一种用于单目立体视觉自标定的异型标定块及标定方法技术

本发明专利技术属于单目立体视觉自标定领域,涉及一种用于单目立体视觉自标定的异型标定块及标定方法，包括异型块形状、标定点位置及标定方法。首先利用标定板完成对单目CCD相机的畸变矫正，其次获取异型标定块上标定点的物理坐标及其在单目CCD相机中对应的像素坐标，利用神经网络算法及非线性算法对单目CCD相机和线激光器所构成的系统进行立体视觉标定。通过已知标定点坐标的锯齿形异型标定块来验证其算法的可行性，根据标定实验结果对比分析，经过神经网络算法及非线性算法之后的立体标定结果，测量值与理想值相差小于0.05mm，证明它是一种标定效率高、精度高的单目立体视觉自标定方法。

A special calibration block and calibration method for monocular stereo vision self calibration

The invention belongs to the field of monocular stereo vision calibration, which relates to a special Monocular Stereo Vision Calibration and calibration block calibration method, including profiled block shape, point location and calibration method. Firstly, the calibration board distortion of monocular camera CCD correction, secondly to obtain physical coordinate special calibration block and pixel coordinates of corresponding target points in the monocular CCD camera, stereo vision calibration system of a single CCD camera and laser line using neural network algorithm and nonlinear algorithm. The feasibility of sawtooth shaped by the known coordinates of calibration points of the calibration block to verify the algorithm, according to the comparative analysis of the experimental result, the calibration results after the neural network algorithm and nonlinear algorithm, measured value is less than 0.05mm and the ideal value, prove that it is a self calibration method of high efficiency, high precision of single camera stereo vision.

【技术实现步骤摘要】
一种用于单目立体视觉自标定的异型标定块及标定方法
本专利技术为一种用于单目立体视觉自标定的异型标定块及标定方法，属于单目立体视觉自标定领域。
技术介绍
随着机器视觉、数字图像处理技术的不断发展，提高相机畸变矫正及测量的精度，对于机器视觉在线检测显得至关重要，当前针对单目CCD相机应用于3D测量时，大都是利用三坐标测量机、经纬仪等设备去做立体标定，方法复杂，效率低，标定精度不高。目前，并未见到基于异型标定块的单目立体视觉自标定方法。
技术实现思路
本专利技术的目的是为了解决单目立体视觉自标定存在精度差、效率低等不足，我们提出了一种用于单目立体视觉自标定的异型标定块及标定方法。为了实现上述目的，本专利技术是通过以下技术方案实现的。一种用于单目立体视觉自标定的异型标定块及标定方法，包括异型块形状、异型块标定点位置及标定方法。进一步地，为了提高标定精度及质量，需要设定N级阶梯型异型标定块及异型标定块大小，以满足实际标定精度要求。进一步地，为了准确获取异型块标定点位置，将线激光光束垂直投影到异型块异型面上，通过单目CCD相机捕捉此时异型块与线激光投射光束之间的图像，通过相关图像处理算法，对异型标定块拐点位置坐标进行提取，并将除边缘两点以外的所有拐点处的点，作为标定点位置，并同时确定标定原点位置。进一步地，为了获取单目CCD相机立体视觉标定参数，首先利用标定板对单目CCD相机进行畸变矫正，其次利用异型标定块标定点物理坐标及对应标定点在单目CCD相机图像中的像素坐标，采用基于神经网络算法或非线性算法，对单目CCD相机立体视觉标定参数进行获取，具体步骤如下：1)首先利用标定板对单目CCD相机进行参数矫正，通过构造合适的畸变矫正模型，进行单目CCD相机畸变参数矫正。2)其次，利用矫正后的单目CCD相机拍摄异型标定块，捕捉标定块上的若干个标定点的物理坐标及像素坐标，即P1(2,4)、P2(4.5,7)、P3(7,7)、P4(8.5,10)、P5(11.5,10)、P6(13,7)、P7(15.5,7)、P8(18,4)，分别对应于像素坐标P′1(501,2061)、P′2(953,1521)、P′3(1413,1521)、P′4(1685,977)、P′5(2229,977)、P′6(2497,1523)、P′7(2953,1521)、P′8(3413,2062)，分别将这若干个标定点进行统一。3)通过对标定点像素坐标及物理坐标的综合分析，构造合适的神经网络算法及非线性算法模型来分析其两者之间存在的标定参数关系。4)利用已知异型块标定点位置坐标的锯齿形异型标定块验证其神经网络算法及非线性算法的正确性。则该若干标定点像素坐标值分别为P11(501，977)、P12(857，1513)、P13(1229，977)、P14(1593，1512)、P15(1953，977)、P16(2317，1517)P17(2685，977)、P18(3041，1509)、P19(3409，977)，对应的理想标定点物理坐标分别为P11′(2,10)、P12′(4,7)、P13′(6,10)、P14′(8,7)、P15′(10,10)、P16′(12,7)、P17′(14,10)、P18′(16,7)、P19′(18,10)，根据上面步骤所得出的神经网络算法及非线性算法，可得出实际标定点坐标值分别为P11"(2.0427,9.9509)、P12”(3.9922,6.9883)、P13"(6.0281,9.9698)、P14"(8.0214,7.0130)、P15"(9.9917,9.9887)、P16"(11.9849,7.0041)、P17"(13.9990.10.0078)、P18"(15.94854，7.0674)、P19"(17.9625,10.0266)，从以上对比我们可以看出，经过神经网络算法及非线性算法后，实际标定点参数与理想标定点参数之间的精度误差是可以忽略不计的，实现了通过单目立体视觉的办法达到了高精度三维测量的目的。从标定结果我们可以看出，基于异型标定块的单目立体视觉标定是一种可行的自标定方法。附图说明图1为单目立体视觉自标定用的异型标定块。图2为单目立体视觉自标定流程图。图3为阶梯型异型标定块标定点坐标示意图。图4为用于验证算法的锯齿形异型标定块。图5为锯齿形异型标定块标定点坐标示意图。具体实施方式参阅图1、图2、图3、图4、图5所示，一种用于单目立体视觉自标定的异型标定块及标定方法，包括异型块形状、异型块标定点位置、标定方法。一种用于单目立体视觉自标定的异型标定块及标定方法，包括异型块形状、异型块标定点位置及标定方法。进一步地，为了提高标定精度及质量，需要设定N级阶梯型异型标定块及异型标定块大小，以满足实际标定精度要求。进一步地，为了准确获取异型块标定点位置，将线激光光束垂直投影到异型块异型面上，通过单目CCD相机捕捉此时异型块与线激光投射光束之间的图像，通过相关图像处理算法，对异型标定块拐点位置坐标进行提取，并将除边缘两点以外的所有拐点处的点，作为标定点位置，并同时确定标定原点位置。进一步地，为了获取单目CCD相机立体视觉标定参数，首先利用标定板对单目CCD相机进行畸变矫正，其次利用异型标定块标定点物理坐标及对应标定点在单目CCD相机图像中的像素坐标，采用基于神经网络算法或非线性算法，对单目CCD相机立体视觉标定参数进行获取，具体步骤如下：1)首先利用标定板对单目CCD相机进行参数矫正，通过构造合适的畸变矫正模型，进行单目CCD相机畸变参数矫正。2)其次，利用矫正后的单目CCD相机拍摄异型标定块，捕捉标定块上的若干个标定点的物理坐标及像素坐标，即P1(2,4)、P2(4.5,7)、P3(7,7)、P4(8.5,10)、P5(11.5,10)、P6(13,7)、P7(15.5,7)、P8(18,4)，分别对应于像素坐标P′1(501,2061)、P′2(953,1521)、P′3(1413,1521)、P′4(1685,977)、P′5(2229,977)、P′6(2497,1523)、P′7(2953,1521)、P′8(3413,2062)，分别将这若干个标定点进行统一。3)通过对标定点像素坐标及物理坐标的综合分析，构造合适的神经网络算法及非线性算法模型来分析其两者之间存在的标定参数关系。4)利用已知异型块标定点位置坐标的锯齿形异型标定块验证其神经网络算法及非线性算法的正确性。则该若干标定点像素坐标值分别为P11(501，977)、P12(857，1513)、P13(1229，977)、P14(1593，1512)、P15(1953，977)、P16(2317，1517)P17(2685，977)、P18(3041，1509)、P19(3409，977)，对应的理想标定点物理坐标分别为P11′(2,10)、P12′(4,7)、P13′(6,10)、P14′(8,7)、P15′(10,10)、P16′(12,7)、P17′(14,10)、P18′(16,7)、P19′(18,10)，根据上面步骤所得出的神经网络算法及非线性算法，可得出实际标定点坐标值分别为P11"(2.0427,9.9509)、P12”(3.9922,本文档来自技高网...

【技术保护点】
一种用于单目立体视觉自标定的异型标定块及标定方法,包括异型块形状、标定点位置、标定方法。

【技术特征摘要】
1.一种用于单目立体视觉自标定的异型标定块及标定方法,包括异型块形状、标定点位置、标定方法。2.根据权利要求1，一种用于单目立体视觉自标定的异型标定块包括：N级台阶异型块和类似方法的标定块。3.根据权利要求1，一种单目立体视觉的自标定方法，具体检测步骤包括：1)首先利用标定板对单目CCD相机进行参数矫正，通过构造合适的畸变矫正模型，进行单目CCD相机畸变参数矫正。2)其次，利用矫正后的单目CCD相机拍摄异型标定块，捕捉标定块上的若干个标定点的物理坐标及像素坐标，即P1(2,4)、P2(4.5,7)、P3(7,7)、P4(8.5,10)、P5(11.5,10)、P6(13,7)、P7(15.5,7)、P8(18,4)，分别对应于像素坐标P′1(501,2061)、P′2(953,1521)、P′3(1413,1521)、P′4(1685,977)、P′5(2229,977)、P′6(2497,1523)、P′7(2953,1521)、P′8(3413,2062)，分别将这若干个标定点进行统一。3)通过对标定点像素坐标及物理坐标的综合分析，构造合适的神经网络算法及非线性算法模型来分析其两者之间存在的标定参数关系。4)利用已知异型块标定点位置坐标的锯齿形异型标定块验证其神经网络算法及非线性算法的正确性。则该若干标...

【专利技术属性】
技术研发人员：高金刚，刘智勇，张爽，王华，侯岱双，王文忠，王守龙，黄金，卢廖辉，王寅凯，安峻啸，
申请(专利权)人：长春工程学院，
类型：发明
国别省市：吉林,22