交互式电子白板的坐标转换算法

针对常用坐标转换定位算法精确度和效率较低的问题,提出一种基于透视变换原理的定位算法。根据4个初始定位点的坐标信息,确定反映点与点之间空间映射关系的单应性矩阵。定位完成后,利用该矩阵进行简单运算即可完成坐标转换。实验结果证明该方法稳定性较高。     

图像校正技术的研究及应用

基于单应性矩阵方法研究了图像校正技术,该方法的关键问题在于边缘检测及寻找边缘的交点。针对车牌图像的校正,提出了一种自动化的边缘提取方法。该方法通过对霍夫变换得到的直线进行合并、分类、排序等方法来自动获取图像边缘并计算相应的交点。对校正后的图像因为长宽比例不同而产生的问题,作了分析和相应处理。该方法保留了单应性矩阵恢复算法的方便性,同时速度更快,取得的效果也比较好。     

一种基于摄影测量的自动分拣系统标定方法

针对6轴工业机器人自动分拣系统,提出了一种新的标定方法。该方法由工作相机对置于传送带上的平面靶标拍摄一幅图像,据此计算工作相机与平面靶标之间的单应性矩阵,运用摄影测量系统对传送带上的平面靶标及散布于机器人表面的标记点拍摄机器人绕A4轴做一次旋转运动前后的2组图像,再拍摄机器人绕其A1轴做一次旋转运动前后的2组图像,在对每组图像中的目标点分别进行三维重建的基础上,得到机器人坐标系以及平面靶标与机器人坐标系的位置关系,进而结合计算出的单应性矩阵得到工作相机图像平面至机器人坐标系的映射,实现自动分拣系统的标定。经实验验证,具有较高的标定精度。     

基于直线空间旋转的十字结构光标定

针对复杂曲面特征测量时十字结构光的快速、高精度标定,提出一种基于直线空间旋转的十字结构光标定方法。利用OTSU算法选取最佳阈值来提取光条的所在区域,通过基于Hessian矩阵的Steger算法和最小二乘法提取并拟合光条中心;通过图像中与靶标平面内特征点对的构建,借助RANSAC算法求解单应性矩阵,对光条直线进行单应性矩阵变换来获取靶标平面内的光条直线方程;由相机坐标系与世界坐标系的转换关系,将直线方程转换到相机坐标系下;由空间直线绕任意轴的旋转变换关系,将光条直线绕投射中心线进行旋转,并将旋转前后的两条直线进行平面拟合,求解光平面方程参数。结果表明,该方法对靶标圆心间距测量的平均绝对误差为0.023 mm,均方根误差为0.026 mm。本文方法可以实现较高的测量精度,且能避免靶标平面的多次移动。     

基于立体定向靶标的探针式多视场三维视觉测量系统

针对含有遮挡区域、深孔及凹槽等特征的多面体或回转体物体,设计了一套基于立体定向靶标的探针式多视场三维视觉测量系统,并阐述该套测量系统的结构组成和基本工作原理。首先,基于近景摄影测量技术建立立体定向靶标的6个单元模型,计算靶标各侧面角点在各自单元模型内的坐标,再通过单元模型的链接和光束平差,获取全部角点的精确全局坐标,并将其作为立体定向靶标的全局控制点。然后,设计了利用共面角点辅助定位的探针,仍基于近景摄影测量技术解算出角点和测头在探针坐标系中的精确坐标。最后,利用共面的棋盘格角点与其像平面之间的单应性矩阵,推导全局坐标系、探针坐标系各自与相机坐标系的位姿关系,进而求得探针测头的全局坐标。以量块（量棒）的标准长度作为评价指标,在2m×1.5m的视场范围内测量精度优于0.1mm。测量实验表明,多视场三维视觉测量系统用于具有回转体结构特征的水壶测量,能够获取水壶表面全部区域的点云数据。     

一种非标定摄像机的定位新算法

针对摄像机固定和共面约束条件下进行目标定位,提出了一种简单可行的全新算法。该算法避开了烦琐的摄像机标定这一过程,也不用精确地求解单应性矩阵。只是运用射影几何的性质,通过简单的几何关系,对非标定单摄像机拍摄的单幅图像,求解其从2D图像平面到真实的3D平面的非线性单映射关系。该算法为解决计算机视觉的测量、定位、三维重建等问题,提供一种全新的思路。     

基于单应性矩阵和内容保护变形的图像拼接

针对图像拼接技术进行全景图像融合时出现瑕疵、畸变且不能保护图像内容的现象,提出了一种基于单应性矩阵和内容保护变形的图像拼接算法。该算法首先选用单应性矩阵模型,给定种子特征点,递增地对其相邻特征点进行分组;然后使用较合适的阈值进行分组得到尽可能多的特征点;最后对于由单应性矩阵产生图像的内容发生变化的现象,通过内容保护变形算法来解决,使拼接后的图像不会出现物体畸变、瑕疵的现象。实验表明,本文算法解决了在光照条件下出现模糊、图像内容发生变化的现象,有效地提高图像配准的效率,能够达到无缝拼接、无视差的全景效果图。     

多模态硬币图像单应性矩阵预测

对不同成像条件下拍摄的硬币图像进行配准是硬币表面缺陷算法的前置任务。然而,基于互信息的传统多模态配准方法速度慢、精度低,现有的通过基于深度学习的单应性矩阵预测方法实现的图像配准只适用于单模态的任务。为此,提出一种基于深度学习的适用于多模态硬币图像的单应性矩阵预测方法,进而使用预测的单应性矩阵完成图像配准。首先,使用单应性矩阵预测层预测输入图像对间的单应性矩阵,使用单应性矩阵对待配准图像进行透视变换;然后,使用图像转换层将透视变换后的待配准图像和目标图像映射到同一域,图像转换层可在推理时去除从而减少推理时间;最后,计算同一域下的图像间的损失,并进行训练。实验表明,该方法在测试集上的平均距离误差为 3.417 像素,相较于基于互信息的传统多模态配准方法 5.575 像素的平均距离误差降低 38.71%。且配准单对图像耗时为 17.74 ms,远低于基于互信息的传统多模态配准方法的 6 368.49 ms。     

基于改进ORB算法的虚实注册方法

针对增强现实(AR)中虚实注册的精度和实时性易受图像纹理和不均匀光照影响的问题,提出一种改进的ORB算法予以解决。首先,设置ORB特征点数量和距离阈值对图像特征点稠密区域进行优化,利用并行算法保留特征值较大的N个特征点;然后,采用离散差异特征增强光照不均匀变化时的稳定性,将改进的ORB与词袋(BOF)模型结合,实现基准图像的快速检索;最后,利用图像间的单应性关系实现虚实注册。从准确性和实时性两方面对提出的改进ORB算法与原始ORB算法、尺度不变特征变换(SIFT)算法和加速稳健特征(SURF)算法进行了对比实验分析,结果显示改进ORB算法的注册时间平均降低了约40%,准确性达到了95%以上。实验结果表明,所提出的算法在不同纹理和不均匀光照的情况下,具有更高的实时性、准确性。