《基于标准长度的立体视觉传感器结构参数的标定方法 北京航 …》由会员分享，可在线阅读，更多相关《基于标准长度的立体视觉传感器结构参数的标定方法 北京航 …（39页珍藏版）》请在金锄头文库上搜索。
1、三维机器视觉及其应用 1 . 机器视觉 l计算机视觉是采用图像处理、模式识别 、人工智能技术相结合的手段,着重于一 幅或多幅图像的计算机分析。 l机器视觉偏重于计算机视觉技术工程化, 能够自动获取和分析特定的图像,以控制 相应的行为。 2 . l双目被动视觉 l结构光主动视觉 l双目主动视觉 三维机器视觉主要方法 3 . 双目被动视觉 l双目被动视觉传感器一般由两台性能相同的 CCD摄像机组成，基于视差原理，可完成视场 内的所有特征点的三维测量。 l摄像机内部参数经过标定后，处于任何位置， 相对保持恒定，因此可以离线标定。而传感器 的结构参数，即两个摄像机之间的位置关系， 随摄像机的摆放位置和
2、方向的不同发生变化， 它们的结构容易受传感器固定安装的影响，所 以需要在线标定。 4 . 双目被动视觉传感器数学模型 5 . 结构光主动视觉 6 . 7 . 双目主动视觉 8 . 国内外研究热点 l建立更加合理的视觉检测模型 l建立有效的标定方法 l建立高精度标定点产生方法 l建立有效的通用的图象处理方法 l图象采集与处理实时化方法 l多视觉传感器的世界坐标系统一 9 . 标定点发生方法 10 . 传统方法 l标准靶尺法 11 . l标定点是靠光平面与标准靶尺上的特征的边缘 的交点提供的，因此，边缘的光反射会造成标 定点提取的误差。 l要保证标准靶尺与单向移动台的严格垂直。这 在实际操作中很难
3、做到，必然会引进由于不垂 直所产生的误差。 l要保证单向移动台的移动方向与激光面的法向 垂直。这在实际操作中很难做到，必然会引进 由单向移动台移动方向和激光面的夹角所产生 的误差。 l不能实现标定点图像位置的高精度提取。 12 . 拉丝法 1.不能实现标定点图像位置的高精度提取。 2.两台电子经纬仪获取标定点物坐标的精度较低 。 13 . l标准量块法（或称为微分法） 标准量 块法与标准靶尺法相似，只不是用标准 量块替代了标准靶尺。 14 . 单视觉传感器标定点发生方法 15 . 16 . 双视觉传感器标定点 发生方法 17 . 传统方法 拉丝法 18 . l不能实现标定点图像位置的高精度提取
4、。同时 两台电子经纬仪获取标定点物坐标的精度较低 ，一般在0.05mm左右。 l在两个视觉传感器相对放置的情况下，由于“ 盲区”问题，不能直接产生标定点，而是通过 两台电子经纬仪的移动来实现，因此造成了测 量误差。 l需要多次坐标系的转换，在坐标系的转换过程 中必然损失掉一些测量精度。 19 . 双视觉传感器标定点发生方法 20 . 21 . 标定点数据的全局统一 22 . 安装偏角的测量方法 l在双向光电瞄准装置的上表面做一标记，并在双向光 电瞄准装置的上方放置一摄像机。 l摄像机自上而下采集双向光电瞄准装置的上表面图像 ，经图像处理便可得到瞄准装置的轴线。 l控制移动台沿Z向移动，每移动一
5、定的距离，摄像机自 上而下采集双向光电瞄准装置上表面标记的图像，经 图像处理便可得到标记点的位置。移动台一直沿Z向移 动，这样便可获得标记点一系列的位置，采用这些位 置点进行直线拟合，便可得到移动台Z向轴线的图像直 线方程。 l由得到的瞄准装置的轴线和移动台Z向轴线的图像直线 方程便可实现安装偏角的测量。 23 . 人工神经网络 24 . l人工神经网络具有自适应功能、泛化功 能、非线性映射功能和高度并行处理功 能，可实现函数逼近（数字逼近映射） 、数据聚集、模式分类、优化计算、概 率密度函数估计等功能。因此人工神经 网络已被广泛用于人工智能、自动控制 、机械人、统计学等领域的信息处理中 。
6、25 . BP神经网络 l网络不仅有输入层节点，输出层节点，而且可 以有一层或多层隐层节点。这个算法的学习过 程，由正向传播和反向传播组成。在正向传播 过程中，输入信号从输入层经隐单元层逐层处 理，并传向输出层，每一层神经元的状态只影 响下一层神经元的状态。如果输出层不能得到 期望的输出，则转入反向传播，将误差信号沿 原来的连接通路返回，通过修改各层神经元的 权值，使得误差信号最小。 26 . 27 . RBF神经网络 l由三层组成，输入层节点只是传递输入 信号到隐层，隐层节点由核函数构成， 而输出层节点是简单的线性函数。隐层 节点的传递函数（即核函数）对输入信 号在局部产生响应，即当输入信号
7、靠近 核函数的中央范围时，隐层节点将产生 较大的输出。 28 . 29 . 视觉检测网络模型 l对标准BP算法进行了改进，所得到的改 进BP算法具有非线性映射能力强、收敛 较快、映射精度高、健壮性比较好等优 点；并且利用该算法成功地建立起了用 于结构光三维单视觉检测的BP网络模型 ，在200 mm的测量范围内网络的测试精 度为0.135mm。 30 . l将RBF神经网络应用于结构光三维视觉检测， 建立起高精度的结构光三维双视觉检测的RBF 网络模型。针对实际系统没有采用RBF网络的 典型学习算法，而是提出一种改进算法，该算 法映射精度高、健壮性好、收敛较快，更适用 于神经网络技术的结构光三维多视觉检测系统 。实验中利用该算法成功的建立起RBF视觉检 测模型，该模型的测量精度和BP网络相比，提 高了约一倍。在200 mm的测量范围内网络的测 试精度为0.084mm。 31 . 三维机器视觉应用 l视觉检测 l视觉导引 32 . 三维曲面检测 33 . 轿车白车身检测 34 . 微小型飞行器昆虫运动仿生 35 . 装配机器人导引 36 . 37 . 38 . l谢 谢 ！ 39 .
