线结构光三维重建（二）相机标定、光平面标定

article/2025/9/22 2:43:37

线结构光三维重建（一）icon-default.png?t=M85Bhttps://blog.csdn.net/beyond951/article/details/125771158        

        上文主要对线激光的三角测量原理、光平面的标定方法和激光条纹提取的方法进行了一个简单的介绍，本文则主要针对线激光三维重建系统的系统参数标定进行阐述，同时对采集到的图片进行标定。本文主要涉及到的几个重难点：相机标定、激光条纹提取、光平面的标定和坐标系变换的理解。

相机标定

        本博客有多篇文章详细阐述了相机标定的理论推导过程，可详细参考下面链接文章的推导和实现。

北邮鲁鹏老师三维重建课程之相机标定icon-default.png?t=M85Bhttps://blog.csdn.net/beyond951/article/details/122201757?spm=1001.2014.3001.5501相机标定-机器视觉基础（理论推导、Halcon和OpenCV相机标定）icon-default.png?t=M85Bhttps://blog.csdn.net/beyond951/article/details/126435661?spm=1001.2014.3001.5502        

        最后标定的结果如下，标定过程中寻找棋盘格角点的检测图、标定的相机内参、经过内参矫正的图片和对应标定板生成的外参。

 

激光条纹提取

        本文采用激光条纹提取方式有灰度重心法和Steger算法，对激光条纹的中心点进行提取。

灰度重心法

vector<Point2f> GetLinePointsGrayWeight(Mat& src, int gray_Thed, int Min, int Max, int Type)
{vector<Point2f> points_vec;if (Type == 0){Min = Min < 0 ? 0 : Min;Max = Max > src.rows ? src.rows : Max;for (int i = 0; i < src.cols; i++){float X0 = 0, Y0 = 0;for (int j = Min; j < Max; j++){if (src.at<ushort>(j, i) > gray_Thed){X0 += src.at<ushort>(j, i) * j;Y0 += src.at<ushort>(j, i);}}if (Y0 != 0){//Point p = Point(i, X0 / Y0);points_vec.push_back(Point2f(i, X0 / (float)Y0));}else{//points_vec.push_back(Point2f(i, -1));}}}else{Min = Min < 0 ? 0 : Min;Max = Max > src.cols ? src.cols : Max;for (int i = 0; i < src.rows; i++){int X0 = 0, Y0 = 0;for (int j = Min; j < Max; j++){if (src.at<Vec3b>(i, j)[0] > gray_Thed){X0 += src.at<Vec3b>(i, j)[0] * j;Y0 += src.at<Vec3b>(i, j)[0];}}if (Y0 != 0){points_vec.push_back(Point2f(X0 / (float)Y0, i));}else{points_vec.push_back(Point2f(-1, i));}}}return points_vec;
}

Steger算法

vector<Point2f> GetLinePoints_Steger(Mat& src, int gray_Thed, int Min, int Max, int Type)
{Mat srcGray, srcGray1;cvtColor(src, srcGray1, CV_BGR2GRAY);//高斯滤波srcGray = srcGray1.clone();srcGray.convertTo(srcGray, CV_32FC1);GaussianBlur(srcGray, srcGray, Size(0, 0), 6, 6);//一阶偏导数Mat m1, m2;m1 = (Mat_<float>(1, 2) << 1, -1);//x方向的偏导数m2 = (Mat_<float>(2, 1) << 1, -1);//y方向的偏导数Mat dx, dy;filter2D(srcGray, dx, CV_32FC1, m1);filter2D(srcGray, dy, CV_32FC1, m2);//二阶偏导数Mat m3, m4, m5;m3 = (Mat_<float>(1, 3) << 1, -2, 1);   //二阶x偏导m4 = (Mat_<float>(3, 1) << 1, -2, 1);   //二阶y偏导m5 = (Mat_<float>(2, 2) << 1, -1, -1, 1);   //二阶xy偏导Mat dxx, dyy, dxy;filter2D(srcGray, dxx, CV_32FC1, m3);filter2D(srcGray, dyy, CV_32FC1, m4);filter2D(srcGray, dxy, CV_32FC1, m5);//hessian矩阵double maxD = -1;vector<double> Pt;vector<Point2f> points_vec;if (Type == 0){Min = Min < 0 ? 0 : Min;Max = Max > src.rows ? src.rows : Max;for (int i = 0; i < src.cols; i++){for (int j = Min; j < Max; j++){if (srcGray.at<uchar>(j, i) > gray_Thed){Mat hessian(2, 2, CV_32FC1);hessian.at<float>(0, 0) = dxx.at<float>(j, i);hessian.at<float>(0, 1) = dxy.at<float>(j, i);hessian.at<float>(1, 0) = dxy.at<float>(j, i);hessian.at<float>(1, 1) = dyy.at<float>(j, i);Mat eValue;Mat eVectors;eigen(hessian, eValue, eVectors);double nx, ny;double fmaxD = 0;if (fabs(eValue.at<float>(0, 0)) >= fabs(eValue.at<float>(1, 0)))  //求特征值最大时对应的特征向量{nx = eVectors.at<float>(0, 0);ny = eVectors.at<float>(0, 1);fmaxD = eValue.at<float>(0, 0);}else{nx = eVectors.at<float>(1, 0);ny = eVectors.at<float>(1, 1);fmaxD = eValue.at<float>(1, 0);}double t = -(nx*dx.at<float>(j, i) + ny*dy.at<float>(j, i)) / (nx*nx*dxx.at<float>(j, i) + 2 * nx*ny*dxy.at<float>(j, i) + ny*ny*dyy.at<float>(j, i));if (fabs(t*nx) <= 0.5 && fabs(t*ny) <= 0.5){Pt.push_back(i);Pt.push_back(j);}}}}}else{Min = Min < 0 ? 0 : Min;Max = Max > src.cols ? src.cols : Max;for (int i = Min; i<Max; i++){for (int j = 0; j<src.rows; j++){if (srcGray.at<uchar>(j, i) > gray_Thed){Mat hessian(2, 2, CV_32FC1);hessian.at<float>(0, 0) = dxx.at<float>(j, i);hessian.at<float>(0, 1) = dxy.at<float>(j, i);hessian.at<float>(1, 0) = dxy.at<float>(j, i);hessian.at<float>(1, 1) = dyy.at<float>(j, i);Mat eValue;Mat eVectors;eigen(hessian, eValue, eVectors);double nx, ny;double fmaxD = 0;if (fabs(eValue.at<float>(0, 0)) >= fabs(eValue.at<float>(1, 0)))  //求特征值最大时对应的特征向量{nx = eVectors.at<float>(0, 0);ny = eVectors.at<float>(0, 1);fmaxD = eValue.at<float>(0, 0);}else{nx = eVectors.at<float>(1, 0);ny = eVectors.at<float>(1, 1);fmaxD = eValue.at<float>(1, 0);}double t = -(nx*dx.at<float>(j, i) + ny*dy.at<float>(j, i)) / (nx*nx*dxx.at<float>(j, i) + 2 * nx*ny*dxy.at<float>(j, i) + ny*ny*dyy.at<float>(j, i));if (fabs(t*nx) <= 0.5 && fabs(t*ny) <= 0.5){Pt.push_back(i);Pt.push_back(j);}}}}}for (int k = 0; k<Pt.size() / 2; k++){points_vec[k].x = Pt[2 * k + 0];points_vec[k].y = Pt[2 * k + 1];}return points_vec;
}

steger参考的网上算法需要调试几个参数。灰度重心法的提取图像如下图所示：

空间中两条直线可以确定一个平面，这里用了四副标板图以及上面的激光轮廓。可将其中一块标板的参考坐标系作为世界坐标系，这里将第一块标板的坐标系当做世界坐标系。另外三幅标板的作用在于将激光条纹提取的轮廓点根据相应的标板外参转到相机坐标系下，再由相机坐标和标板1的外参可将所有的轮廓点坐标转到以标板1为参考系的世界坐标。

上面这段话是理解整个标定、重构过程的精髓，理解了这段话，整个系统的理解就很简单。

 标板投射的激光图，为避免棋盘格的影响，将整个图像的亮度调低。

 提取出来的激光轮廓图，为绿颜色的线条

 光平面标定

首先加载各副标板图对应的外参，并保存下来；

读取激光条纹图，先根据相机标定的内参结果对激光轮廓图进行矫正；

矫正完后，基于灰度重心法对激光条纹轮廓进行提取，将提取的点存在vector；

将各副对应标板图的平面零点和法向量，（一个平面可由平面上的一点和法向量表示），根据其对应的标板外参转换到相机坐标系下，即转换后的标板平面为相机坐标系下的平面；

将提取的点由图像坐标系转为相机坐标系下，将该点和相机光心（相机坐标系的原点）连线，可得到一条空间直线；

求解空间直线和平面的交点即为光平面上的点。

看完理清上面这一段话，再看博文一更好理解。

线结构光三维重建（一）icon-default.png?t=M85Bhttps://blog.csdn.net/beyond951/article/details/125771158?spm=1001.2014.3001.5502

//相机标定完，保存下来各副标板图的外参
//读取外参矩阵
for (int i = 0; i < ImgSource_Vec.size(); i++)
{Mat rotation_matrix, translation_vectors;File_Help.Load_RT_Params(".\\image\\source\\" + ImgSource_Vec[i] + ".xml", rotation_matrix, translation_vectors);R_Vec.push_back(rotation_matrix);T_Vec.push_back(translation_vectors);
}
for (int i = 0; i < ImgSource_Vec.size(); i++)
{//先根据标定的内参矫正图像Mat line_src = imread(Line_path + ImgSource_Vec[i] + ".bmp");line_src = Api.Correct_Img(line_src, intrin_matrix, distort_coeffs);//灰度重心法提取激光条纹轮廓点vector<Point2f> Line_Points_Vec = Api.GetLinePoints_GrayWeight(line_src, 190, 1600, 2000, 1);//相机坐标系下标板的零点//相机坐标系下平面法向量//将世界坐标系下标板的零点和平面法向量转换到对应的相机坐标系下Mat Word_Zreo = (Mat_<double>(3, 1) << 0, 0, 0);Mat cam_Zero = R_Vec[i] * Word_Zreo + T_Vec[i];             Mat Plane_N = (Mat_<double>(3, 1) << 0, 0, 1);Mat cam_Plane_N = R_Vec[i] * Plane_N + T_Vec[i];             for each (Point2f L_Point in Line_Points_Vec){//计算激光条纹点在成像面投影点Mat Cam_XYZ = (Mat_<double>(3, 1) << (L_Point.x - u)* 0.0024, (L_Point.y - v)*0.0024, f);//计算相机光心和激光条纹点在成像面投影点的连线和标板平面的交点Point3f point_Cam = Api.CalPlaneLineIntersectPoint(Vec3d(cam_Plane_N.at<double>(0, 0) - cam_Zero.at<double>(0, 0), cam_Plane_N.at<double>(1, 0) - cam_Zero.at<double>(1, 0), cam_Plane_N.at<double>(2, 0) - cam_Zero.at<double>(2, 0)), Point3f(cam_Zero.at<double>(0, 0), cam_Zero.at<double>(1, 0), cam_Zero.at<double>(2, 0)), Vec3f(Cam_XYZ.at<double>(0, 0), Cam_XYZ.at<double>(1, 0), Cam_XYZ.at<double>(2, 0)), Point3f(0, 0, 0));//将求得点进行保存Plane_Points_Vec.push_back(point_Cam);}
}
//保存点云
ofstream fout(".\\image\\word_cor_points.txt");
for each(Point3f point in Plane_Points_Vec)
{fout << point.x << " " << point.y << " " << point.z << endl;
}
//根据上面得到点拟合光平面
float PlaneLight[4];                            
Api.Fit_Plane(Plane_Points_Vec, PlaneLight);
//平面误差
float ems = Api.Get_Plane_Dist(Plane_Points_Vec, PlaneLight);
Mat Plane_V = (Mat_<double>(4, 1) << PlaneLight[0], PlaneLight[1], PlaneLight[2], PlaneLight[3]);

交比不变性标定

首先加载标板图对应的外参参数；

读取对应的标板图像，进行角点检测，将角点按行存储，并拟合直线（蓝线）；

读取对应的激光条纹投射的标板图，提取激光轮廓点，并进行直线拟合（黄线），求拟合直线和棋盘格行直线的交点（红点）；

求得的交点图像坐标已知，根据交比不变性，图像坐标系下的交并复比和标板坐标系下的交并复比相等，求得交点在标板上的坐标；

将求得交点在标板上的坐标根据标板对应的外参转到相机坐标系下；

将多副激光标板求得点进行平面拟合得到其在相机坐标系下的光平面。

//读取外参矩阵for (int i = 0; i < ImgSource_Vec.size(); i++){Mat rotation_matrix, translation_vectors;File_Help.Load_RT_Params(".\\image\\source\\" + ImgSource_Vec[i] + ".xml", rotation_matrix, translation_vectors);R_Vec.push_back(rotation_matrix);T_Vec.push_back(translation_vectors);}for (int i = 0; i < ImgSource_Vec.size(); i++){//读取标板图像Mat src = imread(Chess_path + ImgSource_Vec[i] + ".bmp");//根据标定的相机内参先对图像进行校正Mat Correct = Api.Correct_Img(src, intrin_matrix, distort_coeffs);//提取标板图像上面棋盘格的角点vector<Point2f> corners = Api.Get_Conners(Correct, Conner_Size, ".\\image\\line_Image\\" + ImgSource_Vec[i], 0);//标板角点按行进行直线拟合vector<vector<Point2f>> Lines_Points;Mat LineImg = src.clone();vector<Vec4f> Chess_Lines; //按行存储for (int j = 0; j < Conner_Size.width; j++){vector<Point2f> line_points;for (int k = 0; k < Conner_Size.height; k++){line_points.push_back(corners[j + k*Conner_Size.width]);circle(LineImg, corners[j + k*Conner_Size.width], 2, Scalar(0, 0, 255), 2, 8, 0);}Lines_Points.push_back(line_points);}//直线拟合	for each (vector<Point2f> points in Lines_Points){Vec4f corner_line_fit_temp;fitLine(points, corner_line_fit_temp, CV_DIST_L2, 0, 0.01, 0.01);//直线拟合Chess_Lines.push_back(corner_line_fit_temp);Mat Temp;Api.CVT_Gray2RGB(src, Temp);//图片转换CvPoint2D32f startpt;CvPoint2D32f endpt;//直线起点&终点Api.getFitLineStartEndPt(Temp, corner_line_fit_temp, startpt, endpt);     line(LineImg, startpt, endpt, Scalar(0, 255, 0), 1);}//首先灰度重心法对激光条纹进行轮廓点进行提取//根据提取到的轮廓点进行直线拟合Vec4f lightline_fitline;//读取标板图对应的激光标板图Mat line_src = imread(Line_path + ImgSource_Vec[i] + ".bmp");//校正图像line_src = Api.Correct_Img(line_src, intrin_matrix, distort_coeffs);//灰度重心法提取激光轮廓中心点vector<Point2f> Line_Points_Vec = Api.GetLinePoints_GrayWeight(line_src, 254, 1700, 2300, 1);//直线拟合fitLine(Line_Points_Vec, lightline_fitline, CV_DIST_L12, 0, 0.01, 0.01);        Mat Temp;//图片转换Api.CVT_Gray2RGB(line_src, Temp);                                             CvPoint2D32f startpt;CvPoint2D32f endpt;//直线起点&终点Api.getFitLineStartEndPt(Temp, lightline_fitline, startpt, endpt);     line(line_src, startpt, endpt, Scalar(0, 255, 0), 1);//保存灰度重心法提取光条直线的图片imwrite(Line_path + ImgSource_Vec[i] + "_FitLine.bmp", line_src); //棋盘格角点每一行拟合的直线和激光条纹拟合直线的交点vector<Point2f> cross_vec;        for each (Vec4f line in Chess_Lines){/*求交点并画点保存，result.jpg存储在工程目录下*/Point2f crossPoint;crossPoint = Api.getCrossPoint(line, lightline_fitline);cross_vec.push_back(crossPoint);circle(LineImg, crossPoint, 3, Scalar(255, 0, 0), 2, 8, 0);}line(LineImg, startpt, endpt, Scalar(0, 255, 0), 1);imwrite(".\\image\\line_Image\\" + ImgSource_Vec[i] + "_Final.bmp", LineImg);//激光线标板坐标系坐标提取（交比不变性）//根据标板坐标系和图像坐标系的交并复比不变性//求取交点在靶标坐标系上的点坐标vector<Point3f> Cor_Points;   //标板坐标系激光点vector<Point3f> Cam_Points;   //相机坐标系激光点for (int m = 0; m < Lines_Points.size(); m++){vector<Point2f> Chess_points = Lines_Points[m];   //图像坐标系：标板直线角点//图像坐标系的交并复比double AC = Api.Point2Point_Dist(Chess_points[10], Chess_points[5]);double AD = Api.Point2Point_Dist(Chess_points[10], Chess_points[0]);double BC = Api.Point2Point_Dist(cross_vec[m], Chess_points[5]);double BD = Api.Point2Point_Dist(cross_vec[m], Chess_points[0]);double SR = (AC / BC) / (AD / BD);//标板坐标系的交并复比//棋盘格一格距离代表2mmdouble ac = (10 - 5) * 2;double ad = (10 - 0) * 2;double X1 = (ad*SR * 2 * 5 - ac * 2 * 0) / (ad*SR - ac);AC = Api.Point2Point_Dist(Chess_points[10], Chess_points[5]);AD = Api.Point2Point_Dist(Chess_points[10], Chess_points[4]);BC = Api.Point2Point_Dist(cross_vec[m], Chess_points[5]);BD = Api.Point2Point_Dist(cross_vec[m], Chess_points[4]);SR = (AC / BC) / (AD / BD);ac = (10 - 5) * 2;ad = (10 - 4) * 2;double X2 = (ad*SR * 2 * 5 - ac * 2 * 4) / (ad*SR - ac);float x = (X1 + X2) / 2.0f;Point3f Point = Point3f(x, m * 2, 0);Cor_Points.push_back(Point);//将标板上的交点坐标根据标板对应的外参转到相机坐标系Mat cam_Point = (Mat_<double>(3, 1) << x, m * 2, 0);Mat Trans_Mat = (Mat_<double>(3, 1) << 0, 0, 0);Trans_Mat = R_Vec[i] * cam_Point + T_Vec[i];Point3f Trans_Point = Point3f(Trans_Mat.at<double>(0, 0), Trans_Mat.at<double>(1, 0), Trans_Mat.at<double>(2, 0));Plane_Points_Vec.push_back(Trans_Point);}}//根据点进行平面拟合float PlaneLight[4];                             Api.Fit_Plane(Plane_Points_Vec, PlaneLight);//平面拟合的误差float ems = Api.Get_Plane_Dist(Plane_Points_Vec, PlaneLight);

最后得到的光平面如下


http://chatgpt.dhexx.cn/article/wg4nXCj0.shtml

相关文章

工业相机标定（张正友标定法）

工业相机标定（张正友标定法）

目录 相机标定的概念 a. 相机标定的定义 b. 相机标定的目的 相机标定的过程 a. 标定板选择 b. 标定板摆放及拍摄 c. 标定板角点提取 张正友标定法 a. 反解相机矩阵 b.反解畸变系数 使用Python进行相机标定 a. 安装OpenCV b. 准备标定板图片 c. 利用OpenCV进行角点…
阅读更多...
详解机器人标定

详解机器人标定

相机固定不动, 上往下看引导机器人移动 机器人与视觉标定理论详解 相机固定不动, 上往下看引导机器人移动 1.相机非线性校正 使用标定板做非线性校正 2.相机与机器人做9点标定 可以使用机器人扎9个点&#xff0c;或者机器人抓住工件摆放9个位置&#xff0c;得到9个机械坐标…
阅读更多...
标定系列二、9点标定以及5点圆心标定过程（代码详解）

标定系列二、9点标定以及5点圆心标定过程（代码详解）

一、九点标定过程 1.算法原理 9点标定就是通过9个点计算出相机坐标系到机械手坐标系下的一个仿射变换&#xff0c;&#xff08;实际上空间中的二维平面的仿射变换只需要3个点就足够了&#xff09;。在实际应用过程中&#xff0c;需要获取像素下特征点的坐标和对应机械手的坐标…
阅读更多...
相机标定-张正友棋盘格标定法

相机标定-张正友棋盘格标定法

目录 1.针孔相机模型 2.相机成像过程 2.1 各个坐标系之间的转换 2.1.1 图像坐标系到像素坐标系 2.1.2 相机坐标系到图像坐标系 2.1.3世界坐标系到相机坐标系 2.1.4世界坐标系到像素坐标系 3.畸变与畸变矫正 3.1 畸变 3.2 畸变公式 4.相机标定原理 5.张正友标定法介…
阅读更多...
相机标定原理———标定原理介绍

相机标定原理———标定原理介绍

声明&#xff1a;欢迎任何人和组织转载本blog中文章&#xff0c;但必须标记文章原始链接和作者信息。 本文链接&#xff1a;http://blog.csdn.net/li_007/archive/2010/10/30/5976261.aspx 开拓进取的小乌龟------->CSDN点滴点点滴滴Blog 由于在word中包含大量的公式和矩…
阅读更多...
VisionMaster标定板标定

VisionMaster标定板标定

选择工具 标定板生成工具我比较喜欢用海康自己研发的标2定板 具体参数看自己需求 最后选择0 导出图像就行 一般不需要cad图纸 保存 去路径下打印看看你的按照路径 我的是D:\VisionMasterV4.2.0\VisionMaster4.2.0\Applications\Tools 找到这张图片 不要改变比例直接打印 …
阅读更多...
9点标定方法

9点标定方法

9点标定&#xff0c;旋转标定 1.9点标定2.旋转标定3.公式推导过程 1.9点标定 夹具夹取产品或者标定块&#xff0c;选取一个特征&#xff0c;开始进行标定 X轴、Y轴移动一个位置&#xff0c;记录轴的物理坐标&#xff1a;&#xff08;Qx1&#xff0c;Qy1&#xff09; 提取图像中…
阅读更多...
相机标定（一）

相机标定（一）

相机标定 相机成像模型参考坐标系针孔模型畸变模型相机参数 相机成像模型 参考坐标系 通常畸变分为两种&#xff0c;径向畸变和切向畸变。 图像像素坐标系&#xff1a;表示场景中三维点在图像平面上的投影&#xff0c;其坐标原点在CCD图像平面的左上角&#xff0c;u轴平行于…
阅读更多...
张正友相机标定Opencv实现以及标定流程标定结果评价图像矫正流程解析（附标定程序和棋盘图）

张正友相机标定Opencv实现以及标定流程标定结果评价图像矫正流程解析（附标定程序和棋盘图）

使用Opencv实现张正友法相机标定之前&#xff0c;有几个问题事先要确认一下&#xff0c;那就是相机为什么需要标定&#xff0c;标定需要的输入和输出分别是哪些&#xff1f; 相机标定的目的&#xff1a;获取摄像机的内参和外参矩阵&#xff08;同时也会得到每一幅标定图像的选择…
阅读更多...
标定工具介绍

标定工具介绍

作者 | WenDao_Engineer 微信公众号 | 闻道工程师之家 在前面标定相关的系列文章文对标定的基本介绍、标定的实现过程以及标定所涉及的相关协议都进行了介绍&#xff0c;从今天开始我们介绍一下标定实现过程中的标定工具相关知识。 标定系统组成 我们已经知道通过CCP或者XCP…
阅读更多...
单目相机标定实现--张正友标定法

单目相机标定实现--张正友标定法

文章目录 一&#xff1a;相机坐标系&#xff0c;像素平面坐标系&#xff0c;世界坐标系&#xff0c;归一化坐标系介绍1&#xff1a;概述公式 二:实现1&#xff1a;整体流程4&#xff1a;求出每张图像的单应性矩阵并用LMA优化5&#xff1a;求解理想无畸变情况下的摄像机的内参数…
阅读更多...
摄像机标定和立体标定

摄像机标定和立体标定

尝试用OpenCV来实现立体视觉也有一段时间了&#xff0c;主要的参考资料就是Learning OpenCV十一、十二章和OpenCV论坛上一些前辈的讨论。过程中磕磕碰碰&#xff0c;走了不少弯路&#xff0c;终于在前不久解决了最头大的问题&#xff0c;把整个标定、校准、匹配的流程调试成功。…
阅读更多...
相机标定——张正友棋盘格标定法

相机标定——张正友棋盘格标定法

目录 为什么需要相机标定&#xff1f; 相机标定可以做什么&#xff1f; 相机标定后可以得到什么&#xff1f; 什么情况下需要借助相机标定的方法&#xff1f; 相机标定的原理 实现相机标定的方法 为什么需要相机标定&#xff1f; 一个是由于每个镜头的在生产和组装过程中的…
阅读更多...
标定方法——张正友标定法

标定方法——张正友标定法

标定 标定是联系世界坐标与像素坐标的环节&#xff0c;目的是求出相机和投影仪的内外参数&#xff0c;对于3D成像来说至关重要 张正友标定法 通过各种方法的对比&#xff0c;为了方便&#xff0c;我们采用的是张正友标定。我们主要对张正友标定法的原理进行介绍&#xff0c;…
阅读更多...
笔记总结-相机标定（Camera calibration）原理、步骤

笔记总结-相机标定（Camera calibration）原理、步骤

这已经是我第三次找资料看关于相机标定的原理和步骤&#xff0c;以及如何用几何模型&#xff0c;我想十分有必要留下这些资料备以后使用。这属于笔记总结。 1.为什么要相机标定&#xff1f; 在图像测量过程以及机器视觉应用中&#xff0c;为确定空间物体表面某点的三维几何位置…
阅读更多...
如何实现标定？

如何实现标定？

上一篇《什么是标定》对标定进行了初步的介绍&#xff0c;让大家有了一个感性的认识。标定是一项非常复杂的工作的&#xff0c;涉及方方面面的知识非常多&#xff0c;本文将对标定具体实现的过程进行介绍。 控制器对标定的支持 在前面的文章中介绍了控制算法是在软件编程的时候…
阅读更多...
标定的分类（一）

标定的分类（一）

关于标定的分类及说明(一) 现在工业机器视觉和计算机视觉大量应用标定算法&#xff0c;但是对于初学者来说&#xff0c;存在概念模糊&#xff0c;理论理解错误的现状&#xff0c;因此&#xff0c;需要对标定进行梳理&#xff0c;防止大家在学习过程中混淆各种标定概念。话不多…
阅读更多...
什么是标定？

什么是标定？

标定这两个字在汽车行业里的工程师基本都听过&#xff0c;但是在其他行业里大部分人都不知道什么是标定&#xff0c;甚至都没有听说过标定。什么是标定&#xff1f;举一个常见的例子&#xff0c;家里买了电视&#xff0c;连接网络就可以看节目了&#xff0c;与其他任何环境影响…
阅读更多...
JMS及其API介绍

JMS及其API介绍

Java Message Service是java ee的规范之一&#xff0c;可以用来发送异步消息&#xff0c;在某些场景下&#xff0c;可以作为不同系统&#xff0c;或者不同模块之间的集成方式。 可以类比为通过数据库来集成的方式&#xff0c;模块A完成逻辑以后&#xff0c;往数据库插…
阅读更多...
Springboot 整合 JMS

Springboot 整合 JMS

ActiveMQ JMS 仅支持 Java 平台。 由于 JMS 是一套标准&#xff0c;所以 SpringBoot 整合 JMS 必然是整合 JMS 的某一个实现。 Apache ActiveMQ 是一个开源的消息中间件&#xff0c;完全支持 JMS 1.1 规范&#xff0c;支持多种编程语言( C、C、C#、Delphi、Erlang、AdobeFla…
阅读更多...
推荐文章

Copyright @ 2022~2023