CN114882122A - 图像局部自动标定方法、装置及相关设备 - Google Patents
图像局部自动标定方法、装置及相关设备 Download PDFInfo
- Publication number
- CN114882122A CN114882122A CN202210565453.3A CN202210565453A CN114882122A CN 114882122 A CN114882122 A CN 114882122A CN 202210565453 A CN202210565453 A CN 202210565453A CN 114882122 A CN114882122 A CN 114882122A
- Authority
- CN
- China
- Prior art keywords
- calibration
- image
- coordinates
- coordinate system
- point
- 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 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000009466 transformation Effects 0.000 claims abstract description 44
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000003708 edge detection Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种图像局部自动标定方法、装置及相关设备,包括步骤:预先选取预设标准规格的标定板;根据标定板检测出黑色圆点半径和中心距;根据黑色圆点半径进行ROI跟随;根据ROI跟随获得标定点分布的标定区域;通过标定区域利用图像Blob分析和通过Canany边缘检测算法提取标定点的边缘并求出各标定点的图像圆心坐标;提取9个标定点的图像坐标系下的坐标和世界坐标系下的坐标;通过九点标定算法求出图像坐标系到世界坐标系下的仿射变换矩阵;根据仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值。本发明标定准确度高,效率快,适用范围广。
Description
技术领域
本发明涉及图像自动标定技术领域,尤其涉及一种图像局部自动标定方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着人们的生活水平在不断的提高,人们对现有社会的需求也在不断的增多。相机是一种利用光学成像原理形成影像并使用底片记录影像的设备,是用于摄影的光学器械。在现代社会生活中有很多可以记录影像的设备,它们都具备照相机的特征,比如医学成像设备、天文观测设备等。在相机标定领域,当前相机标定主要有两类方法。第一类方法使用相机对结构已知的场景拍摄多幅图像,通过算法计算得到相机几何参数。另一类方法不需要特定场景,只需要相机以一定模式运动,并拍摄若干张图像,通过算法计算出相机几何参数,即自标定。
而传统的相机标定算法是需要用相机拍摄多张基于标定板的图像(一般是5到10张)并且这几张图像的质量要求较高,一定要亮度合适,图像灰度均匀,不能有太多噪声,不能过曝,不能太暗,标定板不能随意摆放,一定要使图像视野完全覆盖标定板的标定区域。还需要提前设置好相机的初始化参数设置,如像元尺寸,图像的宽高等。因此,上述的标定步骤比较繁琐耗时;而基于特征点的自标定算法有识别特征点不稳定而导致标定失败的缺陷。
发明内容
针对以上相关技术的不足,本发明提出一种图像清晰度高、标定准确、效率高的图像局部自动标定方法、装置、计算机设备及计算机可读存储介质。
为了解决上述技术问题,第一方面,本发明实施例提供了一种图像局部自动标定方法,包括步骤:
预先选取预设标准规格的标定板,其中,所述标定板为3×3;
根据所述预设标准规格的标定板检测出黑色圆点半径和中心距;
根据所述黑色圆点半径进行ROI跟随;
所述根据所述ROI跟随获得标定点分布的标定区域,并获得9个圆点圆心的坐标;
通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标;
提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标;
根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵;
根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值。
优选的,所述黑色圆点半径为12.5m,所述中心距为25mm。
优选的,所述根据所述黑色圆点半径进行ROI跟随包括以下子步骤:
将所述标定板摆正放置在相机的视野下,获得图像;
将所述图像作为模板图像,且在所述模板图像上画上ROI作为模板ROI;
根据所述模板ROI区域为以标定板黑色缺三角附近区域为基准,覆盖九个标定的点区域;
以所述标定板黑色缺三角为模板在新的标定板图像上做模板匹配得到新的标定板图像上黑色缺三角的位置;
根据所述黑色缺三角的位置与模板ROI的相对位置得到模板ROI在新的标定板图像上位置,记为即时ROI。
优选的,所述根据所述ROI跟随获得标定点分布的标定区域,并获得9个圆点圆心的坐标包括以下子步骤:
通过在所述即时ROI上只有3×3个标定点是均匀分布在标定区域,以左上角第一个黑色圆点的圆心为坐标系原点,以向右正方为X轴的正方向,下正方为Y轴的正方向建立世界坐标系,利用中心距,求出在世界坐标系下9个圆点圆心的坐标。
优选的,所述通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标具体包括以下步骤:
在所述即时ROI图像上,通过旋转将所述即时ROI图像校正;
通过Blob分析检测得到标定板区域获得图像;
通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘;
通过计算最后求出9个标定点的图像圆心坐标。
优选的,所述提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标包括以下子步骤:
利用数据排列算法提取左上角的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取左下角的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取左边中间的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取右上角的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取右下角的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取右边中间的标定点的图像坐标系下坐标和世界坐标系下的坐标。
优选的,所述根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵包括以下子步骤:
定义有一个点变换之前是[x,y,1],变换后是[x’,y’,1],其中,x,y表示点变换前的坐标,x’,y’表示点变换后的坐标,则fullAffine表示如下:
TX=Y;
展开后表示满足如下关系式(3):
ax+by+c=x′
dx+ey+f=y′…(3);
若需求出a至f这6个变量需要的6个方程,为3组点;
若大于3组点,则通过最小方差求出,所述最小方差满足如下关系式(4):
第二方面,本发明实施例还提供一种图像局部自动标定装置,包括:
预选模块,用于预先选取预设标准规格的标定板,其中,所述标定板为3×3;
检测模块,用于根据所述预设标准规格的标定板检测出黑色圆点半径和中心距;
跟随模块,用于根据所述黑色圆点半径进行ROI跟随;
区域获得模块,用于根据所述ROI跟随获得标定点分布的标定区域,并获得9个圆点圆心的坐标;
第一提取模块,用于通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标;
第二提取模块,用于提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标;
计算模块,用于根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵;
坐标获得模块,用于根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值。
第三方面,本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上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任意一项所述的图像局部自动标定方法中的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的图像局部自动标定方法中的步骤。
与现有技术相比,本发明通过预先选取预设标准规格的标定板,根据所述预设标准规格的标定板检测出黑色圆点半径和中心距;根据所述黑色圆点半径进行ROI跟随;根据所述ROI跟随获得标定点分布的标定区域;通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标;提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标;根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵;根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值;提高图像局部标定的效率,标定效果好,稳定性好,使用方便。
附图说明
下面结合附图详细说明本发明。通过结合以下附图所作的详细描述,本发明的上述或其他方面的内容将变得更清楚和更容易理解。附图中:
图1为本发明图像局部自动标定方法的流程图;
图2为本发明图像局部自动标定方法的步骤S03的流程图;
图3为本发明图像局部自动标定方法的步骤S05的流程图;
图4为本发明图像局部自动标定方法的步骤S06的流程图;
图5为本发明图像局部自动标定装置的模块图;
图6为本发明计算机设备的模块图。
图中,200、图像局部自动标定装置;201、预选模块;202、检测模块;203、跟随模块;204、区域获得模块;205、第一提取模块;206、第二提取模块;207、计算模块;208、坐标获得模块;300、计算机设备;301、存储器;302、处理器。
具体实施方式
下面结合附图详细说明本发明的具体实施方式。
在此记载的具体实施方式/实施例为本发明的特定的具体实施方式,用于说明本发明的构思,均是解释性和示例性的,不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外,本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案,这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案,都在本发明的保护范围之内。
实施例一
请参考图1所示,其中,图1为本发明图像局部自动标定方法的流程图。
本发明实施例提供了一种图像局部自动标定方法,包括步骤:
S01、预先选取预设标准规格的标定板,其中,所述标定板为3×3。
具体的,预设标准规格的标定板,标定板可以是常用标准的标定板,也可以是根据需求设计的特用标准标定板,其中,标定板为3×3,通过先选取标定板,获取标定板上的标定信息。标定信息可以是空间信息、时序信息、位置信息等。
可选的,标准的标定板还可为7×7-40×40的规格等,具体需要根据实际情况进行选择。
S02、根据所述预设标准规格的标定板检测出黑色圆点半径和中心距。
S03、根据所述黑色圆点半径进行ROI跟随。
具体的,将标定板尽量摆正放置在相机的视野下,拍摄图像,此图像作为模板图像。模板ROI区域为以标定板黑色缺三角附近区域为基准,覆盖九个标定的点区域。以标定板黑色缺三角为模板在新的标定板图像上做模板匹配得到新的标定板图像上黑色缺三角的位置。根据黑色缺三角的位置与模板ROI的相对位置得到模板ROI在新的标定板图像上位置。
S04、根据所述ROI跟随获得标定点分布的标定区域,并获得9个圆点圆心的坐标。通过ROI跟随使得3×3标定点均匀分布在标定区域内,通过世界坐标系和中心距,求出在世界坐标系下的9个圆点圆心的坐标。
S05、通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标。
其中,图像的blob分析是图像处理中应用非常广泛的一种基础算法,所谓的blob,指的是连通区域,同一像素或者相近像素或者说相近纹理邻接构成的区域叫做blob。blob分析的全部流程是:选取阈值进行二值化(可以进行直方图统计,找两个波峰之的最低值),接着计算连通域(,然后再对不同的连通域(也就是blob)统计中心、置心、形状、面积、周长等参数。
其中,Canany边缘检测算法的步骤包括1)滤波:边缘检测的算法主要是基于图像强度的一阶和二阶导数,但导数通常对噪声很敏感。因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波、均值滤波等。
2)增强:增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时,可通过计算梯度幅值来确定。
3)检测:经过增强的图像,往往邻域中有很多点的梯度值比较大,而在特定的应用中,这些点并不是我们要找的边缘点,所以应该采用某种方法来对这些点进行取舍。实际工程中,常用的方法是通过阈值化方法来检测。细化边缘,从而找到真正的边缘。
具体的,通过标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,使得获得的边缘点精确度搞,最后求出9个标定点的图像圆心坐标,该图像圆心坐标标定准确,标定步骤简单,稳定性高。
S06、提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标。
其中,摄像头(相机)定标一般都需要一个放在摄像头前的特制的标定参照物,摄像头获取该物体的图像,并由此计算摄像头的内外参数。标定参照物上的每一个特征点相对于世界坐标系的位置在制作时应精确测定,世界坐标系可选为参照物的物体坐标系。在得到这些已知点在图像上的投影位置后,可计算出摄像头的内外参数。
图像坐标系是以摄像头的镜头为原点建立的坐标系。世界坐标系是***的绝对坐标系,在没有建立用户坐标系之前画面上所有点的坐标都是以黑色圆点的圆心的原点来确定各自的位置的,通过获得的图像坐标系坐标和世界坐标系坐标。通过提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标,根据坐标来确定标定点的位置,精确度高。
S07、根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵。通过九点标定算法算出所述图像坐标系到所述世界坐标系下的仿射变换矩阵,计算效率快,精确度高,使用方便。
其中,仿射变换矩阵,又称仿射映射,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间。仿射变换是在几何上定义为两个向量空间之间的一个仿射变换或者仿射映射由一个非奇异的线性变换接上一个平移变换组成。
S08、根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值。
其中,起始实际目标点的坐标是起始标定目标点的坐标,实际的终点的坐标为实际终点的坐标,实际的距离值的为起始坐标到终点坐标之间的距离。
具体的,通过预先选取预设标准规格的标定板,根据所述预设标准规格的标定板检测出黑色圆点半径和中心距;根据所述黑色圆点半径进行ROI跟随;根据所述ROI跟随获得标定点分布的标定区域;通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标;提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标;根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵;根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值;提高图像局部标定的效率,标定效果好,稳定性好,使用方便。
在本实施例中,所述黑色圆点半径为12.5m,中心距为25mm。黑色圆点半径和中心距为适中,标定板上的标定点标定准确,效果好。
在本实施例中,请参考图2所示,图2为本发明图像局部自动标定方法的步骤S03的流程图。所述根据所述黑色圆点半径进行ROI跟随包括以下子步骤:
S031、将所述标定板摆正放置在相机的视野下,获得图像。通过将标准的标定板放置在相机的视野下,通过相机拍摄获取标定板的图像信息,图像信息可以是标定板上的标定点、标定区域等。
进一步的,在相机获取图像数据后,还可以对获取的图像进行图像预处理,以保证图像的清晰度。图像预处理是将每一个文字图像分检出来交给识别模块识别,这一过程称为图像预处理。在图像分析中,对输入图像进行特征抽取、分割和匹配前所进行的处理。图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征抽取、图像分割、匹配和识别的可靠性。进而提高图像的处理效果,方便图像进行下一步骤使用。
S032、将所述图像作为模板图像,且在所述模板图像上画上ROI作为模板ROI。
其中,ROI(region of interest),感兴趣区域。机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI,并进行图像的下一步处理。从而提高图像模板的精确度。
S033、根据所述模板ROI区域为以标定板黑色缺三角附近区域为基准,覆盖九个标定的点区域。
S034、以所述标定板黑色缺三角为模板在新的标定板图像上做模板匹配得到新的标定板图像上黑色缺三角的位置。
S035、根据所述黑色缺三角的位置与模板ROI的相对位置得到模板ROI在新的标定板图像上位置,记为即时ROI。
具体的,将标定板尽量摆正放置在相机的视野下,拍摄图像,此图像作为模板图像。在模板图像上画ROI作为模板ROI。模板ROI区域为以标定板黑色缺三角附近区域为基准,覆盖九个标定的点区域。以标定板黑色缺三角为模板在新的标定板图像上做模板匹配得到新的标定板图像上黑色缺三角的位置。根据黑色缺三角的位置与模板ROI的相对位置得到模板ROI在新的标定板图像上位置。记为即时ROI。提高标定板的标定效率。
在本实施例中,步骤S04包括以下子步骤:通过在所述即时ROI上只有3×3个标定点是均匀分布在标定区域,以左上角第一个黑色圆点的圆心为坐标系原点,以向右正方为X轴的正方向,下正方为Y轴的正方向建立世界坐标系,利用中心距,求出在世界坐标系下9个圆点圆心的坐标。
在本实施例中,请参考图3所示,图3为本发明图像局部自动标定方法的步骤S05的流程图。步骤S05具体包括以下步骤:
S051、在所述即时ROI图像上,通过旋转将所述即时ROI图像校正。
S052、通过Blob分析检测得到标定板区域获得图像。
S053、通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘。
S054、通过计算最后求出9个标定点的图像圆心坐标。
具体的,在即时ROI图像上,然后通过旋转将即时ROI图像校正。通过Blob分析检测得到标定板区域,进而通过标定板区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点(黑色原点)的边缘。最后求出各个标定点的图像圆心坐标。
在本实施例中,请参考图4所示,图4为本发明图像局部自动标定方法的步骤S06的流程图。步骤S06具体包括以下子步骤:
S061、利用数据排列算法提取左上角的标定点的图像坐标系下坐标和世界坐标系下的坐标。
S062、提取左下角的标定点的图像坐标系下坐标和世界坐标系下的坐标。
S063、提取左边中间的标定点的图像坐标系下坐标和世界坐标系下的坐标。
S064、提取右上角的标定点的图像坐标系下坐标和世界坐标系下的坐标。
S065、提取右下角的标定点的图像坐标系下坐标和世界坐标系下的坐标。
S066、提取右边中间的标定点的图像坐标系下坐标和世界坐标系下的坐标。
具体的,因为3×3的标定板的9个标定点是均匀分布在标定区域,利用数据排列算法提取左上角的标定点的图像坐标系下坐标和世界坐标系下的坐标。提取左下角的标定点的图像坐标系下坐标和世界坐标系下的坐标。提取左边中间的标定点的图像坐标系下坐标和世界坐标系下的坐标。提取右上角的标定点的图像坐标系下坐标和世界坐标系下的坐标。提取右下角的标定点的图像坐标系下坐标和世界坐标系下的坐标。提取右边中间的标定点的图像坐标系下坐标和世界坐标系下的坐标。通过提取左下角、左上角、左边中间、右上角、右下角、右边中间的标定点的图像坐标系下坐标和世界坐标系下的坐标,可以根据各个信息进行存储,方便对标定点坐标进行提取,准确高,使用方便。
在本实施例中,所述根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵包括以下子步骤:
定义有一个点变换之前是[x,y,1],变换后是[x’,y’,1],其中,x,y表示点变换前的坐标,x’,y’表示点变换后的坐标,则fullAffine表示如下:
TX=Y;
展开后表示满足如下关系式(3):
ax+by+c=x′
dx+ey+f=y′…(3);
若需求出a至f这6个变量需要的6个方程,为3组点;
若大于3组点,则通过最小方差求出,所述最小方差满足如下关系式(4):
通过九点标定算法原理提高对标定板上标定的自动标定效果,提高图像局部标定的效率,标定效果好,稳定性好,使用方便。
实施例二
请参考图5所示,图5为本发明图像局部自动标定装置的模块图。本发明实施例还提供一种图像局部自动标定装置200,包括:
预选模块201,用于预先选取预设标准规格的标定板,其中,所述标定板为3×3。
检测模块202,用于根据所述预设标准规格的标定板检测出黑色圆点半径和中心距。
跟随模块203,用于根据所述黑色圆点半径进行ROI跟随。
区域获得模块204,用于根据所述ROI跟随获得标定点分布的标定区域。
第一提取模块205,用于通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标。
第二提取模块206,用于提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标。
计算模块207,用于根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵。
坐标获得模块208,用于根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值。
具体的,预选模块201用于预先选取预设标准规格的标定板,其中,所述标定板为3×3。通过检测模块202用于根据所述预设标准规格的标定板检测出黑色圆点半径和中心距;跟随模块203用于根据所述黑色圆点半径进行ROI跟随;区域获得模块204用于根据所述ROI跟随获得标定点分布的标定区域;第一提取模块205用于通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标;第二提取模块206用于提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标;计算模块207用于根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵;坐标获得模块208用于根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值。
可选的,实施例二的具体实施方式与上述的实施例一的实施方式相同,此处不再进行一一描述。
实施例三
请参考图6所示,图6为本发明计算机设备的模块图。本发明实施例还提供一种计算机设备300,包括存储器301、处理器302及存储在所述存储器301上并可在所述处理器上运行的计算机程序,所述处理器302执行所述计算机程序时实现上述实施例一所述的图像局部自动标定方法中的步骤。
实施例四
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例一所述的图像局部自动标定方法中的步骤。
与现有技术相比,本发明通过预先选取预设标准规格的标定板,根据所述预设标准规格的标定板检测出黑色圆点半径和中心距;根据所述黑色圆点半径进行ROI跟随;根据所述ROI跟随获得标定点分布的标定区域;通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标;提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标;根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵;根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值;提高图像局部标定的效率,标定效果好,稳定性好,使用方便。
Claims (10)
1.一种图像局部自动标定方法,其特征在于,包括步骤:
预先选取预设标准规格的标定板,其中,所述标定板为3×3;
根据所述预设标准规格的标定板检测出黑色圆点半径和中心距;
根据所述黑色圆点半径进行ROI跟随;
根据所述ROI跟随获得标定点分布的标定区域,并获得9个圆点圆心的坐标;
通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标;
提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标;
根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵;
根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值。
2.如权利要求1所述的图像局部自动标定方法,其特征在于,所述黑色圆点半径为12.5m,所述中心距为25mm。
3.如权利要求1所述的图像局部自动标定方法,其特征在于,所述根据所述黑色圆点半径进行ROI跟随包括以下子步骤:
将所述标定板摆正放置在相机的视野下,获得图像;
将所述图像作为模板图像,且在所述模板图像上画上ROI作为模板ROI;
根据所述模板ROI区域为以标定板黑色缺三角附近区域为基准,覆盖九个标定的点区域;
以所述标定板黑色缺三角为模板在新的标定板图像上做模板匹配得到新的标定板图像上黑色缺三角的位置;
根据所述黑色缺三角的位置与模板ROI的相对位置得到模板ROI在新的标定板图像上位置,记为即时ROI。
4.如权利要求3所述的图像局部自动标定方法,其特征在于,所述根据所述ROI跟随获得标定点分布的标定区域,并获得9个圆点圆心的坐标包括以下子步骤:
通过在所述即时ROI上只有3×3个标定点是均匀分布在标定区域,以左上角第一个黑色圆点的圆心为坐标系原点,以向右正方为X轴的正方向,下正方为Y轴的正方向建立世界坐标系,利用中心距,求出在世界坐标系下9个圆点圆心的坐标。
5.如权利要求4所述的图像局部自动标定方法,其特征在于,所述通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标具体包括以下步骤:
在所述即时ROI图像上,通过旋转将所述即时ROI图像校正;
通过Blob分析检测得到标定板区域获得图像;
通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘;
通过计算最后求出9个标定点的图像圆心坐标。
6.如权利要求4所述的图像局部自动标定方法,其特征在于,所述提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标包括以下子步骤:
利用数据排列算法提取左上角的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取左下角的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取左边中间的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取右上角的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取右下角的标定点的图像坐标系下坐标和世界坐标系下的坐标;
提取右边中间的标定点的图像坐标系下坐标和世界坐标系下的坐标。
8.一种图像局部自动标定装置,其特征在于,包括:
预选模块,用于预先选取预设标准规格的标定板,其中,所述标定板为3×3;
检测模块,用于根据所述预设标准规格的标定板检测出黑色圆点半径和中心距;
跟随模块,用于根据所述黑色圆点半径进行ROI跟随;
区域获得模块,用于根据所述ROI跟随获得标定点分布的标定区域,并获得9个圆点圆心的坐标;
第一提取模块,用于通过所述标定区域利用图像Blob分析把图像上的干扰过滤掉和通过Canany边缘检测算法提取标定点的边缘,最后求出9个标定点的图像圆心坐标;
第二提取模块,用于提取所述9个标定点的图像坐标系下的坐标和世界坐标系下的坐标;
计算模块,用于根据提取的所述标定点的坐标,通过九点标定算法求出所述图像坐标系到所述世界坐标系下的仿射变换矩阵;
坐标获得模块,用于根据所述仿射变换矩阵求出结果之后再乘以起始目标像素点的坐标,获得起始实际目标点的坐标、实际的终点的坐标及实际的距离值。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上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如权利要求1至7中任意一项所述的图像局部自动标定方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的图像局部自动标定方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565453.3A CN114882122A (zh) | 2022-05-23 | 2022-05-23 | 图像局部自动标定方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565453.3A CN114882122A (zh) | 2022-05-23 | 2022-05-23 | 图像局部自动标定方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114882122A true CN114882122A (zh) | 2022-08-09 |
Family
ID=82677474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210565453.3A Pending CN114882122A (zh) | 2022-05-23 | 2022-05-23 | 图像局部自动标定方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882122A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173255A (zh) * | 2023-09-26 | 2023-12-05 | 拓荆键科(海宁)半导体设备有限公司 | 多相机位置的标定方法、***及晶圆键合检测设备 |
-
2022
- 2022-05-23 CN CN202210565453.3A patent/CN114882122A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173255A (zh) * | 2023-09-26 | 2023-12-05 | 拓荆键科(海宁)半导体设备有限公司 | 多相机位置的标定方法、***及晶圆键合检测设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022205525A1 (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
CN109285194B (zh) | 相机标定板及相机标定数据采集方法 | |
CN111612765B (zh) | 一种圆形透明镜片识别和定位的方法 | |
CN108022228A (zh) | 基于SIFT变换和Otsu匹配的彩色眼底图像拼接方法 | |
CN108229475B (zh) | 车辆跟踪方法、***、计算机设备及可读存储介质 | |
CN109815822B (zh) | 基于广义Hough变换的巡检图零部件目标识别方法 | |
CN111811784A (zh) | 激光光斑中心坐标确定方法、装置及设备 | |
CN111080542B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN111369605A (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和*** | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN111127384A (zh) | 基于偏振成像的强反射工件视觉测量方法 | |
CN113744307A (zh) | 一种基于阈值动态调整的图像特征点跟踪方法和*** | |
CN113313116A (zh) | 一种基于视觉的水下人工目标准确检测与定位方法 | |
CN114882122A (zh) | 图像局部自动标定方法、装置及相关设备 | |
CN112184723B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
Han et al. | Target positioning method in binocular vision manipulator control based on improved canny operator | |
CN114964032B (zh) | 基于机器视觉的盲孔深度测量方法及装置 | |
CN116645418A (zh) | 基于2d和3d相机的屏幕按钮检测方法、装置及其相关介质 | |
CN116883498A (zh) | 基于灰度质心提取算法的视觉合作靶标特征点定位方法 | |
CN113723432B (zh) | 一种基于深度学习的智能识别、定位追踪的方法及*** | |
CN113409334B (zh) | 一种基于质心的结构光角点检测方法 | |
CN113450335B (zh) | 一种路沿检测方法、路沿检测装置及路面施工车辆 | |
CN115841668A (zh) | 一种双目视觉苹果识别以及精准定位的方法 | |
CN114943775A (zh) | 图像全局自动标定方法、装置及相关设备 | |
CN113947686A (zh) | 一种图像的特征点提取阈值动态调整方法和*** |
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 |