法包括S401,具体详述如下:
进一步地,所述将所述圆心点集中各个圆心对应的相机坐标封装至所述圆形特征的相机坐标信息之前,还包括:
在S401中,对所述圆心点集中各个圆心进行非极大值抑制。
在本实施例中,上述对所述圆心点集中各个圆心进行非极大值抑制,具体可以为:以一个圆心为例进行说明,确定该圆心附近8领域内的点的计数值,若该圆心的计数值小于或等于该圆心附近8领域内的所有点的计数值,则对该圆心进行抑制,具体地,将该圆心在上述圆心点集中剔除。
在本实施例中,剔除准确度更高的圆心附近的像素点,提高圆心精度,减少圆心点集的圆心数量,提高后续步骤的计算速度。
图5示出了本申请第四实施例提供的标定方法的实现流程图。参见图5,相对于图3或图4述实施例,本实施例提供的标定方法包括S501~S502,具体详述如下:
进一步地,所述将所述圆心点集中各个圆心对应的相机坐标封装至所述圆形特征的相机坐标信息之前,还包括:
在S501中,确定所述圆心点集中各个圆心对应的点距离集。
在本实施例中,该点距离集包括该圆心与在该圆心点集的其他所有圆心之间的距离。上述确定所述圆心点集中各个圆心对应的点距离集,具体可以为:确定该圆心点集中各个圆心在上述初始图像中的像素坐标;以一个圆心为例进行说明,确定该圆心与其他所有在该圆心点集的圆心位于像素坐标系上的距离值,封装得到上述点距离集。
在S502中,从所述圆心点集中剔除所述点距离集中不存在有效距离的圆心。
在本实施例中,该有效距离指的是上述最小半径与上述最大半径之间的值,也即该有效距离为大于或等于该最小半径且小于或等于该最大半径的距离。上述从所述圆心点集中剔除所述点距离集中不存在有效距离的圆心,具体可以为:以一个圆心为例进行说明,遍历该圆心的点距离集中所有距离值,若在该点距离集中不存在大于或等于该最小半径且小于或等于该最大半径的距离值,则将该圆心从该圆心点集中剔除。
在本实施例中,剔除该圆心点集中较为边缘的圆心,提高圆心精度,减少圆心点集的圆心数量,提高后续步骤的计算速度。
图6示出了本申请第五实施例提供的标定方法的实现流程图。参见图6,相对于图1所述实施例,本实施例提供的标定方法包括S601~S602,具体详述如下:
进一步地,所述根据所述相机坐标信息及所述机器坐标信息,确定位姿误差,包括:
在S601中,基于所述相机坐标信息、所述机器坐标信息以及所述初始手眼标定矩阵确定机器坐标系的偏差轴。
在本实施例中,机器坐标系的x轴-y轴所在的平面应与运动物体的运动方向平行,优选地,机器坐标系的x轴或y轴应与运动物体的运动方向平行,也即,为了消除运动物体在运动方向上的运动误差,需要确定运动误差影响较大的机器坐标系的偏差轴。
作为示例而非限定,分别计算机器坐标系的x轴和y轴的偏差值,计算公式如下:
其中,Perror为偏差值,应理解,具体计算时,只需考虑x轴或y轴上的数值。将偏差值较大的轴作为上述偏差轴。
在S602中,确定所述位姿误差在所述偏差轴上的平移梯度信息。
在本实施例中,该位姿误差的计算函数具体可参照上述S104的描述,在此不再赘述。该平移梯度信息的计算式如下:
其中,为梯度分量计算式,error为位姿误差,translationdimension为上述初始手眼标定在偏差轴上的平移参数,translation代表平移参数,dimension代表偏差轴。应理解,该初始手眼标定在偏差轴上的平移值一般为已知量,则上述梯度分量计算式可化简为式为/>
应理解,在某些实施例中,确定偏差轴后,上述位姿误差可以只考虑偏差轴上的误差,减少计算量。
在本实施例中,确定偏差轴,确定位姿误差在偏差轴上的平移梯度信息,以更精准地描述运动方向上的运动误差,基于该平移梯度信息可以确定更新量是往位姿误差在偏差轴上梯度下降的方向对该初始手眼标定矩阵进行优化,以便于后续根据该更新量优化该初始手眼标定矩阵中在该偏差轴上的特征值。
图7示出了本申请第六实施例提供的标定方法的实现流程图。参见图7,相对于图6所述实施例,本实施例提供的标定方法包括S701~S703,具体详述如下:
进一步地,所述基于所述位姿误差优化所述初始手眼标定矩阵,包括:
在S701中,基于所述平移梯度信息及回溯线搜索法确定步长。
在本实施例中,上述基于所述平移梯度信息及回溯线搜索法确定步长,具体如下:当不满足充分下降条件时,对步长进行更新,直至满足该充分下降条件,当满足该充分下降条件时确定该步长,该充分下降条件的公式如下:
其中,令pk为梯度下降方向,可以根据上述平移梯度信息确定,步长为a,算法参数为c1,xk为上述初始手眼标定矩阵在该偏差轴上的平移值。当满足该充分下降条件时
上述对步长进行更新的更新公式如下:a=β*a,其中,β为步长更新参数。应理解,上述a和β的值可以预先设置。
在S702中,基于所述平移梯度信息及所述步长计算得到更新量。
在本实施例中,该更新量的计算公式如下:
其中,Δw为更新量,step为上述S701确定的步长。
在S703中,基于所述更新量迭代优化所述初始手眼标定矩阵。
在本实施例中,上述基于所述更新量迭代优化所述初始手眼标定矩阵,具体可以为:以一次优化为例进行说明,根据该更新量优化该初始手眼标定矩阵在偏差轴的平移参数,具体地,把该更新量累加在该初始手眼标定矩阵的平移值上。
应理解,在每次优化初始手眼标定矩阵后,上述S104~S105所述的位姿误差以及初始手眼标定矩阵也进行相应的更新;上述S601~S602以及S701~S703所述的相关参数亦要进行相应的更新。
在本实施例中,通过回溯线搜索算法确定步长,进一步确定更新量,确保往该位姿误差在偏差轴上的梯度下降方向上对初始手眼标定矩阵进行优化,消除运动物体在运动方向上的运动误差,提高了手眼标定的精确度。
在某些实施例中,进一步地,所述基于所述更新量迭代优化所述初始手眼标定,包括:在所述更新量小于预设更新阈值或所述位姿误差函数的值小于或等于预设最小误差,则停止基于所述更新量迭代优化所述初始手眼标定。
在本实施例中,上述迭代优化该初始手眼标定的停止条件具体可以为:在某一次优化完成后,上述更新量小于预设更新阈值,或上述位姿误差小于或等于预设最小误差。确保手眼标定的误差在可接受范围内,保证了手眼标定的精确度。
对应于上文实施例所述的方法,图8示出了本申请一实施例提供的标定装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图8,该标定装置包括:相机坐标信息获取模块,用于获取圆形特征的相机坐标信息;机器坐标信息获取模块,用于获取所述圆形特征的机器坐标信息;手眼标定模块,用于根据所述相机坐标信息及所述机器坐标信息,得到初始手眼标定矩阵;位姿误差模块,用于根据所述相机坐标信息及所述机器坐标信息,确定位姿误差;优化模块,用于基于所述位姿误差优化所述初始手眼标定矩阵。
可选的,相机坐标信息获取模块包括:初始图像获取模块,用于获取多张关于标定块的初始图像;二值化模块,用于对初始图像进行二值化处理,得到二值化图像;圆心提取模块,用于根据所述二值化图像确定所述圆形特征的圆心点集;相机坐标信息确定模块,用于将所述圆心点集中各个圆心对应的相机坐标封装至所述圆形特征的相机坐标信息。
可选的,相机坐标信息获取模块还包括:非极大值抑制模块,用于对所述圆心点集中各个圆心进行非极大值抑制。
可选的,相机坐标信息获取模块还包括:点距离模块,用于确定所述圆心点集中各个圆心对应的点距离集;剔除模块,用于从所述圆心点集中剔除所述点距离集中不存在有效距离的圆心。
可选的,位姿误差模块包括:偏差轴确定模块,用于基于所述相机坐标信息、所述机器坐标信息以及所述初始手眼标定矩阵确定机器坐标系的偏差轴;平移梯度信息确定模块,用于确定所述位姿误差在所述偏差轴上的平移梯度信息。
可选的,优化模块包括:步长确定模块,用于基于所述位姿误差函数及回溯线搜索法确定步长;更新量计算模块,用于根据所述步长计算得到更新量;迭代优化模块,用于基于所述更新量迭代优化所述初始手眼标定矩阵。
可选的,迭代优化模块还用于,在所述更新量小于预设更新阈值或所述位姿误差函数的值小于或等于预设最小误差,则停止基于所述更新量迭代优化所述初始手眼标定。
需要说明的是,上述装置之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图9示出了本申请一实施例提供的终端设备的结构示意图。如图9所示,该实施例的终端设备9包括:至少一个处理器90(图9中仅示出一个处理器)、存储器91以及存储在所述存储器91中并可在所述至少一个处理器90上运行的计算机程序92,所述处理器90执行所述计算机程序92时实现上述任意各个方法实施例中的步骤。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是终端设备9的举例,并不构成对终端设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),该处理器90还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91在一些实施例中可以是所述终端设备9的内部存储单元,例如终端设备9的硬盘或内存。所述存储器91在另一些实施例中也可以是所述终端设备9的外部存储设备,例如所述终端设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种手眼标定方法,其特征在于,包括:
获取圆形特征的相机坐标信息;
获取所述圆形特征的机器坐标信息;
根据所述相机坐标信息及所述机器坐标信息,得到初始手眼标定矩阵;
根据所述相机坐标信息及所述机器坐标信息,确定位姿误差;
基于所述位姿误差优化所述初始手眼标定矩阵。
2.如权利要求1所述的标定方法,其特征在于,所述获取圆形特征的相机坐标信息,包括:
获取多张关于标定块的初始图像;
对初始图像进行二值化处理,得到二值化图像;
根据所述二值化图像确定所述圆形特征的圆心点集;
将所述圆心点集中各个圆心对应的相机坐标封装至所述圆形特征的相机坐标信息。
3.如权利要求2所述的标定方法,其特征在于,所述将所述圆心点集中各个圆心对应的相机坐标封装至所述圆形特征的相机坐标信息之前,还包括:
对所述圆心点集中各个圆心进行非极大值抑制。
4.如权利要求2或3所述的标定方法,其特征在于,所述将所述圆心点集中各个圆心对应的相机坐标封装至所述圆形特征的相机坐标信息之前,还包括:
确定所述圆心点集中各个圆心对应的点距离集;
从所述圆心点集中剔除所述点距离集中不存在有效距离的圆心。
5.如权利要求1所述的标定方法,其特征在于,所述根据所述相机坐标信息及所述机器坐标信息,确定位姿误差,包括:
基于所述相机坐标信息、所述机器坐标信息以及所述初始手眼标定矩阵确定机器坐标系的偏差轴;
确定所述位姿误差在所述偏差轴上的平移梯度信息。
6.如权利要求5所述的标定方法,其特征在于,所述基于所述位姿误差优化所述初始手眼标定矩阵,包括:
基于所述平移梯度信息及回溯线搜索法确定步长;
基于所述平移梯度信息及所述步长计算得到更新量;
基于所述更新量迭代优化所述初始手眼标定矩阵。
7.如权利要求6所述的标定方法,其特征在于,所述基于所述更新量迭代优化所述初始手眼标定,包括:
在所述更新量小于预设更新阈值或所述位姿误差函数的值小于或等于预设最小误差,则停止基于所述更新量迭代优化所述初始手眼标定。
8.一种手眼标定装置,其特征在于,包括:
相机坐标信息获取模块,用于获取圆形特征的相机坐标信息;
机器坐标信息获取模块,用于获取所述圆形特征的机器坐标信息;
手眼标定模块,用于根据所述相机坐标信息及所述机器坐标信息,得到初始手眼标定矩阵;
位姿误差模块,用于根据所述相机坐标信息及所述机器坐标信息,确定位姿误差;
优化模块,用于基于所述位姿误差优化所述初始手眼标定矩阵。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述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如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643429.8A CN117506919A (zh) | 2023-12-01 | 2023-12-01 | 一种手眼标定方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643429.8A CN117506919A (zh) | 2023-12-01 | 2023-12-01 | 一种手眼标定方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117506919A true CN117506919A (zh) | 2024-02-06 |
Family
ID=89758694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311643429.8A Pending CN117506919A (zh) | 2023-12-01 | 2023-12-01 | 一种手眼标定方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117506919A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390591A (zh) * | 2014-11-27 | 2015-03-04 | 上海江南长兴造船有限责任公司 | 大型曲面板测量中圆形标记物的精确定位方法 |
CN109910016A (zh) * | 2019-04-22 | 2019-06-21 | 亿嘉和科技股份有限公司 | 基于多自由度机械臂的视觉采集标定方法、装置及系统 |
CN112308963A (zh) * | 2020-11-13 | 2021-02-02 | 四川川大智胜软件股份有限公司 | 一种无感三维人脸重建方法及采集重建系统 |
CN113288429A (zh) * | 2021-05-07 | 2021-08-24 | 山东商业职业技术学院 | 一种乳腺微创介入手术机器人空间配准与实时导航方法 |
CN113442169A (zh) * | 2021-06-16 | 2021-09-28 | 武汉联影智融医疗科技有限公司 | 机器人的手眼标定方法、装置、计算机设备和可读存储介质 |
CN114193444A (zh) * | 2021-11-11 | 2022-03-18 | 湖北工业大学 | 一种机器人手眼标定方法、系统、设备及介质 |
CN114290338A (zh) * | 2022-03-03 | 2022-04-08 | 龙旗电子(惠州)有限公司 | 二维手眼标定方法、设备、存储介质及程序产品 |
CN114833832A (zh) * | 2022-05-11 | 2022-08-02 | 厦门微亚智能科技有限公司 | 一种机器人手眼标定方法、装置、设备及可读存储介质 |
CN115246123A (zh) * | 2021-11-17 | 2022-10-28 | 昆明理工大学 | 一种基于单目移动视觉的机器人运动学参数标定方法及系统 |
CN115625709A (zh) * | 2022-10-31 | 2023-01-20 | 深圳市凌云视迅科技有限责任公司 | 一种手眼标定方法、装置和计算机设备 |
CN115908708A (zh) * | 2022-11-16 | 2023-04-04 | 南京农业大学 | 基于Kinect的植物群体全局三维重建方法 |
CN117095002A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市信润富联数字科技有限公司 | 轮毂缺陷的检测方法及装置、存储介质 |
-
2023
- 2023-12-01 CN CN202311643429.8A patent/CN117506919A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390591A (zh) * | 2014-11-27 | 2015-03-04 | 上海江南长兴造船有限责任公司 | 大型曲面板测量中圆形标记物的精确定位方法 |
CN109910016A (zh) * | 2019-04-22 | 2019-06-21 | 亿嘉和科技股份有限公司 | 基于多自由度机械臂的视觉采集标定方法、装置及系统 |
CN112308963A (zh) * | 2020-11-13 | 2021-02-02 | 四川川大智胜软件股份有限公司 | 一种无感三维人脸重建方法及采集重建系统 |
CN113288429A (zh) * | 2021-05-07 | 2021-08-24 | 山东商业职业技术学院 | 一种乳腺微创介入手术机器人空间配准与实时导航方法 |
CN113442169A (zh) * | 2021-06-16 | 2021-09-28 | 武汉联影智融医疗科技有限公司 | 机器人的手眼标定方法、装置、计算机设备和可读存储介质 |
CN114193444A (zh) * | 2021-11-11 | 2022-03-18 | 湖北工业大学 | 一种机器人手眼标定方法、系统、设备及介质 |
CN115246123A (zh) * | 2021-11-17 | 2022-10-28 | 昆明理工大学 | 一种基于单目移动视觉的机器人运动学参数标定方法及系统 |
CN114290338A (zh) * | 2022-03-03 | 2022-04-08 | 龙旗电子(惠州)有限公司 | 二维手眼标定方法、设备、存储介质及程序产品 |
CN114833832A (zh) * | 2022-05-11 | 2022-08-02 | 厦门微亚智能科技有限公司 | 一种机器人手眼标定方法、装置、设备及可读存储介质 |
CN115625709A (zh) * | 2022-10-31 | 2023-01-20 | 深圳市凌云视迅科技有限责任公司 | 一种手眼标定方法、装置和计算机设备 |
CN115908708A (zh) * | 2022-11-16 | 2023-04-04 | 南京农业大学 | 基于Kinect的植物群体全局三维重建方法 |
CN117095002A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市信润富联数字科技有限公司 | 轮毂缺陷的检测方法及装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322500B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
CN111178250B (zh) | 物体识别定位方法、装置及终端设备 | |
CN112528831B (zh) | 多目标姿态估计方法、多目标姿态估计装置及终端设备 | |
EP3766644A1 (en) | Workpiece picking device and workpiece picking method | |
CN111612841A (zh) | 目标定位方法及装置、移动机器人及可读存储介质 | |
CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
CN109955244B (zh) | 一种基于视觉伺服的抓取控制方法、装置和机器人 | |
CN112336342B (zh) | 手部关键点检测方法、装置及终端设备 | |
CN109828250B (zh) | 一种雷达标定方法、标定装置及终端设备 | |
CN108182708B (zh) | 一种双目相机的标定方法、标定装置及终端设备 | |
CN111709999A (zh) | 标定板、相机标定方法、装置、电子设备及相机系统 | |
CN111767965B (zh) | 图像匹配方法、装置、电子设备及存储介质 | |
CN109685764B (zh) | 产品定位方法、装置及终端设备 | |
KR20170036747A (ko) | 장면 내 키포인트를 추적하기 위한 방법 | |
CN111145634B (zh) | 一种校正地图的方法及装置 | |
CN114549599A (zh) | 晶圆快速预对准方法、装置、电子设备及存储介质 | |
CN113172636B (zh) | 一种自动手眼标定方法、装置及存储介质 | |
CN110673607A (zh) | 动态场景下的特征点提取方法、装置、及终端设备 | |
Rogelio et al. | Object detection and segmentation using Deeplabv3 deep neural network for a portable X-ray source model | |
CN113012224B (zh) | 定位初始化方法和相关装置、设备、存储介质 | |
CN117506919A (zh) | 一种手眼标定方法、装置、终端设备及存储介质 | |
CN108564571B (zh) | 图像区域选取方法及终端设备 | |
CN111336938A (zh) | 一种机器人及其物体距离检测方法和装置 | |
CN108564626B (zh) | 用于确定安装于采集实体的相机之间的相对姿态角的方法和装置 | |
CN113635299B (zh) | 一种机械臂的校正方法、终端设备及存储介质 |
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 |