激光双目三维成像关键技术研究

来源 :电子科技大学 | 被引量 : 0次 | 上传用户:dll4718133
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
近年来,通过计算机视觉的方法对目标物体表面进行三维重建一直是研究热点。本文以市场上常见的激光双目三维成像系统为研究对象,对该系统中涉及的关键技术:立体匹配和点云拼接,展开深入的研究,提出了重建过程中的关键步骤的优化思路,并根据优化的思路方法设计了针对性的实验来验证算法的有效性。具体来说,在立体匹配的激光光条中心提取的阶段,提出了利用方向模板的方法来优化灰度重心法在激光光条走向变化较大时的光条中心提取表现,该方法通过方向模板来判断该点处的光条走向,然后对该光条法向方向上的像素点应用基于阈值的灰度重心法,快速得到激光光条的中心。实验结果验证了该方法能够在光条走向变化较大的情况下,保证提取的光条中心线更加连续,误差更小。针对激光光条中心点集间的匹配问题,考虑到任意激光点在另一个相机成像平面上的极线将该平面上的所有已提取激光点分成两部分,本文提出了利用二分查找的思想来降低匹配算法的复杂度,在大数据量的情况下能够较大地减少激光点的匹配时间,提高系统的实时性。在点云拼接阶段,针对如何快速准确得到不同视角下提取到的标志点间的对应关系,本文提出了一种基于同心圆编码的编码标志圆的方案来对所有的标志点进行唯一的编码,该方案编码解码简单,编码标志圆也易于提取,能够在快速得到不同视角下的标志圆圆心对应关系。最后,本文在实验环境下模拟实现了基于激光的双目三维成像与拼接过程。为了得到较为准确的实验结果,设计编写了一个图像数据采集系统,实现了图像数据的自动化采集处理。为了方便量化地分析整个基于激光的双目三维成像系统的精度,针对性地设计了两个实验,其中,针对标准平面的三维重建实验,将三维重建得到的平面三维点云导入到Matlab中的cftool工具中进行平面拟合,在不使用鲁棒性优化的情况下的误差为1.435mm,R-square系数达到0.9268,说明系统达到mm精度,对标准平面重建的结果较好。另外一个针对塑料圆柱桶的三维重建与拼接实验,则验证了基于同心圆编码标志圆的三维点云拼接方法的有效性,同时也指出了粘贴标志圆可能带来的问题以及解决思路。
其他文献
随着芯片的生产模式越来越依赖外包制造,其生产过程中的各个阶段都可能被植入硬件木马。硬件木马是芯片攻击中最有效的手段,引起了人们的广泛关注。硬件木马会导致芯片的物理场信息发生变化,因此本文针对芯片安全领域,分别研究了基于温度场效应的硬件木马实时监控技术和基于温度场特征的硬件木马精准修复技术,除此之外,还针对现场可编程门阵列(Field Programmable Gate Array,FPGA)的电压
水下主动电场成像是仿生弱电鱼建立电场探测周围环境的生物机制而诞生的一门新型水下成像技术。简易的电极传感器装置通过运动扫频的方式获取实验物体不同方向的频率转折点(FIP)信息,利用这些FIP能够实现对实验物体的轮廓成像。结构复杂的电极传感器阵列装置通过简单的运动扫描方式,测量扫描区域内不同位置的幅值变化信息,然后根据这些幅值变化信息同样能够对水下物体形状进行成像。本文对这两种水下主动电场成像方法进行
以人类动作分析为核心的视频分析技术是智能监控,图像/视频自动标注和智能人机交互等诸多领域中的重要技术,有着广泛的应用场景和研究价值。当前人类动作识别技术多集中在固定视角下的动作识别,然而,在现实应用中,摄像头在部署过程中会出现视角复杂多变的情况,在某些人与移动机器人交互的场景中,甚至可能出现相机不断移动的情况,这类型的问题在本文统一称之为自由视点动作识别问题。当前的工作大多只是在单一视角或者固定的
随着现代无线通信技术的迅猛发展,物联网已经渗透到人们生活中的方方面面。物联网中各个行业独立发展缺少交互,因此各设备及其提供的服务均具有较强的异构性,设备的识别控制、服务匹配以及消息传输方面都会遇到众多复杂的问题。解决上述问题的核心在于解决异构问题。本文对物联网中设备属性进行分析研究,提出了一种基于功能属性的设备描述机制,基于该设备描述机制,设计了异构物联网系统中设备服务的识别、注册、控制及匹配架构
近年来,随着车联网和无线技术的发展,车载信息娱乐应用的不断涌现,车联网中内容需求也正以惊人的速度增长。为了满足车联网中如此高的内容需求,边缘缓存技术得到了广泛的关注。通过在网络边缘,如基站和路侧单元上部署缓存资源,在边缘节点上缓存部分流行内容以提供内容下载服务,能够有效缓解核心网络压力,减少内容请求时延。然而,由于边缘节点缓存资源有限、内容请求分布不均匀以及车辆高速移动导致网络拓扑动态变化等问题,
图像融合是图像处理领域中的一个重要分支,可以将来自不同的传感器对于同一场景中的信息采集后得到的图像数据进行处理,保留各自数据中的有用信息并剔除掉冗余的信息,得到含有集成信息的高质量图像。图像融合在军用和民用领域都发挥着重要的作用。深度学习目前发展势头迅猛,在图像处理领域具有非常广泛的应用,但是在图像融合领域,深度学习方法对比传统方法并没有明显的优势,原因主要有两点:一、图像融合领域没有绝对意义上最
近年来,利用深度神经网络(Deep Neural Networks,DNNs)进行医学图像分割取得了显著的进展。然而,深度神经网络通常需要大量的数据和标注进行训练,对于医学图像,图像采集设备及患者隐私等问题导致数据与标注都代价高昂且难以获取。为解决此问题,本文提出了一种基于距离度量学习(Distance Metric Learning,DML)的小样本(单样本和少样本)医学图像通用分割框架。现有的
计算机断层成像(Computed Tomography,CT)是一种通过X射线扫描待成像物体并采集投影数据实现内部结构成像的技术。由于X射线对人体健康的危害大,近年来,学者们研究利用传统CT重建方法基于稀疏角度X光重建CT,进而降低X射线使用剂量,但是在两个角度的重建中无法生成可理解的断层图像。而基于深度学习的图像重建方法对X光在二维空间的变化提取能力有限,且不同角度的重建结果不一致。本文通过分析
随着多媒体技术的不断发展和进步,以视频监控、远程会议和高清电视为代表的视频应用在人们的生产生活中发挥着重要的作用。然而由于当前计算机和网络系统中传输带宽、存储空间、系统输入输出性能等因素的种种限制,很多视频系统普遍存在着分辨率较低和图像质量差的问题。为了提升视频帧的图像分辨率和整体质量,视频超分辨率技术受到越来越多研究者的关注。视频超分辨率旨在通过对低分辨率视频进行一系列技术处理,增加其像素密度并
随着市场经济与科学技术的迅速发展,在人工智能的强大引擎驱动下,井喷式的出现了大量的机器学习应用场景。而监督学习表现良好则需要大量的有标签的标注数据,该任务开销庞大且繁琐无聊,故迁移学习在智能时代受到越来越多的关注。在迁移学习的相关技术中,多源领域自适应是重要的关键技术之一。多源领域自适应研究如何通过利用多个源领域知识学习目标领域,加强领域自适应能力,缓解了负向迁移。近年来,得益于人工智能和计算机视