CN110209997A - 基于三维特征点的深度相机自动标定算法 - Google Patents
基于三维特征点的深度相机自动标定算法 Download PDFInfo
- Publication number
- CN110209997A CN110209997A CN201910495112.1A CN201910495112A CN110209997A CN 110209997 A CN110209997 A CN 110209997A CN 201910495112 A CN201910495112 A CN 201910495112A CN 110209997 A CN110209997 A CN 110209997A
- Authority
- CN
- China
- Prior art keywords
- depth camera
- camera
- depth
- coordinate
- matrix
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- 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
- G06T7/85—Stereo camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提出了一种基于三维特征点的深度相机自动标定算法,该标定算法用到两幅深度图像和对应的三维特征像素点即可一次性完成深度相机的标定工作。首先,根据已知的三维空间中的特征像素点坐标和深度图像中对应点的坐标以及原始误差偏移量,将深度相机测量模型与经典相机标定模型相结合得到深度相机的基本标定模型;然后,通过深度相机的内参约束条件求出相机内参数初始值,并根据内参初始值求出外参数;最后,优化所建立的深度图像误差控制函数以得到深度相机的最优参数。本发明的标定算法,简化了深度相机传统标定模型,克服了经典标定受光照条件和场景不确定性等影响的缺点,精确获得了相机内外参数,且对深度图像边缘畸变有较好修复效果,具有操作简单、标定精度高、实用性和鲁棒性好等优点。
Description
技术领域
本发明属于机器视觉标定技术领域,涉及一种深度相机标定算法,尤其是涉及一种基于三维特征点的深度相机自动标定算法
背景技术
随着科学技术的发展与进步,在人工智能技术遍及各大领域的今天,机器视觉已不再是一个陌生的名词。由于机器视觉***具有精度高、效率高、实用性好、安全可靠、成本低等诸多优点,许多行业对深度视觉的需求越来越突出,无论是在科研机构还是在企业生产中它都占据着举足轻重的地位。例如在工业制造领域中,视觉检测、规划路径、跟踪定位等;在生活中,人脸识别技术、AR技术、全息投影技术等,人们将越来越离不开深度视觉,而这一切实现的前提是对3D深度相机进行了了精确标定。
尽管许多3D深度相机在出厂时已经被标定过,但标定的参数并不精确,而相机标定的好坏直接影响整个生产制造过程中整体性能的优劣。在现有技术中,有较成熟的相机标定算法,例如张正友经典标定法、Tasi两步法(对比文献:[1]Zhang Z.A flexible newtechnique for camera calibration[C].Pattern Analysis and MachineIntelligence.IEEE Transactions on 2000,22(11):1330-1334;[2]Tsai R.A versatilecamera calibration technique for high-accuracy 3D machine vision metrologyusing off-the-shelf TV cameras and lenses[C]Robotics and Automation.IEEE,Journal of 31987,(4):323-344.)。但这些方法只能适用于普通的光学相机,且有易受环境影响,标定步骤繁杂,费时费力,标定成本高,求解过程复杂等缺点。深度相机成像方式复杂多样,以至于国内外学者对于深度相机标定算法的研究并不深入,他们的算法大都结构复杂,标定精度低,耗时且耗力。
现如今,人工智能深入到各行各业,3D深度相机也逐渐进入人们的生活,实现深度相机标定的简洁化、快速化、精确化、通用化成为亟待解决的问题。因此,提出一种新的具有操作简单、成本低、鲁棒性好、响应速度快的深度相机自动标定算法是十分必要的,对机器视觉领域的发展和相关技术的研究都具有十分重要的意义。
发明内容
为了解决背景技术中存在的问题,本发明的目的在于提供一种基于三维特征点的深度相机自动标定算法,提出了深度相机标定的简洁模型,引入了深度相机内参几何约束条件,建立了深度相机投影畸变控制函数,非线性优化了深度相机参数最终得到可靠结果。该算法只需要两幅深度图像和已知的三维特征像素点坐标即可完成深度相机标定工作,可适用于变照明条件等特殊场合。
本发明所采用的技术方案包括以下步骤:
(1)采用深度相机,在不同位置以不同姿态对精确的立方体标定块进行多次拍摄,获取两幅较准确的深度图像。
所述步骤(1)中只需要获取两幅深度图,获取的两幅深度图像应保证有特征明显的三维特征像素点,并且特征像素点应有对应的原始误差偏移量。
(2)利用ORB(Oriented FAST and Rotated BRIEF)算法提取深度图像中三维特征像素点信息,
一幅图到4组特征像素点坐标和三维空间点的坐标,然后将特征像素点的深度测量模型与经典相机标定模型相结合形成深度相机的基本标定模型;所述步骤(2)具体包括:
首先,利用ORB(Oriented FAST and Rotated BRIEF)算法分别提取两幅深度图像的4个三维特征像素点,这4个特征像素点一般设为立方体标定块的角点,并且特征像素点应有明显的原始误差偏移量;然后将这4个特征像素点分别与对应的三维空间点进行匹配得到特征像素点坐标和三维空间点的坐标;并根据经典相机标定模型,如下式:
在经典相机标定模型基础之上引入一个原始深度偏移量dk,如下式:
然后,以[u v dk 1]T构成一个射影空间坐标。以视差图构建的射影空间坐标与空间点坐标[Xw Yw Zw 1]T的关系符合图像之间的单应关系,由此得到深度相机坐标系到像素坐标系的矩阵变换:
其中,λ=Zd,Zd表示深度相机坐标系中Z方向的坐标分量,内参为A’:
最后,联合世界坐标系到深度相机坐标系的转换矩阵可得出世界坐标系到像素坐标系的变换模型如:
单应矩阵表示为H:
(3)将步骤二中获得的特征点像素坐标和已知的三维特征点坐标作为已知量代入所建立的深度相机标定模型中,根据建立的内参约束条件求解出内参数和外参数;所述步骤(3)具体包括:
首先,根据旋转矩阵r1,r2,r3的性质建立得到深度相机内参约束条件:
求解出A′-TA′-1:
定义一个4维矩阵B:
其中,B12=B21=B13=B31=B23=B32=0
然后,将单应矩阵H写成列向量的形式,则它的第i列向量可表示为hi=[h1i h2ih3i h4i]T,由内参基本约束条件得:
化简上式后得:
采用SVD分解的方法求解该方程组得到矩阵B。
其次,对B进行Cholesky逆分解:
将A’转化为上三角矩阵:
根据B=A′-TA′-1=(A′A′T)-1,得出B-1=A′A′T,且:
根据B-1=A′EA′T=A′CCTA′T,则B-1=IIT,得出:
可得出矩阵I的最后一列元素:
同理:
得到矩阵I第三列、第二列、第一列元素:
I被求解出来,由于A’=IC-1,由此深度相机内参矩阵A’的初始值就被求解出来。
最后,求解外参。单应矩阵H和内参A’均被求出后,根据内参约束条件可以得到:
由上式可得:
(4)建立并利用Levenberg-Marquardt算法非线性优化深度图像的畸变控制函数,通过最小化投影误差函数得到最优的深度相机参数。所述步骤(4)具体包括:对于n幅图上有m点,利用Levenberg-Marquardt算法非线性优化重投影误差代价函数:
其中,是三维空间点在深度图像中的实际投影坐标,是三维空间点在第i幅图中的投影,A’是内参矩阵,k1,k2,p1,p2是畸变系数。
有益效果:本发明设计的基于三维特征点的深度相机自动标定算法,只需要用到两幅深度图像和已知的三维特征像素点,避免了光照条件带来的影响,降低了标定成本。本发明所提算法是经融合得到,简化了标定过程,提高了标定精度。与传统标定算法相比,本算法具有操作简单、适应性强、成本低、响应速度快、鲁棒性好等优点。
附图说明
图1:深度相机和三维标定块示意图;
图2:算法总体步骤流程图;
图3:深度相机标定模型推导过程图;
图4:深度相机内外参数求解过程图。
具体实施方式
下面结合附图1至附图4,对本发明作进一步详述。
参考附图3,本发明的所提及的深度相机标定模型,首先根据经典相机标定模型,如下式:
然后在经典相机标定模型基础之上引入一个原始深度偏移量dk,如下式:
并且,以[u v dk 1]T构成一个射影空间坐标。以视差图构建的射影空间坐标与空间点坐标[Xw Yw Zw 1]T的关系符合图像之间的单应关系,由此得到深度相机坐标系到像素坐标系的矩阵变换:
其中,λ=Zd,Zd表示深度相机坐标系中Z方向的坐标分量,内参为A’:
最后联合世界坐标系到深度相机坐标系的转换矩阵可得出世界坐标系到像素坐标系的变换模型如:
参考附图1、附图3和附图4,深度相机内外参数求解优化过程包括:
(1)根据旋转矩阵r1,r2,r3的性质建立得到深度相机内参约束条件:
(2)求解出A′-TA′-1:
定义一个4维矩阵B:
将单应矩阵H写成列向量的形式,则它的第i列向量可表示为为hi=[h1i h2i h3ih4i]T,由内参基本约束条件得:
化简上式后得:
采用SVD分解的方法求解该方程组得到矩阵B。
(3)对B进行Cholesky逆分解得到内参矩阵A’:
将A’转化为上三角矩阵:
根据B=A′-TA′-1=(A′A′T)-1,得出B-1=A′A′T,且:
根据B-1=A′EA′T=A′CCTA′T,则B-1=IIT,通过观察发现:
可得出矩阵I的最后一列元素:
同理:
得到矩阵I第三列、第二列、第一列元素:
I就被求解出来,由于A’=IC-1,由此深度相机内参矩阵A’的初始值就被求解出来。
(4)求解外参。单应矩阵H和内参A’均被求出后,根据内参约束条件可以得到:
由上式可得:
(5)建立并利用Levenberg-Marquardt算法非线性优化深度图像的畸变控制函数,通过最小化投影误差函数得到最优的深度相机参数。对于n幅图上有m点,利用Levenberg-Marquardt算法非线性优化重投影误差代价函数:
其中,是三维空间点在深度图像中的实际投影坐标,是三维空间点在第i幅图中的投影,A’是内参矩阵,k1,k2,p1,p2是畸变系数。
经过对比试验表明,本文提出的标定算法与张氏经典标定算法相比,所求出的焦距相对误差小于0.005,主点坐标相对误差小于0.03,且对深度图像边缘部分畸变有较好修复效果。具有较好的实用性和鲁棒性,达到了深度相机自动、快速标定的目的。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以作出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (3)
1.一种基于三维特征点的深度相机自动标定算法,其特征在于,包括以下步骤:
步骤一:用深度相机在不同位置以不同姿态对立方体标定块进行多次拍摄,获取两幅深度图像,两幅深度图像应保证有特征明显的三维特征像素点,并且特征像素点应有对应的原始误差偏移量;
步骤二:首先利用ORB(Oriented FAST and Rotated BRIEF)算法分别提取两幅深度图像的4个三维特征像素点,这4个特征像素点一般设为立方体标定块的角点,并且特征像素点应有明显的原始误差偏移量;然后将这4个特征像素点分别与对应的三维空间点进行匹配得到特征像素点坐标和三维空间点的坐标;
步骤三:将深度相机测量模型与经典相机标定模型相结合形成深度相机的标定模型;
步骤四:将步骤二中获得的特征像素点坐标和已知的三维空间点坐标作为已知量代入步骤三所建立的深度相机标定模型中,根据建立的深度相机内参约束条件求解出深度相机的内参数和外参数;
步骤五:建立深度图像的畸变控制函数,并利用Levenberg-Marquardt算法对其进行非线性优化,通过最小化投影误差函数得到最优的深度相机的内参数和外参数。
2.根据权利要求1所述的一种基于三维特征点的深度相机自动标定算法,其特征在于:所述步骤三具体包括:
(1)引入经典相机标定模型,如下式:
其中fu=f/dx,fv=f/dy,fu,fv分别表示图像u轴和v轴上的尺度因子,f是相机焦距,dx、dy分别是像素在x、y轴方向上的物理尺寸,(u0,v0)是主点坐标,R和t是相机的外部参数。
(2)在经典相机标定模型基础之上引入一个带有原始深度偏移量dk的深度相机测量模型,如下:
其中,C1=1/bf,C0=1/Z0,Zd是深度相机到物平面的距离,Z0是相机到参考平面的距离,b是深度相机的基线距离。
(3)以[u v dk 1]T构成一个射影空间坐标。以视差图构建的射影空间坐标与空间点坐标[Xw Yw Zw 1]T的关系符合图像之间的单应关系,由此得到深度相机坐标系到像素坐标系的矩阵变换:
其中,λ=Zd,Zd表示深度相机坐标系中Z方向的坐标分量,内参为A’:
(4)联合世界坐标系到深度相机坐标系的转换矩阵可得出世界坐标系到像素坐标系的变换模型如:
单应矩阵表示为H:
矩阵H中有16个未知参数(4个未知内部参数和12个未知外部参数)。为了求解矩阵,需要4个世界坐标系到像素坐标系的变换方程,即4个不相关点的坐标。
3.根据权利要求1所述的一种基于三维特征点的深度相机自动标定算法,其特征在于:所述步骤四具体包括:
(1)根据旋转矩阵R的的性质,可通过其列向量r1,r2,r3建立得到深度相机内参约束条件:
(2)采用SVD分解的方法求解上述方程组得到A′-TA′-1:
Vij是一个关于H的4×7矩阵,并且是一个已知值。同时,向量b中有7个未知参数,为了求解b,需要2个H矩阵,即2幅深度图像。
(3)求解内参矩阵A’。
首先,将A’右乘一个初等矩阵C转化为上三角矩阵:
对B进行Cholesky逆分解,得到矩阵I的第四列、第三列、第二列、第一列元素:
然后,I被求解出来,由于A’=IC-1,由此深度相机内参矩阵A’的初始值被求解出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495112.1A CN110209997A (zh) | 2019-06-10 | 2019-06-10 | 基于三维特征点的深度相机自动标定算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495112.1A CN110209997A (zh) | 2019-06-10 | 2019-06-10 | 基于三维特征点的深度相机自动标定算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110209997A true CN110209997A (zh) | 2019-09-06 |
Family
ID=67791635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495112.1A Pending CN110209997A (zh) | 2019-06-10 | 2019-06-10 | 基于三维特征点的深度相机自动标定算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110209997A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673122A (zh) * | 2019-10-16 | 2020-01-10 | 杨清平 | 一种单目相机测量目标位置数据,拍摄角度和相机视角的方法 |
CN111145268A (zh) * | 2019-12-26 | 2020-05-12 | 四川航天神坤科技有限公司 | 一种视频注册方法及装置 |
CN112270719A (zh) * | 2020-12-21 | 2021-01-26 | 苏州挚途科技有限公司 | 相机标定方法、装置及*** |
CN112381887A (zh) * | 2020-11-17 | 2021-02-19 | 广东电科院能源技术有限责任公司 | 一种多深度相机标定方法、装置、设备和介质 |
CN112462948A (zh) * | 2020-12-18 | 2021-03-09 | 哈尔滨拓博科技有限公司 | 一种基于深度相机偏离用户手势控制的标定方法和装置 |
CN112581529A (zh) * | 2020-09-22 | 2021-03-30 | 临沂大学 | 一种实现后方交会的新方法、新数据处理***及存储介质 |
CN112734862A (zh) * | 2021-02-10 | 2021-04-30 | 北京华捷艾米科技有限公司 | 深度图像的处理方法、装置、计算机可读介质以及设备 |
CN112862895A (zh) * | 2019-11-27 | 2021-05-28 | 杭州海康威视数字技术股份有限公司 | 一种鱼眼摄像头标定方法、装置及*** |
CN113469886A (zh) * | 2021-07-23 | 2021-10-01 | 成都理工大学 | 一种基于三维重构的图像拼接方法 |
CN114399554A (zh) * | 2021-12-08 | 2022-04-26 | 凌云光技术股份有限公司 | 一种多相机***的标定方法及*** |
CN116909208A (zh) * | 2023-09-12 | 2023-10-20 | 深圳市钧诚精密制造有限公司 | 基于人工智能的壳体加工路径优化方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630406A (zh) * | 2008-07-14 | 2010-01-20 | 深圳华为通信技术有限公司 | 摄像机的标定方法及摄像机标定装置 |
CN104376572A (zh) * | 2014-12-02 | 2015-02-25 | 成都理工大学 | 移动终端相机标定方法 |
CN104376558A (zh) * | 2014-11-13 | 2015-02-25 | 浙江大学 | 一种基于长方体的Kinect深度相机的内参标定方法 |
US20170069088A1 (en) * | 2012-04-27 | 2017-03-09 | Adobe Systems Incorporated | Camera Calibration and Automatic Adjustment of Images |
CN107507246A (zh) * | 2017-08-21 | 2017-12-22 | 南京理工大学 | 一种基于改进畸变模型的摄像机标定方法 |
CN107590832A (zh) * | 2017-09-29 | 2018-01-16 | 西北工业大学 | 基于自然特征的物理对象追踪定位方法 |
CN108154538A (zh) * | 2018-02-06 | 2018-06-12 | 华中科技大学 | 一种双摄像机模组校正和标定方法及装置 |
CN108510530A (zh) * | 2017-02-28 | 2018-09-07 | 深圳市朗驰欣创科技股份有限公司 | 一种三维点云匹配方法及其*** |
CN108986172A (zh) * | 2018-07-25 | 2018-12-11 | 西北工业大学 | 一种面向小景深***的单视图线性摄像机标定方法 |
-
2019
- 2019-06-10 CN CN201910495112.1A patent/CN110209997A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630406A (zh) * | 2008-07-14 | 2010-01-20 | 深圳华为通信技术有限公司 | 摄像机的标定方法及摄像机标定装置 |
US20170069088A1 (en) * | 2012-04-27 | 2017-03-09 | Adobe Systems Incorporated | Camera Calibration and Automatic Adjustment of Images |
CN104376558A (zh) * | 2014-11-13 | 2015-02-25 | 浙江大学 | 一种基于长方体的Kinect深度相机的内参标定方法 |
CN104376572A (zh) * | 2014-12-02 | 2015-02-25 | 成都理工大学 | 移动终端相机标定方法 |
CN108510530A (zh) * | 2017-02-28 | 2018-09-07 | 深圳市朗驰欣创科技股份有限公司 | 一种三维点云匹配方法及其*** |
CN107507246A (zh) * | 2017-08-21 | 2017-12-22 | 南京理工大学 | 一种基于改进畸变模型的摄像机标定方法 |
CN107590832A (zh) * | 2017-09-29 | 2018-01-16 | 西北工业大学 | 基于自然特征的物理对象追踪定位方法 |
CN108154538A (zh) * | 2018-02-06 | 2018-06-12 | 华中科技大学 | 一种双摄像机模组校正和标定方法及装置 |
CN108986172A (zh) * | 2018-07-25 | 2018-12-11 | 西北工业大学 | 一种面向小景深***的单视图线性摄像机标定方法 |
Non-Patent Citations (5)
Title |
---|
DONGDONG LI 等: "Depth-Camera Calibration Optimization Method Based on Homography Matrix", 《PROCEEDINGS OF THE 2019 INTERNATIONAL CONFERENCE ON ROBOTICS,INTELLIGENT CONTROL AND ARTIFICIAL INTELLIGENCE》 * |
LIN HUANG 等: "Research on multi-camera calibration and point cloud correction method based on three-dimensional calibration object", 《OPTICS AND LASERS IN ENGINEERING》 * |
周杰 等: "飞行时间深度相机和彩色相机的联合标定", 《信号处理》 * |
李冬冬: "深度相机自动标定方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郭连朋等: "Kinect传感器的彩色和深度相机标定", 《中国图象图形学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673122A (zh) * | 2019-10-16 | 2020-01-10 | 杨清平 | 一种单目相机测量目标位置数据,拍摄角度和相机视角的方法 |
CN112862895B (zh) * | 2019-11-27 | 2023-10-10 | 杭州海康威视数字技术股份有限公司 | 一种鱼眼摄像头标定方法、装置及*** |
CN112862895A (zh) * | 2019-11-27 | 2021-05-28 | 杭州海康威视数字技术股份有限公司 | 一种鱼眼摄像头标定方法、装置及*** |
CN111145268B (zh) * | 2019-12-26 | 2023-10-31 | 四川航天神坤科技有限公司 | 一种视频注册方法及装置 |
CN111145268A (zh) * | 2019-12-26 | 2020-05-12 | 四川航天神坤科技有限公司 | 一种视频注册方法及装置 |
CN112581529A (zh) * | 2020-09-22 | 2021-03-30 | 临沂大学 | 一种实现后方交会的新方法、新数据处理***及存储介质 |
CN112381887A (zh) * | 2020-11-17 | 2021-02-19 | 广东电科院能源技术有限责任公司 | 一种多深度相机标定方法、装置、设备和介质 |
CN112462948B (zh) * | 2020-12-18 | 2022-10-04 | 哈尔滨拓博科技有限公司 | 一种基于深度相机偏离用户手势控制的标定方法和装置 |
CN112462948A (zh) * | 2020-12-18 | 2021-03-09 | 哈尔滨拓博科技有限公司 | 一种基于深度相机偏离用户手势控制的标定方法和装置 |
CN112270719B (zh) * | 2020-12-21 | 2021-04-02 | 苏州挚途科技有限公司 | 相机标定方法、装置及*** |
CN112270719A (zh) * | 2020-12-21 | 2021-01-26 | 苏州挚途科技有限公司 | 相机标定方法、装置及*** |
CN112734862A (zh) * | 2021-02-10 | 2021-04-30 | 北京华捷艾米科技有限公司 | 深度图像的处理方法、装置、计算机可读介质以及设备 |
CN113469886A (zh) * | 2021-07-23 | 2021-10-01 | 成都理工大学 | 一种基于三维重构的图像拼接方法 |
CN114399554A (zh) * | 2021-12-08 | 2022-04-26 | 凌云光技术股份有限公司 | 一种多相机***的标定方法及*** |
CN114399554B (zh) * | 2021-12-08 | 2024-05-03 | 北京元客视界科技有限公司 | 一种多相机***的标定方法及*** |
CN116909208A (zh) * | 2023-09-12 | 2023-10-20 | 深圳市钧诚精密制造有限公司 | 基于人工智能的壳体加工路径优化方法及*** |
CN116909208B (zh) * | 2023-09-12 | 2023-11-24 | 深圳市钧诚精密制造有限公司 | 基于人工智能的壳体加工路径优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209997A (zh) | 基于三维特征点的深度相机自动标定算法 | |
CN105716542B (zh) | 一种基于柔性特征点的三维数据拼接方法 | |
CN102175261B (zh) | 一种基于自适应标靶的视觉测量***及其标定方法 | |
CN102376089B (zh) | 一种标靶校正方法及*** | |
CN108510551B (zh) | 一种远距离大视场条件下相机参数的标定方法及*** | |
CN111784778B (zh) | 基于线性求解非线性优化的双目相机外参标定方法和*** | |
Huang et al. | A fast and flexible projector-camera calibration system | |
CN103048331B (zh) | 基于柔性模板配准的印刷缺陷检测方法 | |
CN109615661A (zh) | 光场相机内参数标定装置及方法 | |
CN105046743A (zh) | 一种基于全局变分技术的超高分辨率三维重建方法 | |
CN102914295A (zh) | 基于计算机视觉立方体标定的三维测量方法 | |
CN112258588A (zh) | 一种双目相机的标定方法、***及存储介质 | |
CN104574415A (zh) | 一种基于单摄像机的目标空间定位方法 | |
CN108917633A (zh) | 基于水下双目视觉的燃料组件变形检测*** | |
CN112161586A (zh) | 一种基于编码棋盘格的线结构光视觉传感器标定方法 | |
CN102111561A (zh) | 一种模拟真实场景的三维模型投影方法及装置 | |
CN105989588A (zh) | 一种异形材料切割图像校正方法及*** | |
CN112815843A (zh) | 一种3d打印过程中工件表面打印偏差的在线监测方法 | |
CN115861448A (zh) | 基于角点检测及特征点提取的***标定方法及*** | |
CN104754323A (zh) | 摄像头光轴检测设备的标定方法 | |
CN108958256A (zh) | 一种基于ssd物体检测模型的移动机器人视觉导航方法 | |
CN103424087B (zh) | 一种大尺度钢板三维测量拼接方法 | |
CN106500729A (zh) | 一种无需控制信息的智能手机自检校方法 | |
CN110044266B (zh) | 基于散斑投影的摄影测量*** | |
CN102111562A (zh) | 三维模型的投影变换方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190906 |