基于双目视觉的工业机器人运动轨迹准确度检测
基于双目视觉的快速定位与测距方法
基于双目视觉的快速定位与测距方法姚志生;许四祥;李天甲;王洋【摘要】In view of the problem of long matching time in binocular vision positioning and ranging process, a rapid method of binocular vision locating and ranging was proposed based on the background-subtraction method. Firstly, the original images captured by the binocular camera were processed by removing distortion and stereo correction.Then,the image frame and the background frame were subtracted,and morphological processing was carried out to obtain the image containing only the target object;Finally,the left and right images were matched, and the epipolar constraint law was employed to remove the mismatch to obtain the three-dimensional information of the object,and the positioning and ranging operation were completed.Experimental results show that the number of initial matching points is reduced by 96.7%,the number of effective matching points is reduced by 94.1%,and the matching time is reduced by 75.8%,compared with the traditional binocular vision ranging method.The method of this paper has practical significance to realize rapid positioning and ranging based on binocular vision.%针对双目视觉定位与测距过程中存在匹配时间较长的问题,提出一种基于背景差分法的双目视觉快速定位与测距方法.首先,对双目相机拍摄的原始图像进行去畸变和立体校正处理;然后,对图像与背景帧差并进行形态学处理,得到只包含目标物体的图像;最后,对左右图像进行匹配并运用极线约束法则去除误匹配得到物体的三维信息,完成定位与测距.经实验验证,与传统双目视觉定位测距方法相比,该方法初始匹配对数减少了96.8%,有效匹配对数减少了94.1%,匹配时间减少了75.8%,表明本文方法对于实现基于双目视觉的快速定位与测距具有实际意义.【期刊名称】《安徽工业大学学报（自然科学版）》【年(卷),期】2017(034)004【总页数】5页(P368-372)【关键词】双目视觉;相机标定;极线约束;背景差分法【作者】姚志生;许四祥;李天甲;王洋【作者单位】安徽工业大学机械工程学院,安徽马鞍山243032;安徽工业大学机械工程学院,安徽马鞍山243032;安徽工业大学机械工程学院,安徽马鞍山243032;安徽工业大学机械工程学院,安徽马鞍山243032【正文语种】中文【中图分类】TP391在钢铁冶金行业中，板坯连铸成型后需被分段切割送入辊道。
机器人与双目相机的手眼标定方法
无人驾驶
无人驾驶车辆利用双目相 机感知周围环境，结合机 器人控制技术实现自主导 航。
服务机器人
服务机器人通过双目相机 识别人脸、物体等信息， 实现人机交互、智能服务 等功能。
手眼标定的目的和意义
提高机器人定位精度
通过手眼标定，可以精确计算机器人与双目相机之间的相对位置 关系，从而提高机器人定位精度。
双目相机通常采用针孔模型进行 成像，即物体通过相机镜头在图 像传感器上成像，成像过程可用
针孔投影进行描述。
相机坐标系
每个相机都有自己的坐标系，通常 以相机光心为原点，X、Y轴与图 像平面平行，Z轴与光轴重合。
世界坐标系
为了描述物体在真实世界中的位置 ，需要引入世界坐标系，世界坐标 系可根据实际需求进行设定。
自标定方法
自标定方法不需要额外的标记物，通过机器人在不同位姿下对同一目标进行成像，利用视 觉信息和机器人运动约束，求解手眼关系。这种方法灵活性较高，但通常需要较复杂的算 法和较多的样本数据。
基于深度学习的标定方法
近年来，深度学习在计算机视觉领域取得了显著成果。基于深度学习的手眼标定方法通过 训练神经网络模型，直接回归出手爪与相机之间的相对位姿关系。这种方法具有强大的学 习能力和鲁棒性，但依赖于大量的训练数据。
3. 优化策略
根据误差分析结果，提出针对性的优化策 略，如增加实验数据、改进图像处理算法 等，以提高标定精度。
2. 精度评估
制定合适的精度评估指标（如均方根误差 RMSE），对标定结果的准确性进行量化 评估。
05
应用案例与实验结果分析
机器人视觉抓取应用案例
案例一
在工业生产线上，机器人需要通过视觉系统定位并抓取传送带上的零件。利用双目相机获取零件的立 体图像，并通过手眼标定方法确定相机与机器人手爪之间的相对位置关系，从而实现准确抓取。
双目视觉目标检测算法
双目视觉目标检测算法
双目视觉目标检测算法是基于双目立体视觉技术开发的一种新型目标检测算法。
它通
过对双目视觉信息进行处理，提取图像特征信息，进而实现目标的检测、识别和跟踪等任务，可以广泛应用于机器人、自动驾驶、智能监控、虚拟现实等领域。
双目视觉目标检测算法的基本原理是通过双目摄像机获取多维图像信息，从而获得图
像的深度信息，进而实现目标检测和跟踪等功能。
这种算法基于计算机视觉的技术与理论，结合了深度学习和机器学习的算法，在目标检测方面相较于传统的单目视觉算法更具优
势。
具体来说，双目视觉目标检测算法分为以下几个步骤：
1. 图像采集。
通过双目摄像机采集图像信息，并通过双目成像的方式，生成二维图
像的深度信息。
2. 标定。
对摄像机进行标定，以获取摄像机内外部参数，从而建立双目成像模型。
3. 特征提取。
提取双目图像中的特征，可以采用传统的图像特征提取算法（如SIFT、SURF、ORB等），也可以使用深度学习模型进行特征提取（如CNN）。
4. 目标检测。
将特征信息输入到检测器中，识别出包括目标在内的物体，并标记其
位置信息。
5. 目标跟踪。
通过不断地匹配当前图像和前一时刻的图像，实现目标的跟踪和位置
预测。
双目视觉目标检测算法还有很多的改进和优化空间，例如可以将其与深度学习模型结合，以提高检测的准确率和鲁棒性。
另外，也可以采用多种传感器，如GPS、激光雷达等，与双目视觉技术相结合，以获取更丰富的环境信息。
总之，双目视觉目标检测算法是一种新型、高效的目标检测算法，应用前景十分广阔，具有很大的发展潜力。
《2024年度基于双目立体视觉定位和识别技术的研究》范文
《基于双目立体视觉定位和识别技术的研究》篇一一、引言随着科技的飞速发展，计算机视觉技术在许多领域中得到了广泛的应用。
其中，双目立体视觉定位和识别技术以其高精度、高效率的特点，在机器人导航、工业检测、无人驾驶等领域展现出巨大的应用潜力。
本文将围绕双目立体视觉定位和识别技术进行深入的研究和探讨。
二、双目立体视觉技术概述双目立体视觉技术是一种模拟人类双眼视觉的计算机视觉技术。
通过模拟人眼的视差感知原理，双目立体视觉技术利用两个相机从不同角度获取场景的图像信息，然后通过图像处理和算法分析，得到场景中物体的三维信息。
双目立体视觉技术主要包括相机标定、图像获取、图像预处理、特征提取、立体匹配、三维重建等步骤。
三、双目立体视觉定位技术双目立体视觉定位技术是双目立体视觉技术的核心部分，它通过计算左右相机获取的图像间的视差信息，实现场景中物体的三维定位。
具体而言，双目立体视觉定位技术首先需要对相机进行精确的标定，以获取相机的内外参数。
然后通过图像预处理和特征提取，获取场景中的特征点或特征线。
接着，利用立体匹配算法，将左右相机获取的图像进行匹配，得到视差图。
最后，根据视差信息和相机的内外参数，计算得到场景中物体的三维坐标信息。
四、双目立体视觉识别技术双目立体视觉识别技术是在定位技术的基础上，进一步对场景中的物体进行分类和识别。
通过分析物体的形状、大小、纹理等特征信息，结合机器学习、深度学习等算法，实现对物体的识别和分类。
双目立体视觉识别技术可以广泛应用于无人驾驶、机器人导航、工业检测等领域。
五、双目立体视觉技术的应用双目立体视觉技术在许多领域都得到了广泛的应用。
在无人驾驶领域，双目立体视觉技术可以实现车辆的定位和障碍物识别，提高车辆的行驶安全性和自动驾驶的准确性。
在机器人导航领域，双目立体视觉技术可以帮助机器人实现精准的路径规划和导航。
在工业检测领域，双目立体视觉技术可以实现对产品的快速检测和质量控制。
六、研究展望随着计算机视觉技术的不断发展，双目立体视觉定位和识别技术将会有更广泛的应用前景。
双目立体视觉在工业中运用的例子
双目立体视觉在工业中有很多应用例子，以下是一些常见的应用场景：
1.零件识别与定位：双目立体视觉可以通过对物体进行三维测量和重构，实现零件的精确识别和定位。
在生产线中，机器人可以使用双目立体视觉
系统来识别零件的位置和姿态，从而精确地拾取和操作零件。
2.质量检测：双目立体视觉可以用于检测产品的外观质量和尺寸精度。
通过获取产品的三维模型，可以对产品进行全方位的检测和分析，如检测产
品表面的缺陷、尺寸偏差、对称性等。
3.机器人导航：双目立体视觉可以用于机器人的自主导航和定位。
通过获取环境的三维信息，机器人可以精确地识别障碍物和路径，并进行避障和
路径规划。
4.增强现实：双目立体视觉可以与增强现实技术结合，将虚拟物体与现实场景进行融合。
通过获取现实场景的三维信息，可以将虚拟物体精确地放
置在场景中，从而实现更加逼真的增强效果。
5.自动化装配：在制造业中，装配过程需要很高的精度和准确性。
双目立体视觉可以通过对零件进行精确的定位和操作，实现自动化装配。
机器人
可以使用双目立体视觉系统来识别零件的位置和姿态，从而精确地装配零件。
总之，双目立体视觉在工业中具有广泛的应用前景，可以提高生产效率、降低成本、提高产品质量等。
随着技术的不断发展，双目立体视觉将会在更多的领域得到应用。
基于双目立体视觉技术的轮式机器人位姿测量方法研究
量系统受天线距离和测试环境制约较大 ， 缺乏灵活性 采用多传感 ；
囊
蠲 像
，
，囊
／ 蝴 ，，）
器方法直接或间接测量位姿， 系统精度受传感器数量和精度影响较
大 ， 系统误差 随着时 问有 累积效应 ［ 提 出基于机器视觉软件 且 ６ １ 。 Ｈ ｌ ｎ． ａ ｏ９ ｃ ０的双 目立体视觉算法测量轮式机器人位姿的方法，通过 图像采集 、 摄像机标定 、 图像校正、 特征点匹配确定机器人坐标系在 世界坐标系中的位姿 ， 实现机器人在世界坐标系中位姿的非接触测 量， 并通过试验验证了该方法的可行ｌ 生和可靠性。
》视觉软件 Ｈ ｌ ｎ．测量轮式机器人位姿的方法， ａ ｏ９ ｃ ０ 利用机 器视觉软件 实现机器人图像 实时采集、 摄像机 ；标定、 特征点提取、 坐标 系变抉、 位姿转换 实现机 器人位姿的非接触式检测。 试验结果表明采用机器视
ｌ觉方法和采用陀螺仪检测得到的数据变化趋势吻合 ， 了该方法可行性和可靠性。 次测量机器人 验证 每 》位姿的时间仅需要 ６ ８ ８ ｓ对 实时测量运动 目 ７ ． ９ｍ ， ０ 标位姿的非接触检测有参考价值。 ｝ 关键词 ： 目立体视觉； 双 非接触式测量 ； 机器人； 位姿 ｌ 【 ｂｔａｔ Ａ ｑｉｔｎｏ ｈｅ ｄｒ ｏ ’ ｓ ｉ ｏ ａｏ ｓ ｎ ａ ｔ ｉ ａ ｃ ｒ ｐａｎ ｇ ｏ Ａ ｓ ｃ】 ｕ ｉｏ ｗ ｅｌ ｂｔ ｐ ｅ ｎ ｒ ｔ ｎｉｅｓ ｔｌｏ ｔ ｔｊ ｔ ｙ ｌ ｉ ，ｒ ｒ ｃ ｓｉ ｆ ｅ ｏ ｓ ｏ ｆ ｍ ｉ ｓ ｅ ｉ ｓ ｒ ｅ ｏ ｎ ｎ ｆ ；ｗ ｉ ｉ ｃｌ －ｔ ｅｖ ｉ ｏ －ｏｔ ｔ ｅｓｒｍ ｎ ａｐｏ ｈｉ ｄｖｌ ｅ ｓ ｇＨ ｌ ｎ ． ｔ ｉ ｈ ｈ０ｂ ｕ ｒｓ ｒ ｉｏ ｎｎ ｃｎ ｃ ｍ ａｕ ｅｔ ｐ ｒａ ｅｅ ｐ ｄ ｕｉ ａ ｏ９ ， ｋ ｇ ｃ ｏ ｎ ａ ｅ ｏｓｎ ａ ｅ ｃ ｓ ｏ ｎ ｃ ０ａｎ
基于双目视觉机器人自定位与动态目标定位
基于双目视觉机器人自定位与动态目标定位卢洪军【摘要】Aiming at the fact that, the mobile robot based on binocular vision is very easy to be disturbed by the complex environment, such as the influence of noise, illumination change and the occlusion of the robot, which will seriously affect the positioning accuracy of the self localization and the moving objects, the color feature of the HSV model is proposed to accurately segment the artificial landmarks, and the robot position is determined according to the principle of parallax.A method was proposed based on Harris operator which is accurate to the position of a moving object in a complex environment.The dynamic object is detected by the frame difference method.Harris operator was used to extract the feature points on the moving objects, so as to obtain the disparity value, and then to calculate the position of the moving objects.The experimental results show that the self localization and target localization can overcome the external disturbance and have strong adaptability by using this method.The algorithm has good real-time performance.%针对基于双目视觉自定位与动态目标定位极易受复杂环境(如噪声、机器人发生遮挡、光照变化等)的干扰导致移动机器人定位精度低的问题,提出基于HSV颜色模型特征准确分割出人工路标,根据视差原理确定机器人位置.同时提出一种双目机器人基于Harris算子实现在复杂环境下对动态目标精确定位的方法,利用帧间差分法将运动目标检测出来,采用Harris算子在该运动目标上提取特征点,并获得视差值,从而精确的计算出运动目标的位置.实验结果表明,利用该方法进行自定位与目标定位能够克服外界干扰,具有较强的适应性,且算法的实时性好.【期刊名称】《沈阳大学学报》【年(卷),期】2017(029)001【总页数】6页(P37-42)【关键词】双目视觉;目标定位;Harris算子;帧间差分法;HSV模型【作者】卢洪军【作者单位】沈阳工业大学信息科学与工程学院, 辽宁沈阳 110870【正文语种】中文【中图分类】TP391.420世纪末,对目标定位技术主要有基于红外线的定位技术、基于超声波的定位技术和基于频射识别技术等[1].近年来,由于图像处理和计算机视觉的飞速发展,机器视觉的研究越来越受到广大专家和学者的青睐[2].双目立体视觉是机器视觉的一个重要分支,能够直接模仿人类双眼处理外界环境[3],可以代替人类完成危险的工作(如深海探测、火灾救援、核泄漏监测等)[4].而基于双目立体视觉对动态目标检测与定位也是机器视觉领域备受关注的前沿课题之一[5].双目立体视觉定位主要分为六个步骤[6]:①图像获取;②图像预处理;③摄像机标定;④特征点提取;⑤特征点的立体匹配获取视差值;⑥基于视差原理实现机器人定位.特征点提取和立体匹配是实现机器人定位的关键环节.通常的方法是依靠目标的形状、颜色等特征检测目标,并以运动物体的形心或中心作为特征点[7].该方法虽然计算简单,但极易受噪声干扰,只选择一个点作为特征点,一旦该特征点发生遮挡或光照变化等,都会严重影响定位精度.1977年,Moravec提出根据图像的灰度变化来提取图像角点,称为Moravec角点[8].该方法计算相对简单,但对于处于边缘上的点会存在误检,也极易受光照变化的影响.SIFT特征点[9]和CenSurE特征点[10]虽然对尺度、亮度变化不敏感,但在弱纹理等复杂情况下难以提取稳定的特征点,算法复杂度高,计算时间较长.不满足移动机器人对实时性的要求.针对以上缺陷,本文首先利用帧间差分法检测出运动目标,然后在运动目标上基于Harris算法提取多个特征点来实现移动机器人在复杂环境下实时的对运动目标精确定位.机器人整体定位流程如图1所示,移动机器人首先基于HSV颜色模型空间分割出人工路标,实现机器人自定位.然后利用帧间差分法检测出运动目标,根据Harris算法在左右两幅图像上提取特征点,根据区域匹配原理获取视差值,利用视差原理即可求出运动目标的世界坐标,即完成了对运动目标的定位.1.1 人工路标检测(1) HSV颜色模型.RGB色彩空间分别以红色、绿色、蓝色为三原色,通过适当的搭配可以合成成千上万种颜色,是一种常见的颜色表示法.但是RGB色彩空间与人眼的感知差异大,其空间的相似不代表实际颜色的相似.为了能够更准确分割出人工路标,本文采用HSV色彩空间颜色模型,如图2所示.RGB颜色空间转化到HSV色彩空间只是一个简单的非线性变换,计算简单.HSV模型中H代表色调,S代表饱和度,并且独立于亮度信息V.色调H代表颜色信息,取值范围为0～180°,对其设定阈值可以区分不同颜色的路标;饱和度S表示颜色中掺杂白色的程度,取值范围为0～1,S 越大,颜色越深;亮度V表示颜色的明暗程度,取值范围为0～1,V越大,物体亮度越高.(2) 基于颜色特征提取人工路标.由于本文是在室内环境下对移动机器人定位,所以本文设计的人工路标是由红黄蓝三种颜色组成的矩形纸板.如图3a所示为左摄像机拍摄到的带有人工路标的室内环境.根据HSV颜色模型对H、S、V三个分量进行阈值设置即可分割出人工路标,如图3b所示.然后利用图像处理中的形态学操作对分割出的路标进行完善使其效果最佳,如图3c所示.图3d为获取人工路标的中心点,利用视差原理即可得到当前帧机器人的位置.1.2 帧间差分法帧间差分法[11]的思想是对一段连续视频的相邻两帧进行差分运算,从差分运算的结果中得到运动目标的轮廓.该算法的优点是实现简单,对光照变化不敏感,稳定性好.适用于多目标或背景变化较快的场合.图4为在室内环境下用帧间差分法检测到运动物体.结果显示,帧间差分法能够有效的将运动目标检测出来.2.1 双目立体视觉测距原理双目立体视觉的视差原理[12]是利用两台摄像机从两个视点观察同一景物,以获取在不同视角下的感知图像,通过计算空间点在两幅图像中的视差来获取目标物体的三维坐标.2.2 Harris角点检测Harris角点[13]是在Moravec角点的基础进行改进的算法. Harris算子是用高斯函数代替二值窗口函数, 对离中心点越远的像素赋予越小的权重, 以减少噪声的影响. 高斯函数如式(1)所示.Moravec算子只考虑了四个方向的像素值,Harris算子则用Taylor展开式去近似任意方向.图像I(x,y)平移(Δx,Δy)可以一阶近似为在图像I(u,v)中,像点(u,v)平移(Δx,Δy)后的自相关函数为将式(2)代入式(3)可得:其中M如下所示:根据式(5)中矩阵M的特征值可以近似的表示函数C(x,y)的变化特征.矩阵M的特征值需要考虑以下三种情况,如图5所示.(1) 如果矩阵M的两个特征值都比较小,则表征图像灰度变化函数C(x,y)的值也较小,就说明该像素点的邻域内灰度差值不大,图像较平滑,无角点.(2) 如果矩阵M的两个特征值一个较大,一个较小,说明该像素点的曲率也是如此,则该点的窗口区域处于一条边界,无角点.(3) 如果矩阵M的两个特征值都比较大,则图像灰度变化的自相关函数值也较大,该点的窗函数沿任意方向都将引起灰度的剧烈变化,该点即为角点.根据这一准则,只要计算行列式的特征值就可以检测图像中的哪些点是角点.Harris 提出角点的响应函数:det(M)为行列式的值,trace(M)为行列式的迹.而k根据Harris的建议一般取0.04～0.06之间.若Harris角点响应大于阈值,则被认为是角点.Harris角点的生成只涉及到一阶导数,所以该角点对噪声影响、光照变化引起的灰度值变化都不敏感,是一种比较稳定的特征提取算子.3.1 实验环境本文使用的机器人是由北京博创兴盛技术有限公司开发的自主移动机器人旅行家Ⅱ号,如图6所示.该机器人上安装了由加拿大Point Grey Research公司生产的Bumblebee2双目摄像机,其性能参数如表1所示.3.2 传统移动机器人对运动目标定位实验环境为一间办公室,装有双目摄像机Bumblebee2的移动机器人为工作机器人,用于检测运动目标.将另一台机器人视为运动目标,运动速度为0.1 m/s.传统的方法是提取运动目标的中心点,获取视差值,从而给运动目标定位.传统方法仅获取图像中的一个点作为立体匹配的特征点,当该点受到环境的干扰时定位精度会受到极大的影响,图7为传统方法提取运动目标中心点.表2为传统方法对运动目标定位的实验数据,表3为改变光照后传统方法移动机器人对运动目标定位的实验数据.可以得出传统方法机器人定位误差相对较大,一旦光照发生改变,对运动物体定位误差会更加严重.3.3 基于Harris算子机器人对运动目标定位针对传统方法定位精度不足,极易受外界环境的干扰的问题,决定采用基于Harris角点特征提取,即在相机获得的左右两幅图像上基于Harris算子提取多对特征点,如图8所示.表4、表5为基于Harris方法机器人对运动目标定位的实验数据,可以得出基于该方法对运动目标定位误差很小,相对误差降低到1%左右,当光照发生变化时也能实现对运动目标精确定位.最后将每一帧的两幅图像根据区域匹配原理[14]和极限束准则找到正确的匹配点,排出易受噪声干扰的点,从而得到视差值,即可准确的对运动目标定位.(1) 本文研究了机器人基于双目立体视觉实现自定位与对运动目标定位,充分利用双目视差原理,并结合Harris算法和帧间差分法来实现运动目标的精确定位.从仿真结果可以看出,提取多个特征点可以避免只用一个点易受干扰的不足,实现更精确的运动目标定位.(2) 虽然本文在运动目标上提取多个特征点,有效的克服了传统方法的不足.但还存在问题需要改进.首先,需要找到一种更快更准确的特征点立体匹配算法;其次,本文只是将每一帧图像得到的多个视差值做平均值处理,如何有效的将多个视差值融合也是对运动目标精确定位的关键.【相关文献】[1] 李艳. 双视频目标定位技术[J]. 沈阳大学学报(自然科学版), 2016,28(4):302-305. (LI Y. Dual video target location technology[J]. Journal of Shenyang University(Natural Science), 2016,28(4):302-305.)[2] 李天健. 基于机器人视觉的汽车零配件表面缺陷检测算法研究与实现[J]. 沈阳大学学报(自然科学版), 2013,25(6):476-480. (LI T J. Research and implementation of auto parts surface defect detection algorithm bases on robot visio[J]. Journal of Shenyang University (Natural Science), 2013,25(6):476-480.)[3] 杜宇. 三维重建中双目立体视觉关键技术的研究[D]. 哈尔滨:哈尔滨理工大学, 2014:1-5. (DU Y. Research on key technology of binocular stereo vision in three-dimensional reconstruction[D]. Harbin:Harbin University of Science and Technology, 2004:1-5.)[4] 余俊. 基于双目视觉的机器人目标检测与控制研究[D]. 北京:北京交通大学, 2011:1-4. (YU J. Research on target detection and robot control based on binocular vision[D]. Beijing: Beijing Jiaotong University, 2011:1-4.)[5] DESOUZA G N, KAK A C. Vision for mobile robot navigation: A survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002,24(2): 237-267.[6] 高栋栋. 基于双目立体视觉定位和识别技术的研究[D]. 秦皇岛:燕山大学, 2013:9-11. (GAO D D. Research on recognizing and locating binocular stereo vision technology[D]. Qinhuangdao:Yanshan University, 2013:9-11)[7] 崔宝侠,栾婷婷,张弛,等. 基于双目视觉的移动机器人运动目标检测与定位[J]. 沈阳工业大学学报, 2016,38(4):421-427. (CUI B X, LUAN T T, ZHANG C, et al. Moving object detection and positioning of robot based on binocular vision[J]. Journal of Shenyang University of Technology, 2016,38(4):421-427.)[8] 邓国栋. 基于多尺度特征的双目立体视觉目标定位[D]. 哈尔滨:哈尔滨工业大学, 2012: 21-22. (DENG G D. Object location of binocular stereo vision base on multi-scale feature[D]. Harbin: Harbin Institute of Technology, 2012:21-22.)[9] LOWE D G. Distinctive image feature from scale-invariant key point[J]. International Journal of Computer Vision, 2004,60(2):91-110.[10] KONOLIGE K, AGRAWAL M, SOLA J. Large-scale visual odometry for roughterrain[C]∥Robotics Research: The 13thInternational Symposium ISRR, 2011,66:201-212.[11] 熊英. 基于背景和帧间差分法的运动目标提取[J]. 计算机时代, 2014(3):38-41. (XIONG Y. Moving object extraction based on background difference and frame differencemethod[J]. Computer Era, 2014(3):38-41.)[12] 林琳. 机器人双目视觉定位技术研究[D]. 西安:西安电子科技大学, 2009:8-10. (LIN L. The research of visual positioning technology on the binocular robot[D]. Xi’an: Xi'an Electronic and Science University, 2009:8-10.)[13] 张从鹏,魏学光. 基于Harris角点的矩形检测[J]. 光学精密工程, 2014,22(8):2259-2266. (ZHANG C P, WEI X G. Rectangle detection base on Harris corner[J]. Optics and Precision Engineering, 2014,22(8):2259-2266.)[14] 罗桂娥. 双目立体视觉深度感知与三维重建若干问题研究[D]. 长沙:中南大学, 2012:48-53. (LUO G E. Some issues of depth perception and three dimension reconstruction from binocular stereo vision[D]. Changsha: Central South University, 2012:48-53.)。
基于双目视觉的机械零件位姿检测系统研究
算法实现：使用编 程语言实现算法， 并进行测试和验证
算法评估：对算法 进行评估，比较与 其他算法的优劣
测试目的：验证机械零件位姿 检测系统的准确性和可靠性
测试环境：实验室和实际生产 线
测试方法：对比实验、重复测 试和异常测试
测试结果：高准确率和低误差 率
相机标定是确定相机内 部参数和外部参数的过 程，通过标定可以获得 相机的高精度模型。
双目立体标定：确定左右相机之间的相对位置和姿态，以及基线距离等参数
优化算法：采用优化算法对标定结果进行优化，提高标定精度
优化算法：采用先进的优化算法，提高标定精度和速度 参数调整：根据实际情况调整相机参数和标定板规格，提高标定效果 多视角标定：采用多视角标定方法，提高标定结果的稳定性和可靠性 实践应用：将双目视觉系统应用于实际生产中，不断优化和改进系统性能
常见的相机标定方法包括 张氏标定法、两步法等， 这些方法都需要使用已知 尺寸和位置的标定板作为 参照物。
相机标定的精度直接影 响到双目视觉系统的测 量精度，因此需要进行 高精度的相机标定。
在进行相机标定时，需 要注意消除相机的畸变， 以提高标定精度和双目 视觉系统的测量精度。
相机内参标定：确定相机内部参数，如焦距、光心等 相机外参标定：确定相机相对于标定物的位置和姿态
触、低成本
挑战：光照条 件、目标遮挡、 复杂背景、实
时性
硬件部分：包 括双目视觉相 机、机械零件、
标定板等
软件部分：包 括图像采集、 预处理、特征 提取、位姿计
算等模块
算法部分：采 用基于特征匹 配的位姿计算 方法，实现机 械零件的位姿
检测
应用部分：将 位姿检测结果 应用于机械零 件的自动化装 配和质量控制
- 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)。
万方数据
万方数据
万方数据
万方数据
基于双目视觉的工业机器人运动轨迹准确度检测
作者：岁波， 都东， 陈强， 孙振国， 韩翔宇
作者单位：清华大学机械工程系,北京,100084
刊名：
机械工程学报
英文刊名：CHINESE JOURNAL OF MECHANICAL ENGINEERING
年，卷(期)：2003,39(5)
被引用次数：13次
1.Yuan Jing;Yu S L End-effector position-orientation measurement[外文期刊] 1999(03)
2.Bijan Shimzadeh Laser-interferometry-based tracking for dynamic measurement[外文期刊] 1998(01)
3.McNamee L P;Petriu E M;Spoelder H J W Photogrammetric calibration of a mobile robot model[外文会议] 2001(01)
4.Van Albada G D Low-cost pose-measuring system for robot calibration[外文期刊] 1995(03)
5.Janocha H;Diewald B New methods of measuring and calibrating robots 1995
1.刘常杰.杨学友.邾继贵.叶声华.LIU Chang-jie.YANG Xue-you.ZHU Ji-gui.YE Sheng-hua基于工业机器人白车身柔性坐标测量系统研究[期刊论文]-光电子·激光2006,17(2)
2.谭冠政.徐雄.肖宏峰.TAN Guan-Zheng.XU Xiong.XIAO Hong-feng工业机器人实时高精度路径跟踪与轨迹规划[期刊论文]-中南大学学报(自然科学版)2005,36(1)
3.陈伟.钟健面向工业机器人系统的三种可靠度配置策略的研究[期刊论文]-光学精密工程2002,10(2)
4.黄晨华.张铁.谢存禧工业机器人位姿误差建模与仿真[期刊论文]-华南理工大学学报（自然科学版）
2009,37(8)
1.李召鑫.李海峰.郑臻荣.刘旭立体视觉测量系统的空间分辨力和结构参数设置[期刊论文]-光电工程 2012(1)
2.张娅丽.刘波.解周凯.王晓白空中目标姿态测量中的图像处理方法[期刊论文]-科学技术与工程 2010(10)
3.郑魁敬.王连峰双目主动视觉监测平台设计[期刊论文]-计算机集成制造系统 2010(4)
4.张娅丽.刘波.解周凯.王晓白基于投影匹配的目标姿态测量方法研究[期刊论文]-传感技术学报 2010(6)
5.崔彦平.葛杏卫.张洪亮机械零件直线边缘亚像素定位方法研究[期刊论文]-半导体光电 2010(5)
6.基于双目视觉的飞行目标落地速度测量方法研究[期刊论文]-传感器与微系统 2009(8)
7.崔彦平.葛杏卫基于双目视觉的空间直线重建方法研究[期刊论文]-半导体光电 2009(6)
8.王健强.吕游一种面向工业机器人智能抓取的视觉引导技术研究[期刊论文]-机械设计与制造 2009(9)
9.宗光华.邓鲁华.王巍基于激光扫描的移动机器人实时轨迹测量系统[期刊论文]-航空学报 2007(4)
10.崔彦平.林玉池.黄银国双目视觉飞行目标落地参数测量[期刊论文]-光电工程 2007(8)
11.傅其凤.崔彦平.葛杏卫空间轴对称目标三维姿态测量方法的研究[期刊论文]-传感器与微系统 2007(3)
12.崔彦平.林玉池.黄银国回转体目标空间三维姿态测量方法研究[期刊论文]-传感技术学报 2007(1)
13.孙洪淋机器人视觉伺服系统的自适应模糊控制方法研究[学位论文]硕士 2006
14.刘苏宜.王国荣.钟继光视觉系统在机器人焊接中的应用与展望[期刊论文]-机械科学与技术 2005(11)
15.张国贤.陈强.张文增.汤晓华宏-微机器人微动机构研制[期刊论文]-焊接学报 2005(12)
16.潘锋仿人眼颈视觉系统的理论与应用研究[学位论文]博士 2005
本文链接：/Periodical_jxgcxb200305017.aspx。