针对大范围视觉系统相机标定难度大、效率低的问题, 提出了一种基于相位移编码圆的相机离焦快速标定方法。该方法首先通过相位移编码圆实现离焦状态下的特征点提取; 利用标靶空间位置信息构建出单目相机的目标函数, 并采用非线性最小二乘法求解相机的内部参数; 通过建立双目系统的目标优化函数解析出相机系统的外部参数。该方法无需移动相机或标靶, 通过拍摄3幅相位移圆图像, 即可完成大范围视觉系统相机离焦状态下的快速标定。经实验验证: 标定焦距偏差在0.5%以内, 逆向投影误差最大为0.33pixel, 解决了大范围视觉系统相机标定难度大、效率低的难题。

针对数字散斑投影三维测量技术中的立体匹配问题, 提出基于反向合成高斯牛顿的半全局立体匹配算法。该算法采用基于Census变换的匹配代价值来衡量像素点间的相似性, 通过代价聚合算法增强匹配代价对噪声的鲁棒性; 在此基础上, 提出基于一阶形函数的反向合成高斯牛顿算法, 实现亚像素级别的视差优化; 最后, 提出耦合唯一性检查、左右一致性检查以及连通区域约束的错误视差剔除算法, 消除由遮挡和噪声引起的错误视差。实验结果表明, 该算法可精确、稠密、完整地重建出复杂物体的三维形貌, 重建精度优于0.06mm。

提出一种基于二维轮廓数据的旋转扫描系统标定方法。分别对每个传感器采集的二维轮廓数据提取关键特征,通过建立特征间的匹配关系来实现多传感器相对位姿的精确标定;利用激光平面、标靶和转轴三者的几何约束关系来求解转轴的初始解,同时根据标靶的几何尺寸建立目标优化函数,迭代求解出转轴的精确解。实验结果表明,系统测量精度可达0.08 mm,测量时间为20 s,所提方法不仅可替代人工检测,实现车轮尺寸的在线测量,还可以推广应用到其他大型回转体三维测量中。

为了实现双目立体视觉系统大范围高精度三维测量, 提出了一种大视场双目立体视觉系统柔性标定方法, 该方法将系统中各相机内部参数标定与相机间的姿态标定进行分离, 标定内部参数时, 只需要令标靶相对于相机任意摆放至少三个姿态, 对标靶上的编码标志点进行识别, 根据标靶上编码标志点信息, 建立各姿态下视图的对应关系, 粗略计算标志点的初始三维坐标; 建立多姿态下逆向投影误差最小的目标函数, 采用非线性最小二乘优化获取精确的相机内部参数和标志点三维坐标; 最后, 建立基于双相机逆向投影误差最小的目标函数, 优化得到精确的相机间姿态的外部参数。实验结果表明: 当测量空间为1 200 mm×1 000 mm×1 000 mm时, 立体视觉系统的测量精度优于0.1 mm, 满足大范围双目立体视觉系统的高精度测量需求。

直接用稀疏的光束法平差(SBA)优化张正友单相机标定算法结果会得到多组不同的相机内部参数和畸变参数(统称相机参数 )。本文在 SBA数学模型的基础之上增加了相机参数相等的约束, 建立了一种受约束的稀疏光束法平差(CSBA)模型, 提出了一种新的矩阵分块策略, 提高了稀疏线性方程组的求解效率。运用模拟实验, 验证了 CSBA算法在图像特征点像素坐标不具备零均值高斯误差时也能得到唯一的优化相机参数。最后将所提 CSBA算法应用于双目立体视觉系统, 实测实验结果表明, 所提算法能够同时优化立体视觉中的相机内外部参数并提高三维重建结果的精度。

多视点云拼接技术是物体三维测量过程中的重要环节。现有的无标志点三维点云自动拼接方法在对不同表面进行测量拼接时稳定性较差。针对此问题，提出了一种基于几何特征和图像特征的点云自适应拼接方法。该方法建立了一个配准算法选择模型，通过引入配准算法判断因子来综合评价物体表面的几何、纹理复杂程度，从而系统可根据判断因子自适应地选择合适的配准算法，实现基于几何特征配准和基于图像特征配准的有机结合。并在特征点匹配过程中，采用随机抽样一致（RANSAC）算法对误匹配特征点进行剔除。实验结果表明，该方法可实现不同表面的稳定点云拼接。

大型零件三维测量过程中常需要粘贴较多的标志点来进行自动拼接。由于人工粘贴标志点的随机性与噪声等因素的影响，标志点自动匹配时极易产生误匹配标志点，影响了多次测量时点云数据自动拼合的稳定性。针对此问题，在实现标志点自动匹配的基础上引入随机抽样一致(RANSAC)算法去除误匹配标志点。该方法根据选定好的目标模型和相关评判准则，将所有的匹配标志点分为内点和外点，利用内点计算出当前最佳目标模型参数，经过一定次数的随机采样后计算出最终的最佳目标模型参数，从而有效地去除大型零件点云数据自动拼合过程中出现的距离误匹配标志点和噪声误匹配标志点。模拟实验和拼接实例表明该方法是可行的，能有效地提高大型零件点云数据自动拼合的稳定性。

详细介绍了投影机模型,并提出一种简单、高精度的投影仪参数标定算法,该算法将投影仪当作一个逆向的相机,使用一块带有圆形标志点的平面标定板对投影仪进行标定。标定过程中,使用两组不同方向的光栅图像建立投影仪图像和相机图像的对应关系,从而得到投影仪标定所需的图像数据,将投影仪标定转化为成熟的相机标定,然后使用相机标定算法对投影仪进行高精度标定。实验结果表明,所提议的投影仪标定算法操作过程简单,标定精度可达0.312 pixel。

建立高精度的相位-高度映射关系是结构光测量技术中的关键技术之一。在精确建立相机图像和投影仪图像对应关系的基础上,使用三层反向传播神经网络训练来建立图像坐标与被测物体三维坐标之间的映射关系。使用带有圆形标志点的平面标定板进行神经网络的样本采集与训练。为了验证本文算法的测量精度,使用训练好的网络对一个标准球和石膏头像进行了测量。实验结果表明,本文算法可以测量具有复杂自由曲面的物体,测量精度可达0.095 mm。