基于OpenCV的圆形标记点的提取

文章提出了一种基于OpenCV的圆形标记点的提取方法,通过对图像进行平滑处理、边缘检测、轮廓查找、几何约束以及椭圆拟合,实现圆形标记点的提取,求出中心坐标。该方法主要应用于多视点云拼接以及其他有关圆形物体识别的场合。实验结果证明,该方法能快速有效的提取圆形标记点。

直升机桨叶共锥度测量中圆形标记点高精度定位方法

针对直升机桨叶共锥度测量中背景复杂、圆形标记点较小,易出现定位不准的问题,提出一种新的圆形标记点定位方法。首先,利用OTSU图像分割方法计算阈值;然后,以OTSU阈值为边界阈值,对图像进行多重分割;利用圆度特征和质心变化规律,对每一次分割后的连通域轮廓进行干扰排除,实现圆形标记点的粗定位;最后,采用最小二乘拟合法完成标记点的精确定位。通过圆形标记点定位实验,表明该方法在复杂场景下对较小的圆形标记点具有较高的定位精度,可用于提高大场景复杂环境下直升机桨叶共锥度测量精度。

灰度积分投影和圆形标记法结合的人眼定位

讨论对于自然光下摄像头采集的人脸照片的眼睛定位算法,该算法是基于灰度积分投影和圆形标记法实现。分为以下三个步骤:首先,在RGB空间下对图像进行肤色检测,得到可能的人脸图像,通过形态学处理排除噪声等干扰;然后,根据亮度分量对人脸区域进行分割,得到五官图,并通过灰度投影对人眼进行粗定位;最后,通过圆形标记法,把区域内的白色空洞转化成面积相等且质心为圆心的圆形,经过几何特征筛选排除干扰圆得到双眼的两个圆形。该算法在Matlab平台上进行仿真实验,结果表明,此算法对于复杂背景下特别是存在类肤色干扰情况时人眼定位效果好、精度高。

基于YOLOv3与分水岭的直升机桨叶欠曝光图像圆形标记点检测

针对现有的直升机桨叶欠曝光图像中圆形标记点检测方法存在自适应能力不强、速度慢、精度不高的问题,提出了基于YOLOv3(you only look once)与分水岭的直升机桨叶欠曝光图像圆形标记点检测方法.首先,将采集的真实桨叶欠曝光图像中的圆形标记点进行标注后,制作成数据集,并训练YOLOv3网络;其次,用训练好的YOLOv3网络检测出圆形标记点区域;再次,改进传统分水岭标记提取方式,采用多线程技术并行在各圆形标记点区域内进行分水岭变换,得到圆形标记点边缘检测结果;最后,采用最小二乘圆拟合和奇异点去除法实现圆形标记点的精确定位.研究者通过对多幅欠曝光桨叶图像中圆形标记点进行检测实验,验证了该方法具有自适应能力强、速度快、精度高的优点,并已将其用于直升机桨叶欠曝光图像圆形标记点的检测.

直升机桨叶图像中圆形标记点圆心检测及修正方法

视觉测量直升机高速旋转桨叶形变常采用基于圆形标记点的测量方法,但该方法中圆形标记点具有低曝光、小目标和投影不对称等特点,极易产生标记点漏检和圆心坐标误差的问题。为减小漏检、修正圆心坐标误差,提出了一种直升机桨叶图像中圆形标记点圆心检测及修正方法。首先,提取图像中局部极值中心的像素坐标,并依据阵列排布结构滤除干扰,获得所有圆形标记点极值中心的像素坐标;其次,以各极值中心的像素坐标为圆心,与相邻极值的最小距离为直径,建立圆形ROI(region of interest)区域,在ROI区域内并行分水岭变换和最小二乘法圆拟合得到圆心;再次,采用透视变换建立该图像与垂直相机光轴的同相位桨叶图像(正面图像)的投影映射关系,再采用LM(levenberg-marquardt)优化求解投影映射矩阵;最后,将该图像转换为正面图像进行圆心检测,再将该圆心坐标逆变换得到精确圆心坐标。实验结果表明,本文检测方法准确率和精度分别达98.89%和0.191 mm,已应用于直升机高速旋转桨叶运动轨迹和形变的高精度视觉测量。

直升机桨叶图像中圆形标记点的识别方法

针对目前直升机桨叶图像中圆形标记点检测和识别难的问题,本文结合桨叶圆形标记点排布规律,提出了一种快速检测算法。首先,采用CLAHE和中值滤波对图像进行预处理,增大图像对比度和信噪比;然后,根据圆的几何性质对封闭边缘进行初步筛选,获取图像中所有类圆轮廓;最后,依据桨叶上粘贴的圆形标记点呈阵列结构排布规律,滤除背景中的干扰,获得桨叶标记点圆心。通过对多幅桨叶图像中圆形标记点进行检测和识别,验证了该方法具有自适应能力强、速度快、精度高的优点,已用于直升机高速旋转桨叶运动轨迹和形变的高精度视觉测量。

基于双目视觉和圆形标记点的发动机位移精确测试技术

为了精确测量发动机静力试验和摇摆试验中结构的三维变形,提出一种基于双目视觉和圆形标记点的高精度位移测量方法,通过在发动机结构表面粘贴反光圆形标记点,并拍摄结构变形过程中的图像序列来识别位移。首先,使用Sobel边缘检测算法提取每个圆形标记点的像素级边缘信息;然后,通过基于插值的亚像素边缘检测方法获取亚像素级边缘点,以更准确地确定标记点的位置;最后,利用椭圆最小二乘法对标记点的边缘轮廓进行拟合,从而实现对标记点的精确定位。为了评估该方法的性能,对隔振云台上的静止标记点进行了位移测量。当相机距离标记点0.6 m时,面内2个方向的位移测量标准差分别为0.36μm和0.32μm,离面位移的测量标准差为0.58μm。此外,通过使用位移台提供的标准位移,进一步验证了该算法在处理与相机平面夹角达60°斜面和?12 mm细管路等结构位移测量时的适用性。将该视觉测量系统应用于某发动机机架的静力试验,取得了令人满意的结果。试验表明,该算法能够实时跟踪29个圆形标记点的位移,并且与电感式位移传感器测试结果的最大误差仅为5.6%。与传统的接触式位移测试方法相比,视觉测试方法具有布置迅速、成本低、测量精度高以及增加测量数量不会显著增加工作量等诸多优点,这使其成为一种替代传统位移测试的可靠且有效的方法。

移动式三维测量用圆形标记点提取算法

针对移动式三维视觉测量系统所采用的圆形标记点成像亮度较低且不均匀等问题,提出了一种基于灰度差重心法的识别与提取算法。获取标记点近似成像中心及成像区域,在成像区域内沿四个方向扫描得到像素级边缘点;利用灰度差重心法进行亚像素定位;对亚像素级边缘点进行椭圆拟合,得到标记点成像中心位置。实验结果表明,像素级边缘检测算法运行时间为3ms左右;亚像素定位算法椭圆拟合最大偏差小于0.08pixel,平均偏差小于0.03pixel。与其他提取算法相比,该算法在速度及定位精度方面有一定的提高,更适用于移动式三维测量用圆形标记点的提取。

基于圆形阵列标定板的张氏相机标定法

提出了一种基于圆形阵列标定板的张氏相机标定法.利用大恒水星系列相机对不同方向和不同姿态的圆形特征标定板进行20次拍摄,并利用亚像素边缘检测算法对图像视野中的特征进行边缘检测;接着对得到的边缘封闭的特征分别进行圆度、偏心率和凸度的条件限制,提取出图像中符合要求的圆形特征;最后通过标定板上圆形特征的圆心像素坐标与世界坐标的对应关系来进行相机标定.实验结果显示,圆形特征的圆心坐标平均重投影误差在0.007个像素以内,表明了该算法的可行性.

平面标定靶标标记点的圆心提取

基于圆形标记点的平面靶标被广泛应用于摄像机标定与视觉测量中。针对该平面靶标,为得到圆形标记点在像面上的圆心投影,提高摄像机的标定精度,本文提出了一种基于对偶二次曲线几何特性的圆心提取算法。该算法的核心是平面内一个标记点A像面投影二次曲线对应的对偶矩阵CA*,相对于平面内另外一个标记点B的对偶矩阵CB*的一个广义特征向量,穿过这两个标记点的圆心投影。因此,在获取标记点亚像素级边缘点,拟合椭圆得到椭圆二次曲线方程后,通过任意两个标记点的对偶矩阵,均可得到一条穿过这两个圆心投影的向量。经过同一个圆心投影的多个向量叉乘标准化后的结果就是该标记点的圆心投影。为测试本文方法提取圆心像点的精度,本文在像面与靶标平面夹角40°的姿态下,对直径为90mm的超大标记点提取圆心投影,圆心投影误差为0.1～1pixel。并以此方法得到的圆心投影对手持式扫描仪进行摄像机标定,进而对已知坐标的平面靶标及3D工件上的标记点进行扫描,最大误差不超过0.2mm。通过实验证明了本文提取的圆心投影比采用椭圆圆心的精度高,而且提高了摄像机的标定精度。

基于立体视觉的直升机桨叶扭转角模拟测量方法

提出了一种基于立体视觉的直升机桨叶扭转角测量方法.首先,在摄像机坐标系下,采用双目立体视觉技术获取桨叶上圆形标记点的三维坐标;然后,利用在旋翼低速旋转且桨叶处于拉平状态下测量出的标记点的三维坐标建立旋翼坐标系;最后,在旋翼坐标系中利用旋翼高速和低速旋转状态下桨叶上对应标记点的三维坐标来计算桨叶扭转角.多次刚性叶片扭转角测量实验和数据分析说明本文测量方法不仅有效、测量精度高,而且具有非接触式、动态测量和操作简单的优点.

基于平面变换的高精度相机标定方法

针对传统方法未考虑透视偏差的存在,提取椭圆圆心作为真实物理圆心投影点造成相机标定误差的问题,提出了一种基于平面变换的高精度相机标定方法。提取标定板内外边框上的角点,对标定板进行平面变换,将标记点由椭圆投影成近似的标准圆;利用图像矩提取标准圆圆心的坐标,投影回原标定板平面,得到标记点实际圆心的像素坐标;根据圆形标记点实际圆心的坐标,利用张正友标定法完成相机标定。实验结果表明:与传统方法相比,所提方法将相机标定的误差降低了66.169%,有效提高了相机标定的精度。

基于增强特征信息的航空发动机叶片双目视觉测量方法

航空发动机叶片三维面形数据重建是评价发动机叶片加工精度的重要手段.提出一种基于增强特征信息的双目视觉三维重建方法:首先在发动机叶片表面张贴圆形标记以增强叶片表面特征信息;其次通过相机的多角度拍摄获得能够覆盖叶片全貌的图片,并利用圆心特征匹配算法实现左、右图片中对应的圆形标记点的匹配;最后利用双目视觉三维重建原理计算得到三维点云数据,从而重构发动机叶片面形.对重构后的发动机叶片三维数据与白光扫描设备(精度0.05 mm)所得的扫描数据进行对比可得,发动机单叶片的叶背、叶盆的偏差平均值分别为0.1032和-0.1014 mm,标准偏差分别为0.0966和0.0571 mm.