基于计算机视觉的三维测量技术(文献翻译)

《基于计算机视觉的三维测量技术(文献翻译)》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、重庆理工大学毕业设计外文翻译重庆理工大学文献翻译二级学院专业班级学生姓名学号18重庆理工大学毕业设计外文翻译译文：基于计算机视觉的三维测量技术摘要:本文根据计算机视觉原理，提出一种三维非接触测量技术。该技术根据人眼感知事物的原理，利用神经网络拟合图像坐标与空间坐标的映射关系；以光栅投影曲线为特征，采用小波边缘检测和搜索式无监督聚类，结合视觉几何不变性，实现亚像素级的立体精确匹配；并采用小波多尺度多分辨率的特性，拼接图像，融合数据，对物体进行全方位测量。实验表明，该技术设备简单，测量速度快，测量精度控制在

2、0.5mm/m以内。关键词:计算机视觉，立体匹配，几何不变性，神经网络，小波变换，聚类1引言目前，三维测量仍以三维坐标测量机为主。但是它由于体积大、结构复杂而不能在线测量，是接触测量而不能测量柔软的物体。因此，研究快速无损、非接触在线测量在工业上十分重要。尽管现在有很多方法，如激光扫描法、结构光法、相位测量法，但是都不能同时满足测量精度、效率、成本、自动化和智能化等方面的要求。因此，在本文使用双摄像机融合光学轴抓拍物体。随着处理图像，立体匹配图像和数据集成，三维物体的信息就是从这个立体图像中获得。三维测

3、量技术已应用于测量系统中的多点压成型机的测量，并取得了良好的效果。2测量原理及系统设计本文介绍了基于计算机视觉的三维非接触测量技术，三维对象的信息是从一对立体图像中获取。一般来说，有两个问题影响的三维物体获得确切的消息：一种是图像之间建立特殊点点和准确的映射关系，另一种是立体匹配问题。本文神经网络是用来映射关系接近的情况下摄像机标定。小波边缘检测，寻找非监督聚类和几何不变性适用于立体匹配。在多尺度，多分辨率的小波属性应用于图像拼接和数据集成。在实践中，这项技术包含了许多方法和技术，它可以测量任意大小和形

4、状的对象。然而，有一些物体的表面很光滑。匹配功能不明显，因此用18重庆理工大学毕业设计外文翻译光栅对象预测。而扭曲的条纹上创建的对象被视为匹配功能。为了提高测量精度，用两个与融合光学轴相机，这两个相机和一小型自制的投影机就构成了一种灵活的测量头。一个基于立体视觉的三维测量的原理草图如图1所示。3建立图像点和特殊点之间的映射关系实际上，获得从两个图像对三维物体的信息是获取图像点之间的映射和特殊点的关系，但是到现在为止没有任何方法可以完全描述非线性映射关系，因为有许多复杂的非线性影响因素，包括摄像的径向变形

5、和横向变形。但是，神经网络可以模拟人类的视觉，建立了简单的非线性映射来处理复杂的单元，因此本文就从图像点的过程中当作黑箱特殊点。和BP网络的6个神经细胞中间层网络来设置点之间的形象和特殊点的映射关系。图片左边的点A和一个右边的点纳入BP网络，一个特殊的点被输出。换言之，这个BP网络的结构是4-6-3。利用神经网络，样本的选择是很重要的。样本不仅在于衡量的范围，也显示测量系统的测量范围。虽然两个相机是用来抓拍对象，但是这部分对象只有在焊接处的视野内才能被获取。因此，物体三维信息的立体图像，镜头焦点的测量精

6、度，测量范围和目标与摄像机之间的两个基准距离控制三维测量系统的测量范围。18重庆理工大学毕业设计外文翻译本文的结构和功能和两个相机是用来抓拍对象构成对称是相同的，相机的图像区域的是，如图2所示。该镜头的焦点是;两个图像之间的中心垂直线是。共同的部分被视为双摄像头的连接视野。而超出的部视为盲区。假设视野角度为2，基本的成像关系公式为：(1)这个内切圆是视野范围，如果两个相机光轴的夹角是β，两个图像中心之间的距离是2，其比例为：(2)这样，一个2R×2R的示例模板由8×8的格子组成。这个示例模板固定在工作台

7、上。分别获取三对立体图像，而示例模板沿垂直线方向移动到三个不同高度（0，R，2R）模拟三维测量范围。三对立体图像被视为训练样本，把它们输入网络。4亚像素级的立体精确匹配对立体显示来说立体精确匹配要困难得多，所以申请采用立体显示18重庆理工大学毕业设计外文翻译在某种程度上受到限制。本文应用小波变换检测边缘点，寻找非主管聚类方法，提出以区分不同的边缘点群。在同一个点群的边缘点的二次曲线拟合，然后在立体精确匹配亚像素级的水平基础上取得几何不变性。4．1条纹边缘拟合中的非聚类搜索一般来说，图像往往含有随机噪声，

8、小波变换能抑制噪声和检测移动，同时不同结构图像边缘的信息传播在所有决议中。自从转化不变性是最重要的立体匹配的边缘特征。二次B-spine被用来处理一个多尺度的生成元素检测条纹边缘点。实际上，噪音仍然混合在这些离散边缘点中，因此，曲线拟合用于转化为连续曲线离散边缘点，并减少噪音。然而，在曲线拟合之前，至关重要的是，所有的离散边缘点根据图像中条纹边缘的实际情况分成不同的群。海明距离的聚类中心往往被视为约束条件群，换句话说，假设一个点的属性向量是