视觉测距系统中实时图像处理算法的实现

合集下载

基于图像处理的视觉定位与导航系统设计

基于图像处理的视觉定位与导航系统设计视觉定位与导航技术是无人驾驶、无人机及机器人等智能系统中重要的核心技术之一。

它可以通过实时处理图像数据，对周围环境进行识别、定位和导航，使机器能够在没有人的干预下完成特定任务。

本文将重点介绍基于图像处理的视觉定位与导航系统的设计。

视觉定位与导航系统的设计主要包括三个方面：图像数据采集、定位与建图、路径规划与导航。

下面将依次介绍这三个方面的设计内容。

首先是图像数据采集。

视觉定位与导航系统需要通过摄像头等设备采集周围环境的图像数据，以获取有关环境特征的信息。

为了提高系统的鲁棒性和精确性，应选择视野广阔、分辨率高的摄像头，并合理安装在合适的位置上。

同时，还需要考虑图像数据的实时性，以保证系统能够对环境的变化作出及时响应。

其次是定位与建图。

定位是指系统能够准确地确定自身在环境中的位置信息，建图是指系统能够生成环境的地图以供导航使用。

在基于图像处理的视觉定位与导航系统中，常用的定位方法包括特征点匹配、激光雷达测距和深度学习等。

特征点匹配方法通过比对摄像头采集的图像与预先存储的地图特征点进行匹配，从而实现定位。

激光雷达测距则利用激光传感器扫描环境，测量自身与周围物体的距离，实现定位和建图。

深度学习方法则通过训练神经网络，使其能够从图像中提取特征，并进行定位和建图。

最后是路径规划与导航。

路径规划是指系统能够根据定位和建图结果，找到从出发点到目标点的最佳路径。

导航是指系统根据规划出的路径，自主控制车辆或机器人完成导航任务。

在基于图像处理的视觉定位与导航系统中，常用的路径规划方法包括图搜索算法、A*算法和遗传算法等。

这些算法可以根据地图的特性，找到最优的路径。

导航方法则涉及到自主导航控制、障碍物避障和路径跟踪等技术，通过精确控制车辆或机器人的动作来完成导航任务。

除了以上的基本设计内容，基于图像处理的视觉定位与导航系统还可以进一步优化与完善。

例如，可以考虑引入多传感器融合技术，将图像处理与激光雷达、惯性测量单元等其他传感器的数据进行融合，提高系统的定位精度和鲁棒性。

基于双目视觉的识别测距系统设计

第12期2023年6月无线互联科技Wireless Internet TechnologyNo.12June,2023作者简介:张润豪(1997 ),男,浙江温州人,硕士研究生;研究方向:图像处理,控制工程㊂基于双目视觉的识别测距系统设计张润豪,杨㊀瑞,管㊀艳(西京学院计算机学院,陕西西安710123)摘要:双目视觉的识别测距主要通过双目视觉系统模拟人的双眼 ,从而获得物体的形状和距离的远近㊂文章提出一种目标识别测距系统,构建卷积神经网络模型,利用图像处理技术识别目标以及三角相似原理计算目标距离,最后达到识别和检测的目的㊂实验结果表明,所设计的目标识别测距系统能够同时保证特定目标的检测和测距,具有一定的研究意义㊂关键词:双目视觉;识别测距;神经网络中图分类号:TP391.41㊀㊀文献标志码:A 0㊀引言㊀㊀随着农业自动化的发展,水果的自动化与智能化采摘技术研究已成为当今的研究热点㊂然而,水果的采摘方式与其他作物不同,需要进行准确的采摘㊂因此,依靠双目视觉实现对目标物的准确识别和定位十分重要㊂双目视觉对于危险生产场所的检测㊁非接触产品的质量检测以及位置随机移动物体的实时检测具有重要的研究意义和应用价值[1]㊂双目视觉技术还可应用于机械臂㊁智能家居㊁智能制造㊁工业等具有巨大潜力的领域[2]㊂其他测距方法测距误差较大,测量范围受限,而双目视觉技术可以在不接触目标物的情况下识别和定位目标物,还可以估计目标物的深度信息㊂因此,本文选择双目测距法㊂然而,同时具备目标物识别和测距的系统比较少,不能满足指定工作的需求[3-5]㊂针对上述存在的问题,结合双目视觉和机器学习等技术[6-9],本文提出了基于双目视觉的目标检测测距方法,设计了一个基于双目视觉的目标检测测距系统㊂该系统能够实现对目标物的识别和定位,使人们可以利用计算机技术模拟人眼,方便后期的操作㊂该系统利用卷积神经网络对物体进行识别,再根据双目相机测距原理,最后得到目标与摄像头之间的距离,从而最终实现定位㊂1㊀双目视觉系统㊀㊀双目系统主要由两款相同的摄像头组成,保持在同一个水平面上,并共享一个共同的观察区㊂距离测量是用三角数学方法进行的㊂测距的原理如图1所示㊂O 1和O 2分别为两个摄像头的光圈中心,它们之间的长度为B ㊂点P 为空间中的待测目标物,P 1(x 1,y 1)和P 2(x 2,y 2)为点P 在双目相机成像平面所成的点㊂当焦距为f 时,根据三角形原理可得:图1㊀测距原理B -x 1+x 2Z -f =B Z(1)Z =fB x 1-x 2(2)根据公式(1)和(2),设P 为空间中的一点,在空间坐标系和相机坐标系中的坐标点为(X ,Y ,Z ),(Xᶄ,Yᶄ,Zᶄ)㊂图像坐标系和像素坐标系表示为(x ,y )和(u ,v )㊂空间坐标系经变化到相机坐标系,有:XᶄY ᶄZ ᶄéëêêêùûúúú=R X Y Z éëêêêùûúúú+T (3)根据投影原理,把空间上的点投影到平面上,可得到相机坐标系到图像坐标系的转换关系,即:x y éëêêùûúú=f X ᶄZ ᶄf Y ᶄz ᶄéëêêêêùûúúúú(4)图像坐标系的起点是相机光轴和图像平面的交点,像素坐标系起点从像素阵列中的第一个点开始,图像坐标系转换到像素坐标系:u v éëêêùûúú=x dx +u 0y dy +v 0éëêêêêùûúúúú(5)由以上式可得:Z ᶄu v 1éëêêêùûúúú=1dx 0u 001dy v 0001éëêêêêêêùûúúúúúúf 0000f 000010éëêêêùûúúúR T 01éëêêùûúúX Y Z 1éëêêêêùûúúúú=f xu 000f y v 000010éëêêêùûúúúR T 01éëêêùûúúX Y Z 1éëêêêêùûúúúú(6)公式(6)中的矩阵代表着相机的内外参数,通过相机的标定获得具体参数㊂双目视觉测距是采用双目视觉技术来测量物体距离的原理,通过两台摄像机拍摄同一场景生成图像视差,并根据该视差建立物距测量模型,实现场景距㊀㊀离的实时计算㊂O l 和O r 为光圈中心,T ,f 为相机基线距离和焦距,P l 和P r 为图像坐标系的点,Z 为垂直距离㊂根据三角形相似:T -(X l -X r )T =Z -fZ(7)推出点P 与相机距离Z 的表达式为:Z =fT X l -X r =fTd(8)公式(8)式中,左右相机视差d =X l -X r双目测距系统的流程如图2所示,各个坐标系之间的转换关系如图3所示㊂图2㊀双目系统流程图3㊀各个坐标系转换2　双目相机标定2.1㊀相机标定㊀㊀双目相机中内部和外部参数和畸变参数的精度直接影响后续测量的精度㊂因此,文章选用了具有精度高㊁操作方便的张正友标定法㊂本文自制一个黑白棋盘,并将其固定在一个纸板上,如图4所示㊂首先,使用双目相机在不同的位置和角度拍摄大约30幅棋盘图像㊂其次,将图像分别导入MATLAB 进行检测校正㊂最后,经过计算和分析,利用棋盘校准板获得左右相机内部和外部参数及其位置的三维视图㊂标定结果如图5所示㊂2.2㊀立体校正㊀㊀把实际中非共面行对准的两幅图像,校正成共面行对准,提高匹配搜索的效率㊂将消除畸变后的两幅图像严格地对应,利用极线约束使得两幅图像的对极线恰好在同一水平线上,这样一幅图像上任意一点与其在另一幅图像上的对应点就必然具有相同的行号,只需在该行进行一维搜索即可匹配到对应点㊂根据摄像头标定后获得的双目相对位置对左右视图进行消除畸变和行对准,如图6所示㊂图4㊀标定板角点图5㊀标定板平面位置和标定误差图6㊀校正后图像2.3㊀立体匹配㊀㊀立体匹配主要计算视差㊂基于双目测距原理的分析使得可以通过计算由左右摄像机拍摄的每个图像相应点的视差来获得关于图像深度的信息㊂双目立体视觉的三维重建过程中,需要通过立体匹配算法进行视差图的计算得到左右两幅图像的视差值,进而计算深度以恢复场景的三维信息㊂要计算左右视图中三维场景中目标点生成的视差,左右视图中的两个对应像点必须与该点匹配㊂然而,协调二维空间中的对应点需要很长时间才能缩小适当的搜索范围,需要进行双目相机的立体校正,将二维上的匹配搜索降低到一维㊂立体匹配后,得到的视差图如图7所示㊂图7㊀视差3　图像识别定位测距3.1㊀数据标注和图片训练㊀㊀数据标注是处理原始语音㊁图像㊁文本㊁视频和其他数据并将其转换为机器可读信息的过程㊂机器无法识别和研究未标记的原始数据㊂原始数据只有经过标注处理成为结构化数据后才能被算法训练所使用㊂整个数据标注的过程如下:首先,将要标注的物体制作成数据集,并且图片越多越好,如果样本过少,模型训练和预测都会受到影响,非常容易欠拟合;其次,通过Labelme 工具进行标注,如图8所示;最后,将数据集分为训练集㊁验证集和测试集㊂数据标注完成后,需要对标注的数据集图片进行训练,图片训练完成后,可以看到训练好的模型的权重和PR Curve 曲线㊁Confusion Matrix (混淆矩阵)等训练过程数据㊂然后可以用训练的模型进行测试,配合双目摄像头,可以实现对特定物体的实时识别,如图9所示㊂3.2㊀双目识别测距㊀㊀双目相机的工作方式与人眼相同㊂人眼感知物体距离的能力基于两只眼睛在同一物体上呈现的图像差异,也称为视差㊂把物体识别和双目测距结合在一起,融合了卷积神经网络,不仅能够对物体进行识别,还能够进行测距㊂本文通过深度学习技术与传统算法的结合,利用双目相机实现了物体的精准测距㊂通过网络框的置信度确定识别的准确度,计算表达式为:图8㊀标注图9㊀灰度图和识别信度Pr (object )ˑIOU truth pred(9)IOU truth pred=area (BB dt ɘBB gt )area (BB dt ɣBB gt )(10)Pr (object )为训练样本的概率;BB gt 为物体标签的可行度,BB dt 分为网络预测的可信度;area 为面积函数㊂测距效果如图10所示㊂图10㊀双目测距4　结语㊀㊀在目标识别的基础上,建立双目系统,开发并实㊀㊀施基于双目视觉和机器学习的识别和定位系统㊂该系统已被证明具有一定的精度和稳定性㊂通过对双目距离原理的研究,本文开发了一种基于双目视觉的目标测距和检测系统,通过收集图像㊁校准相机㊁处理图像并进行比较,最后进行目标测试㊂实验表明,目标测距和检测系统具有良好的精度和可行性㊂下一步,笔者将继续深入研究㊁分析和提高双目视觉,消除系统测量的准确性和可靠性,研究双目视觉在智能制造设备和相关智能场景中的应用㊂参考文献[1]任慧娟,金守峰,程云飞,等.面向分拣机器人的多目标视觉识别定位方法[J ].机械与电子,2019(12):64-68.[2]赵刚,郭晓康,刘德政,等.随机工件的点云场景CAD 模型的快速识别与定位[J ].激光与红外,2019(12):1490-1496.[3]柴钰,许继科.基于机器视觉的目标识别与定位系统[J ].计算机工程与设计,2019(12):3557-3562.[4]连黎明.基于多信息融合的移动机器人定位算法[J ].西南师范大学学报(自然科学版),2019(9):89-95.[5]蒋萌,王尧尧,陈柏.基于双目视觉的目标识别与定位研究[J ].机电工程,2018(4):414-419.[6]王德海,洪伟,程群哲.基于双目立体视觉的目标识别与定位[J ].吉林大学学报(信息科学版),2016(2):289-295.[7]高如新,王俊孟.基于双目视觉的目标识别与定位[J ].河南理工大学学报(自然科学版),2014(4):495-500.[8]袁小平,张毅,张侠,等.基于改进FAST 检测的ORB 特征匹配算法[J ].科学技术与工程,2019(21):233-238.[9]BOYKOV Y ,VEKSLER O ,ZABIH R.Fast approximate energy minimization via graph cuts [J ].IEEE Transactions on Pattern Analysis and Machine Intelligence ,2001(11):1222-1239.(编辑㊀王雪芬)Design of recognition and ranging system based on binocular visionZhang Runhao Yang Rui Guan YanSchool of Computer Science Xijing University Shaanxi 710123 ChinaAbstract The recognition and ranging of binocular vision mainly uses a binocular vision system to simulate the eyes of humans thereby obtaining the shape of objects and the distance between them.This paper proposes a target recognition and ranging system constructs a convolutional neural network model uses image processing technology to identify the target and calculates the target distance based on the triangular similarity principle finally achieving recognition and detection.Experimental results show that the designed target recognition and ranging system can simultaneously ensure the detection and ranging of specific targets which has certain research significance.Key words。

嵌入式双目立体视觉测距系统

ｎｍｂｄｅｎｘ．ｅｓｓｅｃｐｕｅｍａｅａａｉｓｎｈｏｉａｉｎｂｓｎＢａｒｎｈｎｐｏｅｓｓａｄｅｅｄｄＬｉｕＴｈｙｔｍａｔｒｓｉｇｓｄｔｙｃｒｎｚｔｏｙｕｉｇ２ＵＳｃｍｅａ，ａｄｔｅｒｃｓｅｎｓｔｅｉｇｓｄｔｅＣＶｂＦｉａｌ，ａｃｌｔｈｉｌｄｖａｉｎｏｅｔｒｅｗｏｉｇｓａｄｔｅａｃｌｅｔｅｈｍａｅａａｉＯｐｎｎＬｉ．ｎｌｃｌｕａｅｔｅｐｘｅｅｉｔｏｆｈａｇｔｉｔｍａｅ，ｎｎｃｌｕａｙｔｎｈｔｈ
ａｇｒｔｍ，ａｌｃｌｕａｅｔｅｄｉｔｎｅｏｎｒｅｓｌｏｉｈｗｅＣｌａｃｌｔｓａｃｆａｙｔｇｔ．ｈａ
Ｋｅｏｄ：ｉｏｕａｅｅｉｉｎｂｎｃｌｎｉｇｅｅｄｄＬｎｘｌｃｔｎａｇｒｈｙＷｒｓｂｎｃｌｒｔｒｏｖｓ；ｉｏｕａｒｇｎ；ｍｂｄｅｉｕ；ｏａｉｌｏｉｍｓｏｒａｏｔ
ｒｈｔｔｒ，ｂｅｏｃｐｕｅｉｇｓａｒｃｓａａａｄｒａ— ａｃｉｃｕｅａｌｔａｔｒａｅｄｐｏｅｓｄｔｎｅｌｉｅｄｓｌｙｄｔｄｐｎｅｔ．ｈｎｃａｇｏａｉｎｅｍｎｔｉｐａａａｉｅｅｄｎｌＷｅｈｎｅｌｃｔｍｎｙｏ
ｄｓｌｓｈｇｓｄｄｅｎＬＤｗｉＶｍｅｄｄＧＩａｔｅＴｅｈｌｓｓｍｕｌｏｎｅｅｄｄｉａｅｉｅａｓＥｔＱＥｂｄｅＵｒｌｉ．ｈｏｅｙｔｉｂｉｎａｐｙｔｍａａｔｏｎｈｎｉｅｍｗｅｓｔｍｂｄｅ

机器视觉测距的原理和方法

机器视觉测距的原理和方法
机器视觉测距是利用图像处理和计算机视觉技术来实现测量目标物体与相机之间的距离。

其原理和方法可以分为以下几种：
1. 三角测距原理：利用视差（相邻图像上同一物体的位置差异）来计算物体的距离。

通过相机的双目或多目成像系统获取多个视角的图像，从而得到图像中目标物体的视差信息，通过视差与相机的基线长度之间的关系，可以计算出距离。

2. 结构光测距原理：结构光测距是利用投射特定结构的光斑模式，通过相机观测光斑的形变来计算物体距离的一种方法。

常见的结构光测距方法有二维结构光和三维结构光。

通过对物体投射结构光，然后用相机观测结构光形变的方式，计算出物体的距离。

3. 时间-of-flight（TOF）原理：TOF测距是利用物体反射光的时间延迟来计算物体的距离。

该方法通过在相机上安装一个发射器和一个接收器，发射器发射红外激光脉冲，接收器接收到反射回来的激光脉冲。

通过测量激光脉冲的时间延迟，可以计算出物体的距离。

4. 激光三角法原理：激光测距是利用激光束在空气中传播速度恒定的特性，通过测量激光束的反射时间或相位差来计算物体的距离。

该方法通过向物体发射一个脉冲激光束，然后用相机或接收器接收反射回来的激光束，通过测量激光束的时间或相位差，可以计算出物体的距离。

综上所述，机器视觉测距的原理和方法多样化，可以根据具体应用需求选择合适的测距方法。

双目视觉测距技术研究及应用

双目视觉测距技术研究及应用随着科技的飞速发展，人类对于高精度的测距需求也越来越高。

其中，双目视觉测距技术无疑是一种重要的技术手段。

在这篇文章中，我们将探讨双目视觉测距技术的原理、优缺点、应用情况以及未来发展趋势。

1. 双目视觉测距技术原理双目视觉测距技术，顾名思义，就是通过获取物体在两个视点下的图像信息，利用视差（即两个视点下的图像差异）计算出物体的距离。

在具体实施中，需要将两个摄像头分别放置在一定距离内，在实时采集两个视点下的图像信号，并将其通过计算机进行处理，得到距离等目标参数。

2. 双目视觉测距技术优缺点与传统测距技术相比，双目视觉测距技术具有以下优点：（1）测距精度高。

双目视觉测距技术可以利用两个视点提供的图像信息，剔除光照、尺寸等因素的影响，从而实现更为准确的距离测量。

（2）测距范围广。

由于双目视觉测距技术不受光源、物体大小等因素的限制，它的测距范围比传统技术更为广泛。

（3）应用范围广泛。

双目视觉测距技术可以用于形态检测、机器人控制、医疗诊断等领域，具有很大的应用潜力。

然而，双目视觉测距技术也有一些缺点：（1）计算复杂度高。

由于需要进行多余的图像处理，双目视觉测距技术的计算复杂度比较高，需要使用高性能计算机。

（2）对环境光线敏感。

双目视觉测距技术对环境光线的变化十分敏感，需要进行相应的补偿，否则可能会影响测距精度。

3. 双目视觉测距技术应用情况目前，双目视觉测距技术已经被广泛应用于各个领域。

以下是其中一些典型应用：（1）机器人控制。

在机器人运动控制中，测量目标与机器人的距离十分重要。

双目视觉测距技术可以实现对机器人运动轨迹的高精度跟踪控制。

（2）三维成像。

在三维成像领域，双目视觉测距技术具有不可替代的地位。

通过对不同视角的图像信息进行融合处理，可以快速生成高精度的三维成像图。

（3）安防监控。

在安防监控领域，双目视觉测距技术可以快速准确地检测出目标物体距离，以及目标移动方向等相关信息，对于防范犯罪、提高治安水平具有重要的作用。

双目视觉测距原理

双目视觉测距原理双目视觉测距的原理可以用三角形的几何关系来解释。

人眼与物体之间的距离可以表示为视差（disparity）或视差角（disparity angle），它是指物体在两只眼睛视网膜上成像的像素差异。

当物体离眼睛越近时，视差越大；当物体离眼睛越远时，视差越小。

为了实现双目视觉测距，需要采集两只眼睛的成像数据，并进行一系列的处理算法来计算视差。

首先，需要对两个成像系统进行标定，确定它们的相对位置和视角差异。

然后，将两个成像系统获取的图像进行校正，以消除由于成像系统的畸变和误差引起的差异。

接下来，需要进行特征点匹配，将左右两个图像中对应的特征点进行匹配。

这可以通过提取特征点并利用特征描述子进行匹配来实现。

匹配后，可以计算特征点的视差，并将视差转化为物体距离。

其次，特征点匹配的准确性也对测距精度有着重要影响。

如果匹配算法对图像中的特征点无法准确匹配，就会导致视差计算的误差。

此外，环境光照的变化、特征点的遮挡和背景复杂度等因素也会影响双目视觉测距的精度。

因此，为了提高测距的精度，需要采用适当的成像系统和算法，并对视觉系统进行合理的标定和校正。

双目视觉测距技术具有广泛的应用前景。

它可以用于机器人导航、三维重建、虚拟现实等领域。

在机器人导航中，双目视觉测距可以帮助机器人感知周围环境，避免障碍物，并规划安全路径。

在三维重建中，双目视觉测距可以用于获取场景的深度信息，从而实现高精度的三维重建。

在虚拟现实中，双目视觉测距可以用于人体姿态估计和手势识别，从而实现更加自然和直观的交互体验。

总之，双目视觉测距是一种通过观察物体在两只眼睛视网膜上的成像差异来计算物体距离的技术。

它的原理是基于人眼的视觉系统，通过标定、校正和特征点匹配等算法来实现。

双目视觉测距技术具有广泛的应用前景，可以在机器人导航、三维重建和虚拟现实等领域发挥重要作用。

halcon双目测距原理

halcon双目测距原理摘要：一、引言二、Halcon双目测距原理1.双目视觉基本概念2.双目测距的计算方法3.Halcon软件在双目测距中的应用三、Halcon双目测距的实际应用1.自动驾驶2.机器人视觉3.无人机导航四、Halcon双目测距的发展趋势与挑战1.提高测距精度2.应对复杂环境3.与其他深度估计算法的比较五、总结正文：一、引言随着计算机技术、图像处理技术和人工智能技术的快速发展，双目测距技术在众多领域得到了广泛应用。

Halcon作为一款功能强大的图像处理软件，也在双目测距领域发挥着重要作用。

本文将详细介绍Halcon双目测距的原理及其在实际应用中的表现。

二、Halcon双目测距原理1.双目视觉基本概念双目视觉系统是指通过两个相机从不同的角度拍摄同一场景，然后通过计算机处理这两幅图像来获取场景中物体的三维信息。

2.双目测距的计算方法双目测距主要利用视差原理，通过比较两幅图像中的对应点，计算出物体在空间中的距离。

3.Halcon软件在双目测距中的应用Halcon提供了丰富的图像处理功能，包括图像预处理、特征提取、匹配以及三维重建等，为双目测距提供了强大的支持。

三、Halcon双目测距的实际应用1.自动驾驶Halcon双目测距技术可以实时获取车辆周围环境的三维信息，为自动驾驶提供可靠的安全保障。

2.机器人视觉双目测距技术在机器人领域也有广泛应用，如导航、抓取、避障等任务，都需要准确获取物体的距离信息。

3.无人机导航无人机在执行任务时，需要实时获取地形和障碍物的三维信息，Halcon双目测距技术可以帮助无人机实现这一目标。

四、Halcon双目测距的发展趋势与挑战1.提高测距精度随着深度学习技术的发展，可以通过深度神经网络对双目测距结果进行优化，提高测距精度。

2.应对复杂环境在复杂环境下，如强光照、遮挡、纹理缺失等情况下，双目测距的性能会受到影响，需要研究针对性的解决方案。

3.与其他深度估计算法的比较Halcon双目测距技术需要与其他深度估计算法进行比较，以找到最适合特定应用场景的解决方案。

一种基于单目视觉的实时人机测距系统研究

存在，且人眼区域特征最终的中心点坐标定义为五次搜索坐标
汽方图均衡化的思想足把原始的直方图变换成均匀分布的形式，增加像素灰度值的动态范围，达到增强图像整体对比
度的效果。如图２所示，经直方图均衡化后图像灰度级明显扩大，输人图像明显改善。
点Ｐ通过摄像机坐标系将像投影到摄像机像平面Ｐ，由比例
Ｚｌ
采ｊ｛ｊ级联ＡｄａＢｏｏｓｔ算法对人脸特征进行提取是比较常用的一种方法、传统的ＡｄａＢｏｏｓｔ算法存在训练速度缓慢、检
的平均值… 。对于鼻子的定位，本文直接采用改进的Ａｄａ —
Ｂｏｏｓｔ方法进行特征提取，并选取定位框的中心点坐标作为鼻子的像素坐标。经实验，该方法对鼻子特征的提取有较高的鲁
限在低灰度区问，此时图像模糊不清，对比度不强，人脸特征不
易提取。采用商方图均衡化方法可快速有效解决上述问题。
相对位置，限定单眼的最大尺寸为２５× ２５像素，且在第一次搜
索到人眼后，将搜索范嗣扩大５％，并连续搜索五次，记录每一次搜索框的中心点坐标。若五次搜索都存在，则判定人眼特征
棒性，定位精度高。眼鼻定位及人脸特征三角形如图４所示。
图２均衡化前后图像对比

工科选题EI(JA)期刊教材

选题可发EI（JA）期刊，下单后研发体育选题：1)数据挖掘在篮球技术动作中的应用分析2)基于动态规划融合多模态的足球视频事件分析3)基于HMM的足球视频语义结构分析4)篮球比赛视频中持球队员行为预测5)基于模糊自调节算法的乒乓球机器人回球速度计算6)图像处理技术在捡球机器人上的研究应用7)基于虚拟现实的健美操训练技术研究8)仿人跆拳道机器人的技术研究9)基于PIC单片机篮球机器人的设计与实现10)基于单片机的篮球计时计分器的设计11)基于单片机控制的乒乓球训练系统的设计交通：12)基于卫星导航定位技术的交通运输信息系统的设计13)基于GIS的交通运输行业环境监测网络信息管理系统研究14)基于Internet/Intranet的交通运输物流信息系统设计15)面向决策支持的交通运输信息平台研究16)在交通运输上使用动态规划求解最短路径17)交通运输管理信息系统的开发与应用电子通信：18)基于ARM的GPRS无线数据传输系统的研究19)基于单片机的火灾自动报警系统的研究20)人工智能与机器人在现代图书馆中的应用体育：21)传感器在人体运动图像检测系统中的应用22)图像识别技术在运动学中的应用探析23)基于模糊数学方法的体育教学评价模型的研究24)基于模糊数学方法的学生体育成绩综合评定25)基于数学模拟竞技诊断方法的球类比赛分析机器人和控制算法：26)高精度超声波测距系统的研究及精度测量27)复杂环境下机器人路径规划及算法研究28)基于视觉的水下机器人定位与地图构建技术研究29)基于神经网络的四旋翼飞行器控制系统的应用及关键技术的研究30)仿人机器人脑电信号特征提取的分析与研究31)基于FPGA的大数据高级算法的设计与实现32)基于模糊算法的机器人路径规划33)微型水陆两栖机器人驱动设计及水动力分析34)基于蛇形的机器人步态算法研究智能控制：35)基于FPGA的图像处理算法研究与实现36)基于粒子滤波技术的图像处理研究37)嵌入式视频监测系统的FPGA图像处理系统设计38)基于ARM和DSP的嵌入式实时图像处理系统设计与实现39)基于多尺度几何变换算法的遥感图像处理研究40)基于胡氏不变距和贝叶斯分类器的边缘检测研究41)基于遗传算法和势场法的机器人路径规划技术研究42)基于粒子群算法使的智能车辆自主避障路径规划研究43)基于改进蚁群算法的双足机器人路径规划研究44)基于改进RRT算法的移动机器人在未知环境下的路径规划45)基于SVM和小波变换的四类脑电信号研究46)在线脑机接口信号的特征提取与分类方法的研究47)基于稳态视觉诱发电位的脑机接口技术的研究48)基于运动想象的脑机接口技术的研究与实现计算机，网络：49)基于CAN总线在软启动器上的应用50)改进遗传算法及其在平面度误差评定中的应用51)基于免疫算法的云计算任务调度策略研究52)基于形变模型的三维人脸快速重建改进算法53)求解三维装箱问题的混合模拟退火算法研究54)模拟退火算法的研究及其应用55)基于支持向量机的聚类及文本分类研究56)基于统计学习理论的支持向量机算法研究57)粗糙集理论及其在神经网络中的应用研究58)基于MATLAB的递推最小二乘法辨识与仿真59)主成分回归和偏最小二乘法在高炉冶炼中的应用60)云数据库服务管理研究与实现61)基于分布式数据库数据处理的研究62)基于Oracle数据库安全策略研究63)基于关系数据库的领域本体构建方法64)延迟容忍传感器网络数据传输研究65)有向传感器网络覆盖增强算法研究66)一种基于TMP的DOS_DDOS的攻击防范方法67)ARP欺骗在网络中的应用与防范68)移动通信网络安全策略研究69)基于SNMP的网络故障监测技术研究70)基于云计算的网络数据安全研究71)基于大数据分析的谣言传播规律与应对策略研究72)基于数据挖掘的投标辅助决策研究73)基于攻防博弈模型的网络安全测评和最优主动防御74)基于mvc模式的web管理信息系统的设计与实现75)基于JSP的网上购物系统的设计与实现76)基于遗传算法的多目标优化问题的应用研究77)基于LDA模型的文本聚类研究78)基于遗传算法的多旅行商问题优化79)人工冻结法在地铁隧道施工中的应用物联网：80)基于物联网分布式楼宇光伏电站监控系统设计81)物联网技术在变配电站监测系统中的应用能源工程：82)城市街区区域供冷供热系统的优化研究。

图像处理在激光立体视觉测距中的应用

图３图像的直方图
根据激光点的图像不难发现，激光点像素的亮度远高于背景像素的亮度，但是激光点像素的数量少到几乎可以忽略不计。根据激光点原图像利用Ｍａｌｔｂ中图像处理工具可得到激光点的灰度直方ａ图（如图４所示）图像中大多数像素则在１０以，５下，这部分是背景像素，而需要分离出的激光点像素主要分布在１５０间。８～２０之
维普资讯
・
应用研究・
倪厚强
朱丹凤
周骥平等
图像处理在激光立体视觉测距中的应用
４９
地提取激光点的边缘，里采用不会使边缘模糊的这中值滤波法。Ｍａｌｔｂ是这些年来在图像处理领域ａ
１激光点的图像滤波
实验采用的视觉系统包括摄像机（ｏｎｘ１０ｃｇｅ５０的面阵ＣＤ）镜头（ｈｋｎＴ５１／Ｃ，ｃｉｏＣＧ２０８２的手动光
圈定焦镜头）和计算机。利用视觉系统采集得到激
光点的图像，图１所示。图像的噪声表现为图像如上面出现各种形式的干扰斑点、纹等，些随机条这噪声把像素的真值隐蔽起来，重影响对图像二维严
体摄像，过激光特征点的提取和匹配，出激光通得
点在２图像平面上的坐标，个进而计算出激光点的空间坐标。
在激光点空间定位时，需要知道激光点中心的二维图像坐标，边缘是激光点的一个重要图像特而征信息［，由边缘点的图像坐标可以求得激光点的中心坐标，用的原理就是已知圆上的点求圆心利坐标。但是，光点打在目标物上会产生散光等现激象，接进行图像边缘提取不能精确得到图像边直缘，而影响激光点中心的二维图像坐标精度。因从此，对拍摄的图像进行一系列的处理，能很好要才

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

中图分类号：Ｐ９．１Ｔ３１４
文献标识码：Ａ
ＲｅｌｚｔｏｆＲｅｌｔｍｅＩａｅＰｒｃｓｇｒｔｍａｉａｉｎｏａ — ｉｍｇｏｅｓＡｌｏｉｈ
ｉＶｉｉｎｌｍｅｅｙｔｍｎｓｏＴｅｅｔｒＳｓｅ
维普资讯
第２１卷第３期２００６年６月
光电技术应用
ＥＬＥＣＴＲ０ — ０ＰＴＩＴＥＣＨＮ０Ｌ０ＧＹＣＡＰＰＬＩＴ１ＣＡ０Ｎ
ＶＯ．１２１．３ＮＯ
Ｊｎ０６ｕｅ２０
文章编号：６３２５２０ｌ３—０６ —０１７ —１５（０６００２４
ＡｂｔａｔＴｈｅｉｇｒｃｓｉｇｉｉｏｕａｉｉｎｔｌｍｅｅｙｔｍｈｕｄｈａｈａａｔｒｆｒａｓｒｃ：ｍａｅｐｏｅｓｎｎｂｎｃｌｒｖｓｏｅｅｔｒｓｓｅｓｏｌｖｅｃｒｃｅｓｏｅｌ
快速配准技术和亚像素级精确视差分析算法以及误差补偿算法，结合了平滑滤波、缘提取和二值化等预处理过并边程．实验表明这几种算法的采用很好的提高了图像处理的实时性和精确性，现了实时精确视觉测距．经实关键词：时图像处理；实图像精确匹配；目测距；线拟合双曲
光电测距技术可分为主动测距和被动测距
方式的难点就在于图像处理软件要在很短的时
２方式，动测距需要发射人造光照射物体，种主如激光和具有一定纹理结构的光，过分析物体通反射的光的纹理形变或直接测量光的传播时间来确定物体的距离－．种方法需要发射一定ｌ这Ｊ的能量光，测量目标的同时容易被敌方发现或在对目标造成一定的损害．比之下被动测距就要相
视觉测距系统中实时图像处理（．１东北电子技术研究所，宁锦州１１０；６８２部队，南洛阳４１０）辽２００２．３９河７０３
摘
要：对双目视觉测距系统中图像处理的实时性和精确性要求高的情况，软件设计上采用了 “ 分辨率 ” 针在变
ｓｏｈｅｓｆｌｅ，ｄｅｄｔｃｉｎＷＯｖｌｉｇｗｅｅａｐｉｄｉｏｔｒｅｉｎ．ｍｏｔｎｓｉｒｅｇ — ｅｅｔｏｎａｄｔ — ａｕｎｒｐｌｅｎｓｆｗａｅｄｓｇＴｈｅｅｅｉｎｅｕｔｔｘｐｒｍｅｔｒｓｌ
ｍａｃｎｇａｄｔｅｒａ—ｉｘｃｉｉｎｃｎｂｅｌｅｔｈｉｎｈｅｌｔｍｅｅａｔｖｓｏａｅｒａｉｄ．ｚＫｅｒｓ：ｅｌｔｍｅｉｇｏｃｓｉｙｗｏｄｒａ—ｉｍａｅｐｒｅｓｎｇ；ａｃｒｔｔｈｉｇｏｍａｅ；ｉｏｕａａｅｆｎｄｎｃｒｅｃｕａｅｍａｃｎｆｉｇｂｎｃｌｒｒｎｇｉｉｇ；ｕｖｆｔｉｇｉｔｎ
ＷＡＮＧｉＧＡＯｅ — ｉｇ，ＨＯＵａｇ，ｉｇＪｎ，ＷｎｑｎＺＱｉｎＬＩＰｎ２
（．ｒｅｓＲｓｒｎｔｕｅｆＥｅｔｎｃＴｃｎｌｙ，ｉｚｏ２００Ｃｉａ；１ＮｏｔａｔｅａｃＩｓｔｔｏｌｒｉｅｏｇＪｎｈｕ１１０，ｈｎｈｅｈｉｃｏｈｏ２６８２ＡｒｙＵｎｔＬｏａｇ４１０，ｈｎ）．３９ｍｉ，ｕｙｎ７０３Ｃｉａ
ｔｎｃｕａｅＳｈｅｈｏｏｉｓｓｃｓｃａｇｎｉｔｒｌｍｅｔｕｃｌｔｈｎｅｈｏｏｙ，ｎｉａｄａｃｒｔ，Ｏｔｅｔｃｎｌｇｅｕｈａｈｎｉｇｐｃｕｅｅｅｎｓｑｉｋｙｍａｃｉｇｔｃｎｌｇａ — ｍｅａｙｉｇａａｌｘａｃｒｔｌｔｕ — ｉｅｓａｄｅｒｒｃｒｅｔｎ，ｃｍｂｎｔｏｐｅｒａｍｅｔｓｌｚｎｐｒｌｃｕａｅｙａｓｂｐｘｌｎｒｏ —ｏｒｃｉａｏｏｉｇｗｉｓｍｅｒｔｅｔｎｓｈａ
ｓｏｈｔａｐｉｔｎｏｈｓｌｏｉｍｓｃｎｉｒｖｈｉｇｅｌｉｅｒｃｓｉｇａｄａｃｒｔｈｗｓｔａｐｌａｉｆｔｅｅａｇｒｈａｍｐｏｅｔｅｍａｅｒａ — ｍｐｏｅｓｎｎｃｕａｅｃｏｔｔ