一种人工标志点自动匹配的方法

给出了一种自动识别和匹配人工标志点的方法。该方法包括设计一套具有唯一特征的人工标志点和对该套标志点进行自动识别和匹配两部分内容。详细讨论了自动识别和匹配标志点算法中的各个步骤,包括标志点的判定、标志点的标定和标志点的匹配。该方法将有效地解决计算机辅助近景摄影测量中人工标志点的自动匹配难题。

基于FPGA的三维扫描测头反光标志点中心定位及匹配

三维扫描测量机器人在工业现场应用十分广泛,但是受限于机器人较低的定位精度,扫描测量机器人的测量精度不高。为了提高测量精度,采用基于多相机的视觉跟踪系统代替机器人的定位系统,实现扫描测头的精确定位。由于多台大面阵CMOS红外摄像机(2 048 pixel×2 048 pixel)同时采样的数据量大,传统的串行处理器(如PC、DSP等)难以满足数据处理的实时性要求(>30 fps)。以并行运行方式的FPGA作为核心处理单元,采用流水线的方式,实现对三维扫描测头反光标志点中心的定位及匹配。实验结果表明系统数据处理速度满足三维扫描测头位姿跟踪系统的实时性要求。

计算机图像处理中标志点匹配方法的研究

综合图像处理和自动化控制等领域的技术,将软硬件处理相结合,成功的解决了标志点自动识别和匹配的难题。使计算机辅助测量工作更加快速、精确、可靠。研究成果能极大地扩大计算机辅助测量应用领域。

一种人工标志点自动匹配新方法的研究

针对人工标志点的识别与匹配这一图像处理领域内的难题提出了一种新的方法。该方法采用软硬件结合的办法,设计了一套实施简单、方便快捷、精度高的人工标志点识别与匹配的机制,其中包括了标志点的设计、自动搜索、识别、匹配等方面内容。

基于点相互关系特征点匹配算法的标志图匹配

图像中标志图匹配问题实际上是图像处理领域的一个分支,多用于图像分析处理等任务的过程中,是图像处理领域的一个研究热点。鉴于当前大多数的特征点匹配算法只考虑了样本特征点与目标特征点的关系,本文首先对特征提取后的特征点集进行预处理,并将同一特征点集中特征点间的相互关系作为约束引入到匹配中,建立了一个匹配代价函数。并将该匹配代价函数转化为一个线性问题,求解该线性问题以达到特征点匹配目的。

点云拼接中标志自动匹配方法

基于人工标志的公共点法是中远程地面三维激光扫描仪常用的点云拼接方法。目前,该方法还是手动或半自动,人工交互较多。本文对公共点自动拼接中的标志匹配进行了研究,提出一种基于欧式变换不变量的匹配方法。该方法不需借助编码等其他辅助手段,匹配效率高,非常适合扫描标志的匹配。

基于随机抽样一致算法的误匹配标志点校正方法

大型零件三维测量过程中常需要粘贴较多的标志点来进行自动拼接。由于人工粘贴标志点的随机性与噪声等因素的影响,标志点自动匹配时极易产生误匹配标志点,影响了多次测量时点云数据自动拼合的稳定性。针对此问题,在实现标志点自动匹配的基础上引入随机抽样一致(RANSAC)算法去除误匹配标志点。该方法根据选定好的目标模型和相关评判准则,将所有的匹配标志点分为内点和外点,利用内点计算出当前最佳目标模型参数,经过一定次数的随机采样后计算出最终的最佳目标模型参数,从而有效地去除大型零件点云数据自动拼合过程中出现的距离误匹配标志点和噪声误匹配标志点。模拟实验和拼接实例表明该方法是可行的,能有效地提高大型零件点云数据自动拼合的稳定性。

基于标志点匹配的散斑图像变形初值估计法

在数字散斑相关测量方法中,可靠的变形初值估计是获得亚像素精度的关键。利用标志点匹配技术,提出了一种新的变形参数初值估计法。该方法在散斑上粘贴反射系数极高的圆形标志点,为消除散斑背景对标志点提取的影响,提出一种改进的尺度不变特征转换算法,将极值点检测约束在显著的边缘区域,从而大大减少冗余特征点的提取,最后通过单应性变换得到全场变形,进而使得感兴趣区域中各像素点快速完成初值估计。制作散斑板子进行实验验证,结果表明,该方法得到的变形初值,只需要3~4次迭代就能够使亚像素迭代收敛,并获得准确、可靠的测量结果。

采用改进KLT算法的标志点匹配方法

在散斑视觉测量中,通常引入标志点以提高散斑的测量效率。针对传统标志点匹配过程中存在的匹配时间长、匹配准确率低等问题,提出了一种采用改进KLT(Kanade-Lucas-Tomasi)算法的标志点匹配方法。该方法在利用改进加速稳健性特征(SURF)算法对标志点进行检测以建立初始匹配点的基础上,采用改进的KLT算法实现标志点的匹配,并利用最大双向误差作为约束条件删除匹配过程中存在的误匹配点,以提高匹配的可靠性。最后,对机翼颤振测量中涂敷在机翼模型散斑区的标志点进行了匹配实验验证。结果表明,与传统的尺度不变特征转换(SIFT)与SURF匹配算法相比,所提方法在匹配时间上分别减少了75.9%和42.8%,在匹配准确率上分别提高了30.6%和22.2%。