视觉精度（通用4篇）
视觉精度 篇1
0 引言
随着机电一体化的发展,零件大批量的生产要求不断提高。对于体积较小的销钉,限制其生产率提高的主要因素是尺寸的测量与合格品的筛选。因此,基于图像处理对销钉进行非接触检测筛选的技术研究非常重要。目前传统的边缘检测算法主要有:Robert、Sobel、Canny、Prewitt算子[1,2,3,4,5]这些传统算子在边缘检测过程中容易受到噪声、尺寸范围变化、灰度差异等实际情况的干扰,并且定位精度只能精确到像素级,无法满足对尺寸有较高精度要求的销钉进行精确的边缘定位[6]。为此,又提出了亚像素边缘检测算法,是基于传统边缘检测算法发展而来。在使用亚像素边缘检测算法时,常常先用传统边缘就爱内侧算法进行像素级别上的粗定位,再进一步进行更精确的定位。现有的亚像素边缘检测算法主要分为三大类:矩方法[7],拟合法[8],插值法[9]。传统的二次插值算法对被检边缘的方向性要求较高,方向发生变化后往往会影响插值精度,无法适应复杂的工况要求。本文通过对传统高斯亚像素插值算法进行优化来精确的提取销钉的边缘位置。实验表明,此算法应用在销钉的筛选能达到实际生产的精度要求。
销钉的生产效率很高,制约生产效率提高的一个因素就是对销钉的尺寸测量,即对销钉合格产品的筛选,而销钉本身具有多个尺寸需要测量,如图1所示。本文针对销钉的结构特征,对其边缘的定位算法进行插值方向变换优化,从而实现对销钉边缘的精确快速定位。
图1销钉结构尺寸图
1基础算法选择
光学系统的相差,导致灰度值剧变的边缘处经光学成像成为渐变式。根据方形控采样定理,在固定的时间间隔内光学元件以固定的面积对投射在其感光面上的光强进行积分,输出结果就是图像的灰度值。由于积分时间和积分面积是相对固定的,所以他的输出灰度值至于它感光面上的光强分布有关[10]。
灰度值输出表示为:
式中:f(i,j)为像素灰度值;g(x,y)为连续图像的光强分布。
实际图像边缘灰度值的分布如图2所示,可以看出阶跃边缘的变化经光学成像处理后是一个非线性的离散变化过程。对图2中所有的灰度值进行差分得到如图3所示的分布图。
由上述分析可以看出,像素灰度值的输出时光学元器件上综合光强作用的结果,符合方形孔采样定理[11]。同时根据中心极限定理,从理论上讲边缘的灰度变化应当高斯分布,如图4所示,曲线的中电为边缘的精确位置。
高斯曲线的表达式为:
式中为位置参数;为标准差。如果直接对此式进行插值运算,会提高运算量,影响算法的效率,增加检测时间。因此,对此式两边取对数得到下式:
可以看出是一个典型的二次曲线,因此设方程:
实际边缘的角度任意性,边缘灰度梯度分布不规律,较小角度的边缘灰度梯度分布无法满足插值要求,不同角度边缘的灰度值分布与灰度梯度值分布如图所示,图示小角度的边缘灰度梯度值分布并不符合插值要求。在进行二次插值过程中,式(4)只能对水平,竖直,对角线方向的梯度变化进行准确的边缘定位[7],在实际生产过程中和图像检测领域无法实现实际边缘的检测。这一缺陷将不可避免的造成高斯插值的精度降低,无法满足实际应用当中的精度要求。因此,要对传统的高斯插值算法进行优化。
2 算法优化
2.1 插值方向优化
根据本课题检测对象的特征,本文将先用经典的边缘提取算法Canny算法,对图像边缘进行粗定位,对边缘线进行Hough变换[12]后从而可以对待测边缘的倾角进行初步的测量,根据实际的倾斜角度对边缘进行坐标变换,变换角度使边缘倾角更接近垂直位置,以便能得到准确的亚像素位置。
角度变换方程如下:
式中:
为原始像素点坐标,为转置后像素点坐标,θ为旋转角度。
为了保留图像的原始灰度信息,变换过程只改变像素的坐标位置,其灰度值分布不发生变化。对变换后的图像边缘位置进行定位,定位后的精确边缘位置再经过相同的角度变换,还原至原始位置。
2.2 插值算法优化
该算法的计算精度和速度取决于插值函数的选择,综合考虑本文检测图像的特点和复杂程度,为了提高算法的运算速度,本文将传统的高斯亚像素插值定位算法进行改进,插值方程如下:
根据Hough变换后的图像边缘,提取像素点的准确坐标位置,对坐标点坐标进行式(7)~式(9)运算,可以精确的得出插值方程(6)的系数,从而根据所得二次插值函数的中心线计算公式(10)可以得出精确的边缘位置重点。
在新坐标系中经过每次插值运算的边缘点位置即为(x,y)。
3 算法验证
3.1 拟合对比试验
为了分析优化前后算法的稳定性,本算法基于MATLAB语言编写环境,分别对10°、21°、40°倾斜直线进行检测。
根据对角度测量的准确性,来判断对边缘直线定位的精准程度。
图7优化前后相同角度直线选取
3.2 角度测量实验
根据不同倾斜角度直线的角度测试结果,表1、表2数据可以说明优化后算法在针对小角度倾斜直线测量时有更好的稳定性,而且随着角度的变换,表3数据可以说明亚像素检测精度没有发生明显的变化,因此本算法不会因检测角度的不同而影响检测精度。
根据本课题的销钉轮廓特征,优化后算法能够准确的确定直线位置,计算得到的直线位置误差在销钉的公差带要求之内,因此本算法在销钉的外轮廓尺寸测量中能够符合生产要求。
4 结论
针对销钉的外轮廓特征,通过改变高斯亚像素插值算法的插值方向,将该算法在MATLAB编译环境下对销钉图像进行验证,实验结果表明能精确的定位销钉轮廓的边缘线,可检测精度达到0.06个像素,检测精度高。该算法运在刀具尺寸检测、钢材表面缺陷、钢管内径尺寸检测等,可以实现高精度的边缘定位和尺寸测量。
摘要：针对传统的高斯插值算法运用在图像检测上定位不准确,对高斯插值亚像素边缘检测算法进行了优化。首先,通过Canny算法对图像进行粗处理,再对其边缘点进行Hough变换,得到图像边缘的斜率和在插值方向的相应边缘点,通过坐标变换将梯度方向旋转至与插值方向一致;然后,对变换后的图像进行高斯插值计算。结果表明:优化后的算法能得到更高的定位精度,且具有方向不变性。将该算法运用于销钉边缘提取能满足精度要求。
关键词：高斯插值算法,图像处理,边缘高精度提取
参考文献
[1]赵芳,栾晓明,孙越.数字图像几种边缘检测算子检测比较分析[J].通信与信息处理,2009,28(3):68-72.
[2]王植,贺赛先.一种基于Canny理论的自适应边缘检测方法[J].中国图象图形学报.2004,9(8):957-962.
[3]Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence.1986.
[4]O.R.Vincent,O.Folorunso.A Descriptive Algorithm for Sobel Image Edge Detection[A].Proceedings of Informing Science&IT Education Conference(In SITE)[C].2009.
[5]FRANK Y S,CHENG S.Extracting faces and facial features from color images[J].International Journal of Pattern Recognition and Artificial Intelligence.2008.
[6]Rafael C.Gonzalez,Richard E.Woods,Steven L.Eddins.Digital Image Processing Using MATLAB[M].2nd Edition.
[7]凌远焕,徐杜,将永平,等.基于局部区域灰度矩图像边缘定位方法的研究[J].光学与光电技术,2009,7(3):60-63.
[8]许光,明吴昭,周春兰,等.基于视觉的零件尺寸测量[J].工业控制计算机,2015,28(4):111-113.
[9]祁晓玲,赵霞霞,靳伍银.基于机器视觉的轴类零件几何尺寸测量[J].组合机床与自动化加工技术,2013(01):65-73.
[10]来跃深,陈琛,田军委,程钢.高斯插值亚像素边缘检测算法的优化[J].西安工业大学学报,2012(10):811-816.
[11]吕继武,于伟,郑伟.一种基于改进的HOUGH变换的车轮检测方法[J/OL].电子技术与软件工程,2014(13).
视觉精度 篇2
随着工业现代化对尺寸检测技术的要求越来越高,传统的尺寸检测技术已经很难适用产品生产批量化、逐个检测和高精度在线检测的需求现状。机器视觉尺寸可以克服传统尺寸检测技术在检测成本、检测精度、检测效率方面的缺点。因此,设计了一套基于机器视觉的零件尺寸测量及加工精度分析,实现对零件质量的判识。
1 尺寸检测系统构成
1.1 系统工作平台组成
检测系统平台主要大恒CG400图像采集卡、SONY JC-569 CCD摄像机和数控车床组成。零件测量尺寸为Φ100-0.07。
1.2 检测系统软件组成
1.2.1 图像采集模块
采集模块如图1所示,设计了采集开始控件和采集结束控件,点击两控制就能完成零件图像的采集,图像保存在预先设定好的文件夹内。
1.2.2 图像预处理模块
图像增强处理是指将采集图像中的有用的但是不明显的细节信息突出,以有利于图像的处理与分析,如图2所示,原图偏暗且灰度级动态范围比较小,反映在直方图上就是其直方图所占据的灰度值范围比较窄且集中在高灰度值一边,图像经过均衡化之后图像对比度明显提高,视觉效果更加明显,其直方图范围较大,图像的很多细节可以看得比较清楚,增强之后的图像与背景更容易被边缘检测程序识别有利于得到边缘结果。
图像在采集过程中都会包含有一定程度的噪声,中值滤波在去除噪声的同时还能保留图像的边缘细节。中值滤波效果对比如图3所示,可以看出7×7比5×5算法更易使图像模糊,但其边缘并没有出现模糊状况。
1.2.3 图像的二值化
二值化分阈值分割的计算公式为:
其中f(x,y)和g(x,y)分别原始灰度图像和二值化阈值处理后的图像,T为阈值,大于T的像素置为白(灰度值为255),小于T的像素置为黑(灰度值为0)。如图4所示,当阈值T为50时,目标图像和背景得到了很好的分割。
1.2.4 图像形态学处理
图像经过预处理和二值化之后得到了一张只有黑白的二值图像,二值图像与原来的图像相比很多的细节信息在处理过程中被丢失了。形态学处理包括膨胀、腐蚀、开运算、闭运算,可以有效消除图像边缘的毛刺,是图像边缘提取前非常重要的准备操作,可以有利于测量精度的提高。程序前面板如图5所示,包含了进行形态学处理方法选择控件,以及二值化阈值调节控件。
1.2.5 尺寸测量模块
图像处理与测量系统前面板如图6所示,包括已采图像路径选择,如需处理离线图像,则开始控件向左,如需处理在线采集图像,则开始控件向右。可以进行单轴和双轴测量切换。系统界面的中间上图为边缘检测结果显示界面,中间下图为原图界面,界面最右边为显示图设定及图像二值化阈值的选择。
1.3 检测系统的标定与误差试验
视觉系统完成图像采集、图像处理及尺寸测量得出零件参数后,还需要进行系统标定,因为经软件处理计算得出的零件尺寸值并非实际尺寸,只是一个像素值,必须对视觉系统进行标定,必须找到尺寸值与像素值之间的一个关系比例。
设系统标定时图像处理和分析后的结果像素数值为p,标块的测量尺寸为l,系统标定系数为k,则图像像素数值转换成长度的公式可表示为:l=k×p。本程序在得出的测量结果后端加入了一个与标定系数k=0.098756相乘的运算,运算后的结果即为最后的测量值。
由表2可以得出视觉测量系统误差在0.008mm以内,满足测量精度要求。
2 尺寸加工精度分析系统
通过测量一批(100个)零件加工后的实际尺寸,绘出直方图,做出实际分布曲线,利用此曲线来判断该批零件加工误差的性质,确定工序的工艺能力,估算合格率和废品率,保证产品零件的加工精度要求。系统
前面板如图7 所示, 均方根偏差为0 . 0 1 1 ,cp=1.06007,工序等级为二级。
点图法可以将零件加工时的质量指标随时间的变化情况反映出来,是一种有效的加工质量判别方法。
2.1 单值点图
单值点图横坐标为零件的序号,纵坐标为零件的实际尺寸。如图8所示,图中的尺寸在上下控制线之间,偏向上控制线。
2.2-R图
-R是一种样组点图,样组点图能够将零件制造时的系统误差和随机误差随时间的变化趋势反映出来。-R中的是小样组尺寸的平均数,R代表极差。和R分别对零件加工过程中质量指标的分布中心和分散程度进行控制。从图9可以看出:样本零件尺寸在上下控制线之间,有些值偏离中心线较远。
3 结论
以机器视觉尺寸测量为研究主线,根据机器视觉检测系统的功能、结构、特点及轴类零件检测的要求,充分发挥了Lab VIEW在程序设计方面的优势,设计了视觉检测系统和尺寸精度分析系统的各功能模块,包括图像采集模块、通过图像增强、滤波、二值化、形态学处理和边缘检测实现了图像处理模块,以及尺寸测量模块和精度分析模块,实现了轴类零件的尺寸参数的测量,系统界面友好,具有数据保存、图像和测量结果显示,与传统方法相比,可提高检测的精度和效率。
参考文献
[1]徐杰.数字图像处理[M].武汉:华中科技大学出版社,2009.08.
[2]郭超,马麟,基于机器视觉的尺寸测量方法研究[J].机械工程与自动化.2012,170(1):15-17.
[3]孙晋豪,杨燕翔,基于机器视觉的零部件尺寸测量[J].工业控制计算机.2007,20(7):3-4.
[5]Foresti G.Murino V,REgazzoni C.Veh--icle recognition and tracking from Road image sequences[J].IEEE Transanc--ion on Tethnology,1999,48(1):301-317.
[6]祁晓玲,赵霞霞,靳伍银,基于机器视觉的轴类零件几何尺寸测量[J].组合机床与自动化加工技术.2013,10(1):65-68.
[7]苗世迪,乔佩利.基于计算机视觉的机械零件尺寸测量技术研究[D].哈尔滨:哈尔滨理工大学,2006.
视觉精度 篇3
在机器人自动制孔过程中, 无论采用机器人移动的工艺方案, 还是采用工装移动的工艺方案, 对于机器人和工装之间相对位置精度的要求都不高, 使得产品 (或工装) 系统与机器人制孔系统之间存在较大的位置偏差, 同时还有机器人裸机的绝对位置精度和重复定位精度误差, 这些误差的存在就需要在机器人自动制孔过程中, 对机器人与产品 (或工装) 的相对位置进行实时测量和补偿, 以达到满足产品孔位精度的要求。
目前, 机器人制孔精度补偿主要有两种方法:一种是在末端执行器上加装各类测量传感器, 实现机器人全局与局部网格实时补偿的全闭环控制;另一种是通过激光跟踪仪构建一个外部高精度的在线机器人位置反馈系统, 此系统提供机器人在线位置反馈, 通过标定的方法来提高机器人的绝对的定位和重复定位精度。本文旨在通过对基于末端执行器视觉系统的全局与局部网格实时补偿的方法进行分析, 为更好的实现飞机部件机器人自动化制孔技术的应用打下基础。
2. 机器人制孔精度
机器人制孔精度主要指标有定位精度、孔间距精度、TCP (机器人调教中心点) 精度和重复定位精度, 基于上述指标, 在没有任何附加的激光跟踪仪和其他测量系统的情况下, 达到的主要精度指标如下:
a) 定位精度——是指整个系统相对产品总体大小的精度, 这里的产品是指工装和工程零件。比如以数控机床作为参考, 在它的工作范围内, 通常可以达到0.05 mm的精度, 但是从技术上来说, 这个数值很难在实验室外的环境内测量到, 只是通常会作为数控机床的可接受的公差。制造商在销售的时候会告诉客户0.0127mm的精度, 但是根本没有办法在可控的实验室环境之外测量到这么小的公差。所以我们能够达到的实际精度, 即在最好的设置最好的时间条件下, 机器人能达到+/-0.5mm的精度。
b) 孔间距精度——在500mm范围内机器人的孔间距精度可以达到+/-0.3mm。孔间距精度是指给定工作区域内的一系列孔的公差, 工作区域不依赖于整个产品的定位精度。该孔间距精度还基于人工安装紧固件定义的工作区域, 如果人为把紧固件装在了错误的位置, 比如差了0.6mm, 并且是人工拧紧的, 该孔间距会偏离位置公差, 但是依旧满足0.3mm的孔间距公差要求。
c TCP (机器人调教中心点) 精度——机器人调教中心点的精度一般是指刀具对于机器的偏移量。机器人认为刀具中心点是在 (0, 0, 0) , 但是现实中, 由于制造误差以及刀具的磨损, 刀具中心点可能是在 (0.076, 0.127, 0.254 mm) 。刀具中心点具有独立的测量工具, 该测量工具会把偏移量告诉机器人, 比如会告诉机器人现在的刀具中心点不是 (0, 0, 0) , 而是 (0.076, 0.127, 0.254 mm) 。无论对于数控机床还是机器人都是这样的, 这与定位精度或孔间距精度无关。对于数控机床或者机器人, 0.3mm的刀具中心点精度很容易达到。
d) 重复定位精度——是指系统对同一个位置的重复公差, 数控机床和机器人解决方案都能达到非常高的重复公差。KUKA机器人能达到至少0.157mm的重复精度, 并且还可以通过补偿方案进一步提高。
在自动制孔过程中, 由于存在定位误差、孔间距误差、TCP (机器人调教中心点) 误差和重复定位误差, 如果不进行实时的位置精度补偿, 那么就会出现理论制孔位置与实际制孔位置的偏差, 其孔位偏差的具体表现形式可以简单归结为:孔位平移误差、孔位扭转误差、孔距误差, 其示意图见图1所示。
3. 制孔精度补偿方法及过程
基于末端执行器视觉系统的制孔精度补偿, 是在末端执行器上加装视觉和激光距离测量传感器, 在实时测量和补偿过程中, 末端执行器上的视觉系统通过测量实际型架或产品上预设的距离约在1000X1000mm范围内 (视产品外形情况可大可小) 的定位孔或基准紧固件进行全局定位以建立大坐标系, 将机器人参考平面同步到产品 (或工装) 参考平面, 并相对于产品数模产生新的坐标系, 此时机器人刀尖的位置坐标相对于实际产品外形每一坐标点进行实时修整, 保证机器人刀尖与实际外形每一对应点的偏差尽量小, 偏差越小, 对下一步局部定位越有利, 而且CPU的计算时间就越短, 制孔效率亦越高, 此时机器人刀尖相对于实际产品能达到的定位精度约为±0.5 mm左右, 但此时仍不能满足制孔的精度要求, 真正需要关注的是孔距 (边距或排距) 的精度。
在机器人按照产品 (或工装) 的定位孔或基准紧固件进行全局定位后, 就需要通过引用预设的大约10%～20%距离约在500X500mm (视产品外形情况可大可小) 紧固件 (永久或临时) 定位孔或基准紧固件, 在大坐标系的基础上进行局部定位, 以建立小坐标系, 机器人再进行实时局部补偿 (见图2) , 因此这些参考孔或紧固件将有直接影响系统的精度, 因此必须精确定位。
建立小坐标系后的实时局部补偿过程中, 系统通过找到理论上的点, 并测量实际的位置, 测量数据将被用来最佳拟合计算, 并确定实际的TCP位置 (见图3) , 机器人位置可以由软件进行实时修正, 该软件通过分析目标位置信息, 产生合适的偏移量, 使得机器人获得所需的精度, 机器人刀尖的位置坐标相对于实际产品外形对应坐标点的偏差进一步缩小。
通过全局及局部的实时精度补偿, 机器人制孔精度可以达到±0.3mm的精度要求, 这一工艺过程将获得产品在局部区域内所需的精度, 能够可满足产品孔距 (边距或排距) 。通常网格越小 (如:200X200mm) , 作业时间越长, 生产效率越低, 但位置精度越高。
4. 结束语
视觉精度 篇4
中医认为, 经络调控人体气血的运行, 是人体脏腑联络体表及全身各部的通道[1]。对经络、穴位的准确定位, 特别是在人体体表上实时显示, 对于临床诊断、治疗和疗效的评估具有重要的意义和临床应用价值。目前常用的经络定位方法有超声定位、红外定位、磁定位和光学定位, 其中光学定位与其他方法比较具有测量误差小、受环境影响小和无伤害等优点。
本文结合经络的低阻抗电学特性[2], 利用双目立体视觉系统, 研究一种经络的实时定位和显示的新方法, 在人体体表上直接测量并实时绘制经络的准确位置。其实现思想为:在探针表面粘贴定位标靶, 利用双目立体视觉系统对标靶进行定位, 之后根据标靶与探针的相对位置关系, 计算出探针的位置。当探针与人体体表皮肤所接触位置的电特性符合低阻抗特性时, 探针所在的位置即为经络候选点。经络的准确定位依赖于双目立体视觉系统对标靶的准确定位, 因而双目立体视觉系统的精度对经络点的定位准确性至关重要。
1 双目立体视觉系统的有效视场
双目立体视觉是计算机视觉的一个重要分支, 原理是从两个或更多的视点观察同一景物, 从而获取不同视角下的感知图像, 通过三角测量原理计算图像视差来获取被测目标的三维信息[3]。
双目立体视觉系统如同人的眼睛, 具有一定的可视范围, 即称为有效视场。假设两摄像机具有相同的参数, 且对称放置, 见图1, 其中o1、o2分别表示两摄像机的光心, z1、z2表示光轴, 光心的连线为基线距B, 摄像机的视场角为2ω, 光轴与Z轴的夹角为 φ, w为视场宽度。空间中任意目标点到基线的距离为d, 可得双目视觉系统的有效视场满足关系:
2 双目立体视觉测量系统结构参数模型
双目立体视觉测量系统模仿人眼的功能, 基于视差原理, 利用空间点在摄像机像面上的成像点坐标求取空间点的三维坐标。一个完整的双目立体视觉测量过程通常分为图像获取、摄像机标定、特征提取、立体匹配、三维重建等5 个步骤。在实际测量过程中, 一旦系统标定后, 系统中的摄像机的焦距, 摄像机之间的夹角和相对位置等都必须保持固定不变, 因此测量工作开始之前有必要对系统结构进行优化[4]。
双目立体视觉测量系统在XO1Z平面的投影图, 见图2。图中两台摄像机为水平交向放置, O1, O2为其透镜中心, 有效焦距为f1, f2, 两透镜中心的连线称为基线距B, 两摄像机光轴与基线的夹角分别为 α1, α2。O1P1, O2P2分别为两摄像机的成像平面, 其中P1, P2分别为空间点P在两摄像机成像平面上的像点。ω1, ω2为P点在水平面上与光轴的夹角, 即为水平视场角。由图2 可知, 直线O1P1和直线O2P2相交于点P, 因此点P是唯一的, 其三维空间位置是可确定的。
根据图2 的几何关系, 以左摄像机C1XYZ为世界坐标, 可以利用系统结构参数和视场角来表示空间点P的三维坐标为:
3 双目立体测量系统的精度分析及仿真
双目立体视觉测量系统的结构参数主要有两摄像机光轴与基线之间的夹角 α1、α2, 基线距B、工作距离Z, 焦距f等, 这些结构参数存在的约束关系[5]。为得到准确的测量结果, 首先需要对相关结构参数进行误差分析和处理。
假设目标点P处于图1 的有效视场中, 根据误差理论分析[6], 用X、Y和Z方向的测量误差表示坐标测量综合误差:
其中:
式中 δi为像点坐标值提取误差, i表示像点x1, x2, y1, y2。
为了提高双目立体视觉系统的定位精度, 对以下各结构参数进行分析并仿真。
3.1 光轴与基线夹角和视场角对测量精度的影响
对于一个既定的系统, 其结构参数是固定不变的, 且这些结构参数也经过精心标定, 其标定误差也是定值, 综合测量误差只是随着目标点视场的变化而变化。视场角分为水平视场角和垂直视场角, 系统综合误差随着垂直投影角的增大而单调增大。假设像点坐标提取误差为δx=δy=δ, 水平视场角 ω1∈ [-40°, 40° ], ω2∈ [-40°, 40° ], 光轴与基线的夹角 α1=α2=40°, 根据式 (3) 可得到误差的分布, 见图3。
由图3 可知, 两水平视场角在[-20° , 20° ] 范围时, 综合测量误差相对较小。当 ω1=ω2=ω ∈ [-25° , 25° ] 时, 误差传递函数将随着光轴与基线的夹角 α1=α2=α 取值不同而发生变化, 为了视图清晰只画出部分曲线, 见图4。从图4 可以看出, 当 α 取值在[40° , 50° ] 时, 系统综合误差较小且均匀分布。
3.2 焦距f对测量精度的影响
焦距f是透镜的主要参数之一。焦距不同的摄像机, 视场范围也不同, 光路越长, 视场范围越小。为了分析不同的焦距对测量精度的影响, 假设光轴与基线的夹角α=40°, ω ∈ [-40° , 40° ], 改变f的值, 误差分布, 见图5。
从图5 可以看出, 随着焦距f增大, 系统误差减小, 且误差分布较短焦距均匀, 因此在实际测量中, 可以通过适当增大焦距提高系统精度。
3.3 基线距B对测量精度的影响
双目立体视觉测量系统中两摄像机之间的透镜中心距离为基线距。当其增大时, 相应的测量角将随着增大, 使得B对精度的影响呈非线性。有文献[7]指出位于摄像机光轴上的点测量精度最低。因此, 可通过研究两摄像机光轴的交点位置P的误差来分析基线距B对系统误差的影响。
设 α1=α2=α, ω1=ω2=0, k=B/Z为基线距与工作距离的比值, f为摄像机的有效焦距, 得空间点P的坐标传递函数为:
P点的综合测量误差为:
当系统固定后, Z和f为定值, 则综合测量误差与成正比。根据式 (6) , 可得测量误差与基线距的关系, 见图6。
由图6 可知, 综合测量误差随着k的增大, 先减小后增大;当k在0.8~1.8 之间变化时, 系统的综合测量误差较小, 并在k=1.3 附近有最小值;当k<0.5 或k>2.5 时, k的变化对测量精度影响较大。
4 经络可视化中定位精度的提高
经络的可视化依赖于双目立体系统对经络点进行定位。本文中采用的方法是在探针上粘贴定位标靶, 见图7。通过对标靶上的X角点进行定位, 之后根据X角点与电极探针的固有相对位置关系, 从而计算出探针的坐标。图7 中P0、P1、P2为3 个X角点, Ci为第i个电极探针触点, 图中探针触点具有以下特征:1 探针触点连线C1C16与直线P0P2平行;2 探针等距离d分布;3 最右边的探针C1在直线P0P1上。
根据C1点在直线P0P1上以及C1点与P0的距离D1、P0与P1的距离D2三个约束条件, 结合标靶中角点的三维坐标, 可求得第一通道的探针触点C1的三维坐标 (x1, y1, z1) 。
根据上述特征1, 可以求得直线C1C16的方程, 并根据第i通道Ci与C1的距离分布, 插值求出Ci (xi, yi, zi) , 其中1
计算出各探针触点的三维坐标后, 结合阻抗检测仪对探针所接触的皮肤阻抗的检测数据, 根据经络的低阻抗特性可知经络点所处的探针通道, 即可得出经络点所处的三维坐标。
根据以上思想, 要实现经络的精确定位, 需确保X角点三维定位的精度。以左摄像机坐标系为世界坐标系, 假设三维重建得到的X角点三维坐标是准确的, 则反投影到左摄像机成像平面上的X角点二维坐标应该与左摄像机自身检测到的X角点二维坐标相同。根据此原理及结构参数对系统误差影响的仿真结果设计实验如下。
主要仪器:德国The Imaging Source生产的DMK 41AUC02USB CMOS单色相机2 台 (分辨率为1280×1024, 像元尺寸为5.2μm×5.2 μm) 。瑞士Leica激光测距仪D21 台 (测程0.05 m~60 m, 精度1.5 mm) 。
实验步骤:
(1) 先采用张氏标定法[8]对左右摄像机标定, 得到左右摄像机的内外参数。根据前文仿真结果可知, 当光轴与基线的夹角在[40° , 50° ]、两水平视场角在[-20° , 20° ]范围内时, 综合测量误差相对较小。因此调整摄像机使α1=α2=50°, 水平视场角 ω=5°, 左右摄像机对称放置, 左右摄像机基线距B=900 mm, 焦距f=12 mm。
(2) 采用Harris[9]检测算法对图7 所示标靶上的3 个X角点进行检测, 并进一步对亚像素级提取, 得到亚像素级二维坐标。
(3) 实现左摄像机所检测的X角点与右摄像机检测到的X角点的立体匹配, 以左摄像机为世界坐标, 根据双目立体视觉原理进行X角点三维坐标重建。
(4) 把所得到的三维坐标反投影到左摄像机成像平面上, 通过计算反投影后二维坐标与左摄像机自身检测到的二维坐标偏离距离来衡量系统的误差。假设左摄像机检测到的X角点坐标为 (xi, yi) , 反投影到左摄像机成像平面上得到的坐标X角点为, 3 个X角点的平均误差公式定义为。
(5) 在有效视场范围内改变标靶与摄像机的距离, 重复步骤 (2) ~ (4) 。
根据以上实验步骤, 得到实验结果, 见表1。
从实验结果可知, 当工作距离在0.7 m左右, 基线距为0.9 m时, 即基线距与工作距离的比值为1.3 左右反投影后所得的坐标与左摄像机自身检测的角点坐标偏差在0.5 pix左右, 精度较高。从公式 (4) ~ (6) 可知, 对于既定的系统, 综合误差与e成正比, 在k=1.3 附近具有最小值 (图6) 。实验结果与理论分析吻合。在基线不改变的情况下, 增大或减小工作距离, X角点的定位精度都将降低, 在工作距离1 m时误差最高将达到7 pix左右。
为了验证经络点检测具有可行性, 假设工作距离为0.7 m, 工作平台为1 m2, 沿着与基线平行的方向移动电极探针, 重复检测角点并计算误差。实验结果显示, 角点的定位误差在工作台的中心区域在0.5 pix左右, 以视场中心点为圆心, 半径为0.3~0.4 m的圆内精度相对稳定, 边缘区域误差将达到3~4 pix, 即视场中心的X方向和Y方向测量精度高于边缘的测量精度[10]。因此, 只要确保实验操作在以上有效区域内, 可以得到精度较高的经络点。
实验中以部分心包经为例, 首先计算出角点的三维坐标, 结合经络点的低阻抗特性, 利用图像融合算法将经络点显示在二维场景图像中。心包经的检测结果, 见图8 中左图。然后利用曲线拟合的方法连接经络点, 见图8 中右图。
从以上分析及实验结果可知, 误差传递系数是非线性的, 从两方面影响系统的综合误差:一方面是系统结构参数 (B, α1, α2、 ω1, ω2、f1、f2) 和标定值的误差;另一方面是两摄像机图像平面上像点的坐标值 (X1、X2、Y1、Y2) 及其提取误差 δ[11,12]。
结合仿真与实验, 可从以下几个方面对系统进行优化:
(1) 合理选择摄像机内部参数及镜头焦距, 尽可能选高分辨率的摄像机。在角点定位实验中, 工作距离较小, 结合精度和视场要求选择焦距为12 mm摄像机。摄像机的有效焦距越大, 系统的精度越高, 但是视场范围越小。所以必须根据测量对象和测量环境选择合适的摄像机。
(2) 根据被测物体的特点系统的体积等因素初步确定测量的工作距离和基线距。实验中当工作距离为0.7 m左右, 基线距为0.9 m时精度较高。如果需要工作距离较大的系统, 要求基线距B也必须增大, 当两者的比例为1.3 时, 才能达到比较高的精度。在系统结构已经确定时, 工作距离越大, 精度则越低。
(3) 结合公式 (1) , 根据实验中对有效视场大小的需求, 调整摄像机间的夹角。当光轴与基线的夹角为[40°, 50° ] 可得到较小的误差。
(4) 被测物体的放置与光轴在同一水平面, 即垂直视场角为零, 水平视场角在[-20° , 20° ] 范围内为最佳。
(5) Harris角点检测算法得到的是像素级的坐标, 为了提高精度, 需进一步亚像素提取。所以为了减小坐标提取误差, 必须选择合理软件算法。
5 结束语
本文通过对双目立体视觉系统的可视区域范围和结构参数进行分析, 并结合仿真得知结构参数的最佳取值范围, 之后设计实验对经络可视化中定位标靶中X角点的三维重建精度进行分析。本文提出的方法为提高经络定位的精度奠定了良好工作基础, 通过优化系统结构参数及软件算法的合理选择, 可以得到高精度的X角点坐标。
参考文献
[1]黄辉.经络[J].中医药临床杂志, 2012, 24 (10) :1001.
[2]祝总骧, 徐瑞民, 谢君国, 等.经络在表皮层和角质层的低阻抗特性及其形态学实质的研究[J].中国医药学报, 1988, 3 (5) :33-35.
[3]吴彰良, 孙长库, 杨中东.视觉测量传感器系统结构参数设计分析[J].光电工程, 2009, 36 (12) :56-61.
[4]闫龙, 赵正旭, 周以齐.基于CCD的立体视觉测量系统精度分析与结构设计研究[J].仪器仪表学报, 2008, 29 (2) :410-413.
[5]刘亚菲, 郭慧, 聂冬金, 等.双目立体视觉系统测量精度的分析[J].东华大学学报, 2012, 5 (38) :572-576.
[6]费业泰.误差理论与数据处理[M].北京:机械工业出版社, 2004:58-59.
[7]张广军.机器视觉[M].北京:科学出版社, 2005:102-104.
[8]Zhengyou Zhang.A flexible new technique for camera calibration[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22 (11) :1330-1334.
[9]姚耀, 胡仲翔, 时小军, 等.Harris角点提取实现亚像素级摄像机自标定[J].电子设计工程, 2009, 17 (5) :61-65.
[10]李海滨, 单文军, 刘彬.双目立体视觉测距系统误差模型的研究[J].光学技术, 2006, 32 (1) :24-30.
[11]赵萍, 李永奎, 田素博, 等.双目视觉测量系统结构参数理论与试验研究[J].机械设计, 2013, 30 (2) :64-68.