👨🎓个人主页:研学社的博客
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
本文运用基于双目立体视觉的技术,提出一种快速非接触测量目标物体的体积方法。此方法将适用于多种场景下的目标体积测量,具有测量精度较高、测量成本低和灵活等优点。
【图像处理】基于双目视觉的物体体积测量算法研究,主要关注于利用双目相机(包含两个平行放置的相机)捕获同一场景的两张不同视角的图像,通过计算视差来实现对三维空间中物体的深度感知,进而精确测量物体的体积。此研究涉及多个关键技术环节,下面详细阐述:
1. 双目校准
- 在实施体积测量之前,首先需对双目相机系统进行精确校准,确保两个相机的内参(焦距、主点坐标等)和外参(相对旋转和平移)参数准确无误。这通常通过捕捉棋盘格等标定图案的图像,并使用张正友标定法等算法完成。
2. 视差图计算
- 利用立体匹配算法(如块匹配、极线搜索、半全局匹配SGM等)比较左右图像的对应像素,计算视差图。视差值反映了同一物点在两幅图像中的横向偏移量,直接关联于该点的深度信息。
3. 三维重建
- 将视差图转换为深度图,结合双目相机的内、外参数,利用逆透视投影或直接线性变换(Direct Linear Transformation, DLT)等方法,进行三维点云的重建。此步骤将二维图像信息转化为三维空间中的点云数据。
4. 物体检测与分割
- 在三维点云或深度图中,使用图像处理和计算机视觉技术(如阈值分割、连通组件分析、机器学习分类器等)来识别并分割出目标物体,排除背景和其他无关元素的干扰。
5. 体积计算
- 对于分割出来的物体点云,采用不同的体积计算方法,如体素化方法(将空间划分为小立方体单元,统计被物体占据的体素数量)、边界框法(包围物体的最小矩形体积估计)、三维扫描体算法(积分计算物体边界内的体积)等,以精确计算出物体的体积。
6. 误差分析与优化
- 分析并评估由于图像噪声、不精确匹配、校准误差等因素引入的体积测量误差,采用滤波算法(如卡尔曼滤波)、多视图融合技术或深度学习增强匹配精度等方法进行优化。
应用前景
该研究在工业制造、物流仓储、农产品分级、考古学、建筑设计等多个领域具有广泛的应用潜力。通过非接触式的体积测量,可以提高测量的效率与准确性,尤其适合于不规则形状物体的快速检测与分析。随着计算机视觉技术的不断进步和硬件设备的微型化、低成本化,基于双目视觉的物体体积测量算法将更加普及且实用。
📚2 运行结果
主函数部分代码:
%%
% 清理空间
clc;
clear;
close all;
%% 导入立体标定参数
load stereoParams.mat
% 立体参数的可视化
% figure;
% showExtrinsics(stereoParams);
%% 导入数据
frameLeft = imread('images/left007.bmp');
frameRight = imread('images/right007.bmp');
[frameLeftRect, frameRightRect] = rectifyStereoImages(frameLeft, frameRight, stereoParams);
figure;
imshow(stereoAnaglyph(frameLeftRect, frameRightRect));
title('Rectified Frames');
%% 视差计算
frameLeftGray = rgb2gray(frameLeftRect);
frameRightGray = rgb2gray(frameRightRect);
DisparityRange = [0, 160];
disparityMap = disparity(frameLeftGray, frameRightGray, 'Method','SemiGlobal','DisparityRange',DisparityRange,'BlockSize',5,'ContrastThreshold', 0.5,'UniquenessThreshold',0);
figure;
imshow(disparityMap, DisparityRange);
title('Disparity Map');
colormap jet
colorbar
%% 三维重建
points3D = reconstructScene(disparityMap, stereoParams);
% 单位为mm
points3D = points3D(:, 400:1000, :);
ptCloud = pointCloud(points3D);
figure;
pcshow(ptCloud);
% title('Original Data');
%% 空间位置变换
% 将有序点云变化为无序点云
ptCloudA= removeInvalidPoints(ptCloud);
% 坐标转换
Temp(:, 1) = ptCloudA.Location(:, 1);
Temp(:, 2) = ptCloudA.Location(:, 2);
Temp(:, 3) = -ptCloudA.Location(:, 3) + 400;
% 去除位置不合理的点
[i, j]=find(Temp(:, 3) < 0 | Temp(:, 3) > 500);
Temp(i, :) = [];
ptCloudB = pointCloud(Temp);
figure;
pcshow(ptCloudB);
title('Transform Data');
%% 去噪
% Threshold为离群值阈值,阈值为与选定点到邻居点的距离值的一个标准差,大于指定的阈值,则认为该点是异常值。
ptCloudC = pcdenoise(ptCloudB, 'NumNeighbors', 100, 'Threshold', 1); %1~6此实验Threshold=1,第7次Threshold=10
figure;
pcshow(ptCloudC);
% title('Denoised Data');
%% 点云分割
% maxDistance:从一个内点到平面标量值的最大距离
maxDistance = 10;
referenceVector = [0, 0, 1];
% 拟合平面的法线向量和参考方向之间的最大绝对角距离,以度为单位指定为标量值。
maxAngularDistance = 5;
[model, inlierIndices, outlierIndices] = pcfitplane(ptCloudC, maxDistance, referenceVector, maxAngularDistance);
ptCloudPlane = select(ptCloudC, inlierIndices);
ptCloudD = select(ptCloudC, outlierIndices);
figure;
pcshow(ptCloudC);
% title('Splitting1 Data');
hold on
plot(model);
figure;
pcshow(ptCloudD);
% title('Part1 Data');
figure;
pcshow(ptCloudPlane);
title('Part2 Data');
%% 空间位置校正
ptCloudE = pcTransform(ptCloudD, model);
figure;
pcshow(ptCloudE);
title('Transform');
🎉3 参考文献
[1]隋婧,金伟其.双目立体视觉技术的实现及其进展[J].电子技术应用,2004(10):4-6+12.
部分理论引用网络文献,若有侵权联系博主删除。