1 东南大学土木工程学院江苏省工程力学重点实验室,江苏 南京 211189
2 山东理工大学交通与车辆工程学院,山东 淄博 255090
对棱镜分光式单目立体视觉系统进行了深度方程的推导,修正了棱镜位姿偏移引入的成像误差,分析了位姿引起的成像视场变化。该系统由一个相机与两个具有相同参数的双棱镜组成,相机单次拍摄可获取两幅具有视差的子图像,这可视为两个具有一定夹角的虚拟相机同时成像。采用虚拟点模型与光线追踪法推导深度方程,建立视差与深度方程参数之间的关系,进一步研究了系统中物距与夹角对图像深度信息与视差的影响。棱镜组的人为放置,不可避免地引入位姿误差,进而影响每个成像通道中的成像视场。基于棱镜的旋转与偏移,建立了修正的虚拟点模型,并深入研究了棱镜组位姿对系统成像与视场产生的影响;最后通过实验验证了理论与推导的有效性与准确性。
测量 单目立体视觉 棱镜位姿 深度方程 系统误差 视场评估
天津大学精密仪器与光电子工程学院精密测试技术及仪器国家重点实验室,天津 300072
单目视觉中的参考点共面问题是计算机视觉领域内一个基础而重要的问题。建立了针对共面参考点的PnP(Perspective-n-Point)问题模型,并提出了一种稳健的解决方法,具体包括直接法和迭代法两个部分。在直接法环节,针对位姿恢复过程中存在的尺度不统一问题,利用奇异值分解方法对旋转矩阵的恢复进行改进,获得相机位姿估计结果,并将此结果用作迭代法的初始值。在迭代法环节,介绍了以物方空间共线性误差为目标函数的正交迭代算法,为提升该算法的稳健性,研究了加权正交迭代算法,确立了重投影误差中外点的判定阈值并以此为依据引入了权重信息。实验结果表明,在参考点数量较少或少量异常值存在的条件下,所提方法具有良好的计算精度及稳健性,有较高实用价值。
单目视觉 共面参考点 位姿估计 共线性误差 激光与光电子学进展
2024, 61(4): 0411004
1 天津大学 精密测试技术及仪器国家重点实验室,天津 300072
2 南开大学 计算机学院,天津 300071
针对空间物体姿态快速测量问题,以构建视觉最小系统需求为依据,研究了一种基于二维主动位姿引导的单目视觉空间姿态测量方法,建立了单目相机、二维载台与倾角仪之间的姿态测量模型,实现了空间物体的姿态角的测量。该方法以大地倾角仪坐标系统一测量系统的测量基准,由精密二维载台引导单目相机覆盖地空大视野三维空间,通过前期标定设计完成了单目相机与二维载台之间的工装校准;建立了载台坐标系、摄像机坐标系以及大地倾角仪坐标系之间的姿态测量传递模型,实现了定轴旋转双视角拍照下的空间物体的姿态解算和角度测量。构建了实验验证环境,测角实验结果表明:在系统测量基准坐标系下,其俯仰角的测量误差≤0.82°,测量相对误差≤6.1%;其横滚角的测量误差≤0.43°,测量相对误差≤3.4%。
视觉测量 姿态测量 单目视觉 二维载台 visual measurement attitude measurement monocular vision two-dimensional load 红外与激光工程
2024, 53(2): 20211026
为解决海上单目图像测距难的问题, 提高对海上图像的信息挖掘程度, 提出一种单目测距方法。在海天线检测和位姿解算单目测距技术的基础上, 通过图像中的海天线对相机位姿进行标定, 获取相机外参;再结合提前标定的相机内参, 构建目标与相机在成像空间中的几何关系模型;考虑地球曲率影响, 推导出了基于海天线标定的海上实时单目测距方法;最后利用蒙特卡罗法对测距模型进行仿真, 分析了其误差特性。
单目测距 海上测距 海天线 相机标定 monocular ranging marine ranging sea-sky line camera calibration
1 西南石油大学 电气信息学院,成都 610500
2 西南石油大学 理学院,成都 610500
为了提高基于结构光法的3维重建精度,采用机器学习中的回归模型对物体进行了3维形貌测量,通过以单目式获取对象高度点不同方向的光强信息簇样本,将其作为回归模型的训练集,在训练好回归模型后,直接建立起条纹图案的光强信息分布与对象高度之间的映射函数关系,完成对目标的3维测量;将调制条纹光数值信息以特征形式导入回归模型,获得端到端高度信息,验证了机器学习的神经网络回归模型在3维面形重建上的可行性。结果表明,该模型即使在投影特征模糊或噪音较大的情况也能较精确地重建3维面形,平均重建误差为1.40×10-4 mm,优于一般面形重建方法的数据。该研究为物体在强干扰条件下的单目式高精度3维面形重建提供了参考,简化了繁琐的计算过程和测量过程,提高了测量精度。
信息光学 高精度3维面形重建 深度神经网络 结构光 单目式 形变条纹 information optics high precision 3-D surface reconstruction deep neural network structured light monocular stripe of deformation、
1 中国矿业大学 信息与控制工程学院,江苏 徐州 226
2 中国矿业大学 计算机与科学技术学院,江苏 徐州 1116
针对目前自监督单目深度估计网络在充斥着大量低纹理、低光照区域的室内复杂场景中存在预测深度信息不精确、物体边缘模糊以及细节丢失严重等问题,本文提出一种基于层级特征融合的室内自监督单目深度估计网络模型。首先,通过映射一致性图像增强模块来处理室内图像,提升低光照区域可见性并且保持亮度一致性,丰富纹理细节,一定程度上解决了训练网络时出现模糊假平面恶化模型的问题。然后,设计结合基于注意力机制的跨层级特征调整模块的深度估计网络,充分融合编码器以及编-解码器多层级特征信息,提升网络的特征利用能力,缩小预测深度与真实深度的语义差距。最后,设计基于图像风格特征的格拉姆矩阵相似性损失函数作为额外的自监督信号约束网络模型,提升网络预测深度的能力,进一步提高了预测深度的精度。在NYU Depth V2 和ScanNet室内数据集上进行训练与测试,正确预测深度像素的比例能够分别达到81.9%和76.0%。实验结果表明,相比现有主要的室内自监督单目深度估计网络,本文网络模型很好地保持了物体边缘和细节信息,有效地提高了预测深度的精度。
自监督 单目深度估计 图像增强 层级特征融合 格拉姆矩阵 self-supervision monocular depth estimation image enhancement feature fusion gram matrix 光学 精密工程
2023, 31(20): 2993
围绕瞳距和眼镜光学中心距离的测量与判定展开讨论。从操作难度、测量准确性、分辨率、成本等角度比较了瞳距尺和瞳距仪的优缺点,综合考虑推荐使用瞳距仪测量瞳距;结合相关统计数据并举例说明使用单侧瞳距制镜能带来更好的视力矫正效果;介绍了眼镜光学中心距离的相关参数及其测量方法和注意事项;评定了使用直尺或卡尺测量眼镜光学中心水平距离的不确定度,分析了不确定度对符合性判定结果的影响。
瞳距 光学中心距离 不确定度 单侧瞳距 符合性判定 pupillary distance optical center distance uncertainty monocular pupillary distance compliance determination