基于归一化8点算法的相机径向畸变中心校正方法

针对相机径向畸变中心定位误差的问题,提出一种方法对相机径向畸变中心校正,以实现相机径向畸变中心高精度定位。首先介绍了针孔相机和镜头畸变结合模型,其次提出了基于归一化8点算法和最小二乘法的相机径向畸变中心校正方法,得到校正精度为0.2915个像素(32.2562μm),最后通过实验验证了该校正方法的可行性。

摄像机运动参数估计中的8点算法及其改进

如何解决计算的鲁棒性是摄像机参数估计的线性算法中很重要的问题。本文简要介绍了对基本8点算法的各种改进措施,并在对图像数据进行平移和缩放变换的基础上进一步采用了数据分块和多次选择计算技术。仿真结果表明,新的算法极大的减少了运算时间,并在噪声较小的情况下,计算结果比原算法有了很大的提高,表明这种办法是切实可行的。但当噪声过大时,改进方法的计算结果与原始算法相差不大,尽管计算时间上仍有很大的减少。

一种8点FFT算法的逻辑电路实现

文章讲述了一种8点FFT的verilogHDL设计实现,着重阐述了有符号的复数加/减法器的设计,并给出了整个系统仿真的结果,该设计可以在4个时钟内计算一个数据。最后该系统在Altera公司的FLEX10K的FPGA上成功地实现了综合,实验结果证明这种设计方法不但具有设计方法简单的优点,而且吞吐量可以达到2M/s的变换速度,已经完全能够满足目前一些系统的要求(如OFDM系统)。

基于图像的三维刚体运动估计算法比较

基于图像特征点对应估计三维刚体运动是计算机视觉的一个基本问题。对四种常用的运动估计算法,包括基于三维特征点的奇异值分解法、正交分解法、单位四元数法和基于二维特征点的"8点算法",通过大量仿真实验和一个机载目标运动光测系统进行了精度,稳定性和效率的比较。结论表明,基于三维特征的算法比基于二维特征的算法精度高、稳定性好,效率高。其中在基于三维特征的算法中,奇异值分解法效率更高,单位四元数法稳定性更好,在基于二维特征的算法中采用非线性优化是必须的,而增加特征点数和降低噪声水平对四种算法都能提高精度。讨论了这些结论对解决实际问题的作用。

基于均匀角点匹配的基础矩阵估计方法

鉴于Harris角点匹配时产生的聚簇现象,引入邻近点剔除策略,可以提取到较为均匀的匹配角点。在此基础上,进一步对计算基础矩阵的8点算法进行改进,通过对匹配点进行分组求解基础矩阵,以每组得到的基础矩阵求平均值作为最终值。实验结果表明,该方法求解的基础矩阵具有较高精度。

基于双目视觉一维标定算法的研究

相机标定在视觉测量、三维重建中起着至关重要的作用。传统的二维标定在大视场或者户外条件下受光照和自身遮挡的影响,很难对相机进行高精度的标定。提出了一种利用定距的一维标定点来标定双目相机内、外参数的方法。该方法首先拍摄一组标定点在空间任意摆放4个及以上位姿的图片,利用归一化8点算法得出基本矩阵,由基本矩阵恢复内、外参数的初值。为了提高一维标定结果的精度,考虑到相机镜头畸变的影响,选用了“Weng”的镜头畸变模型。真实实验的结果证明该方法标定的结果与一维标定传统的“Zhang”模型相比较具有更高的精度。

基于极线约束的ORB特征匹配算法

图像匹配是机器视觉领域的基础核心课题,针对当前ORB(oriented FAST and rotatedBRIEF)图像特征匹配算法虽然执行速度快、但是匹配质量不高的问题,提出一种通过极线约束来改进ORB匹配的算法。通过合理设计Hamming阈值大小来提高初始匹配点数量,采用RANSAC(random sample consensus)和8点改进法计算基本矩阵,应用极线约束剔除误匹配保留大量优质匹配点。仿真实验结果证明,算法改进后的优质匹配点数量可达原始算法的23倍,同时极大地提高了匹配点的质量,证明了算法的有效性。

基于图像几何静矩的机器视觉基础矩阵估计

提出了一种在平移情况下通过计算图像的几何静矩求形心方式估计基础矩阵的算法。首先对通过平移方式所采集的两幅图像进行相关的图像处理,并用形态学图像处理方法滤除残余的孤立噪声点,然后提取出标定所需的角点,并运用力学中的几何静矩方式求出由不同数量的角点所组成的各种多边形的形心,然后用归一化的8点算法求出基础矩阵。经过大量的实验证明该算法实现了基础矩阵的高精度的线性估计。