基于结构光辅助的网格候选点三维测量方法

光学三维测量技术是计算机视觉领域中最为活跃的研究主题之一.针对双目立体视觉三维测量方法中无纹理物体表面测量误差较大的问题,提出一种基于结构光投影辅助的网格候选点三维测量方法.设计灰度单调变化的锯齿波图案投射在被测场景中,有助于使三维网格候选点投影像点间的灰度差异最大化,依此提高系统的测量精度,实现了主动测量方法和被动测量方法的有效结合.通过3DS MAX和MATLAB软件平台下的仿真实验,验证了结构光辅助的网格候选点测量方法在计算精度上具有明显优势,且不会增加系统的复杂度,扩展了网格候选点三维测量方法的适用范围.     

用于结构光视觉传感器标定的特征点获取方法

提出了一种基于共面参照物自由移动来获取结构光视觉传感器标定特征点的新方法。该方法通过以摄像机三维坐标系为中介,将多个局部世界坐标系下的标定特征点统一到全局世界坐标系中,得到位于光平面上的非共线标定特征点的三维世界坐标。该方法降低了标定设备的成本,简化了结构光视觉传感器的标定过程,从而提高了结构光视觉传感器工程化应用的便捷性。实验表明,该方法切实可行     

视觉SLAM中图像特征点提取与匹配算法研究

在视觉SLAM(visual Simultaneous Localization And Mapping,v SLAM)中,利用提取到的图像特征点进行相机位姿估测是一种非常重要的位姿估算方法,为了实现相机的定位,图像特征点必须具备鲁棒性、尺度性和高效率等特点。介绍了图像特征点提取与匹配在视觉SLAM中的作用和场景中图像特征点需要具备的特性;对几种主流的图像特征点提取算法,即尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法、加速稳健特征(Speeded-Up Robust Features,SURF)算法、快速特征点提取与描述(Oriented FAST and Rotated BRIEF,ORB)算法分别进行了简要说明;并通过设计实验,在室内环境中,对几种图像特征点提取算法的运行效率和图像特征点匹配正确率进行了对比测试。实验表明,ORB算法在运行效率和匹配正确率上占据优势,能够较好地满足视觉SLAM中实时性和鲁棒性的要求。     

机器视觉在工业测量中的应用与研究

基于普通双目视觉测量模型,针对视觉测量系统的关键技术-标定、特征提取、特征匹配,提出了一种实用的高精度摄像机标定方法,基于“多对一”的思想,讨论了一种改进的Hough变换方法;山外极约束理论,提出了一种基于角点的外极斜率特征匹配方法。实验证明.该方法能成功的应川于复杂零件的测量。     

双边特征聚合与注意力机制点云语义分割

机器视觉是环境感知的重要手段之一,是自动驾驶、机器人、工业检测等领域的研究热点,而点云数据的精细分析是其 中的一项关键技术。 针对大尺度真实场景点云数据分割精度低的问题,提出了一种适用于点云数据语义分割的网络结构。 首 先,构建了一个双边特征聚合结构,通过分别处理点云的几何信息和语义信息,达到充分利用点云特征信息的目的。 其次,使用 近邻特征的高维空间相关性计算点与点之间的相互作用,进行局部邻域的上下文信息增强。 提出了一种混合池化结构代替最 大值池化,减少信息损失,使用横向跨层池化连接来增强特征多样性。 最后,引入注意力机制提取全局特征,滤除尺度噪声,增 强特征在空间上的表现力。 实验结果表明,该方法在大尺度真实场景点云数据集 S3DIS 上的平均交并比为 68. 2% ,平均准确率 为 80. 7% ,比 PointNet 提高了 20. 6% 和 14. 5% ,客观指标优于已有的代表性方法。     

细化指纹图像中伪特征点的去除算法

指纹图像经预处理后,由于各种原因,会产生数以百计的特征.为了图像匹配的精确和快速,直接在细化指纹图像上提取原始细节特征点集合,并针对各种噪声产生的伪特征点采用不同算法进行滤除.通过实验,证明了该后处理过程在去除指纹图像伪特征方面具有良好的效果.     

工件特征点三维坐标视觉测量方法综述

针对工件上特征点的三维坐标视觉测量方法进行了综述,其中包括结构光方法、激光自动聚焦法、双目视觉方法、三目视觉方法、单目视觉方法等.对每种方法的特点及其测量精度进行了详细的分析,并介绍了目前的发展及应用现状.     

基于机器视觉的接触轨几何参数测量方法

针对现有地铁接触轨几何参数测量方法存在误差大、效率低的问题,提出一种基于机器视觉的接触轨几何参数测量方法.该方法结合双目视觉和结构光技术,通过将结构光投射到接触轨表面,得到结构光光条图像,提取光条中心线并与另一台相机的光条图像中心线匹配,得到光条中心在实际空间位置的信息,最后在中心线中提取测量位置特征点,以特征点坐标信...     

面向立体视觉结构光三维重建系统的点云误差补偿方法

为了提高立体视觉结构光三维重建系统的精度,提出了一种面向立体视觉结构光三维重建系统的点云误差补偿方法,该方法分为误差标定、误差建模和误差补偿三部分。首先,提出一种新的误差标定方法,将立体视觉结构光系统的测量空间划分为离散的特征点并标定了整个空间内特征点的误差;然后,提出了基于神经网络的误差建模方法,建立起该空间的误差模型;最后,提出了适用于立体视觉结构光系统的点云误差补偿方法,将建立的误差模型用于误差补偿。实验表明文章提出的误差补偿方法平均减少了51.96%的直径误差和14.16%的球心距误差,精度提升效果明显。从而,验证了该算法的有效性和可行性。     

大尺寸动态视觉测量系统的并行加速

由于现有以大数据量和计算量为基础的大尺寸动态视觉测量系统处理速度较慢,本文建立了一个高速大尺寸动态视觉测量系统,并对该系统涉及的特征点中心定位、编码点识别、相机定向等算法进行了并行化研究。首先,分析了在不同测量条件下各个主要算法的时间消耗情况及每个主要算法的并行性;然后,对常规的特征点中心定位和编码点识别算法做了介绍,分别提出了特征点中心并行快速定位和编码点并行快速识别算法,并详细说明了这两种并行快速算法的实现原理。最后,针对大量原子操作的问题,提出了线程束集体原子操作的优化方法。实验结果表明:在不损失定位精度和识别率的前提下,图像中包含300个点时的并行方案比串行方案的时间开销减少了42%,当点数达到20 000时,时间开销减少91%以上。实验显示提出的并行设计方案有效地提高了处理速度,解决了大尺寸动态视觉测量系统实时性差的问题。