张正友法的摄像机标定试验

针对机器视觉领域的摄像机标定问题,采用介于自标定与传统标定之间张正友法,对Sunway-130D数字摄像机进行标定。本研究首先阐述张正友法标定原理,即利用针孔模型匹配模板平面与其所成图像中的角点,计算出图像和模板之间的单应性矩阵,利用该单应矩阵线性解出摄像机内部参数,并由单应矩阵求出理想成像模型下的摄像机外部参数。然后考虑非线性畸变因素,求出畸变系数的初始值,最后对所有的标定参数进行迭代修正,通过非线性优化得到所有标定参数的最优解。制作模板并采集模板图像,利用MATLAB提取模板图像角点坐标并进行标定。结果表明:该方法可以有效地对摄像机进行标定;绝大多数偏差在(-1.5,1.5)像素之间,个别偏差超过1.5个像素,达到像素级精度,有较高标定精度。研究结果为进一步研究农业机械机器人奠定基础。     

基于混合蛙跳优化的采摘机器人相机标定方法

针对采摘机器人领域传统的张正友相机标定方法存在对相机模型参数初值敏感和标定结果不稳定等问题,提出一种基于改进混合蛙跳和LM算法的相机标定方法。该方法把相机标定划分为两步:(1)以混合蛙跳优化为工具,求出相机模型参数的初始值,避免传统张正友相机标定方法直接求取相机模型的参数初值所带来的初值敏感问题。(2)以改进LM算法对第1步求出的相机模型参数初值进行非线性优化求精,避免张正友相机标定方法须求取相机模型优化参数的雅可比矩阵,从而导致标定结果不稳定的问题。采用Open CV编写采摘机器人双目视觉标定系统,分别对传统张正友相机标定方法、基于遗传算法的相机标定方法、基于标准混合蛙跳算法的相机标定方法和本文相机标定方法进行相机标定试验。试验结果表明:本文相机标定方法所获得的左相机焦距的绝对误差为0. 065～0. 506 mm、相对误差为1. 899%～12. 652%,平面靶标图像特征点的平均像素误差为0. 166～0. 175像素;右相机焦距的绝对误差为0. 083～0. 360 mm、相对误差为2. 429%～11. 484%,平面靶标图像特征点的平均像素误差为0. 103～0. 114像素;双目相机之间距离的绝对误差为1. 866～2. 789 mm、相对误差为3. 209%～4. 874%。以上参数精度及收敛速度和稳定性均优于其他相机标定方法,从而验证了该方法所获得的相机标定参数具有较高的准确性和可靠性。     

基于双目视觉技术的猪生长监测系统标定模

针对养猪生产中对猪体生长监测的需求,设计了基于双目视觉的猪生长监测系统的软、硬件,实现了基于非线性摄像机模型双目视觉系统的标定算法.根据摄像机成像原理建立了基于最小二乘法的空间点坐标检测算法.利用标定和检测算法,从标定板图像数目、标定板位置、旋转角度3个方面对系统的标定模式进行了研究.结果表明:利用19幅以上标定板图像能够得到稳定的标定结果;不同位置的标定板图像对检测精度影响较大,应当在全视场内采集标定板图像;标定板的旋转角度对检测精度影响不明显,但是旋转角度增大不利于标定点的完全提取.     

MATLAB在精密排种机监测装置中的应用研究

以MATLAB为开发平台,建立了基于计算机视觉的监测装置.基于Tsai的RAC方法对摄像机进行线性标定建立数学模型,该方法大部分是解线性方程,简单明了且保证了精度.然后根据排种器的排种速度选择合适的快门触发时间,避免出现冗余图像信息,减少了计算量及计算时间.最后用MATLAB软件对采集到的图像进行背景去除和二值化处理,进而求出目标的图像坐标.     

基于立体视觉技术的多种农田障碍物检测方法

从摄像机标定、图像获取、双目校正、立体匹配、深度计算等方面研究多种农田障碍物检测方法,分别用Bouguet算法进行立体校正、用区域匹配方法获取视差图、用三角测量方法计算障碍物的深度,获取了不同环境下的5种障碍物及其位置信息,并使用计算机视觉函数库OpenCV,提高了算法的实时性。试验表明:障碍物与摄像机的距离小于2 000 mm时,准确识别率在96%以上,深度的绝对误差在±30 mm内(即相对误差在1.5%以下),且完成一次障碍物检测的时间小于100 ms。     

农作物无损检测的机器视觉系统标定方法研究

基于机器视觉的无损检测是植物生长建模的关键技术之一,对图像采集系统进行标定是实现无损检测的基本步骤.目前,摄像机标定的方法有传统标定方法、主动视觉标定法、自标定方法等.为此,对现有标定方法分别进行了讨论与比较,结果表明,传统线性标定法可以满足农作物无损检测的要求.     

基于改进Harris角点提取的摄像机神经网络标定技术

以前馈型BP神经网络进行双日立体视觉系统的摄像机标定研究,基于Harris角点提取,提出了增加约束的改进方法,从而提高网络训练样本集的数据精度;探讨了神经网络的欠泛化、过泛化问题,综合运用归一化、提前终止等多种策略,进一步提高网络泛化能力,并与经典标定方法进行对比.试验结果表明,该方法能够获得较高的摄像机标定精度.     

木板抓取机器人手眼标定方法

针对视觉抓取木板机器人的Eye-in-Hand视觉与机器人本体之间关联的手眼标定问题,提出了基于标定方程的求解优化。首先通过机器人带动相机以多个不同位姿观测标定板,得到多个标定方程,采集一次数据建立一个标定方程,再对所有标定方程运用Kronecker product算法和最小二乘法求解。为避免误差传递,将得到的解作为优化初始值,建立雅可比矩阵、误差函数,并采用Levenberg-Marquardt算法对初始值优化,得到精确解。在ROS系统中搭建仿真试验平台,通过3D可视化工具Rviz验证了标定结果的有效性。标定结果的精度分析表明,相同采集图像数量、不同噪声水平下,本文标定方法位置解精度比传统标定方法平均提高了30%;同一噪声水平、不同采集图像数量下,本文标定方法位置解精度比传统标定方法平均提高了31.1%。木板抓取试验结果表明,视觉系统抓取定位精度比传统标定方法平均提高了39.2%,抓取成功率为96.2%。     

基于双目立体视觉的秧苗直立度自动测定系统

介绍了基于双目立体视觉的秧苗直立度自动测定硬件系统和软件系统组成。在移栽机试验台上，两摄像机经标定后获取秧苗图像，通过图像处理得到二值化秧苗图像，在二维图像空间将秧苗角度信息简化为一条直线，然后利用简化的两条已知直线与两摄像机参数矩阵，进行空间直线三维重建，完成秧苗直立度的测定。试验结果表明：该方法可以获得较高的精度。     

基于机器视觉的苹果大小自动分级方法

介绍了采用机器视觉的苹果大小自动分级方法,利用CCD摄像机获取苹果的样本图像,应用MATLAB软件编程实现了对样本图像的背景去除、二值化、图像平滑、特征量提取和图像标定等处理,参照苹果分级的国家标准完成了苹果自动分级.试验表明,此方法分级精度高,且速度快.