《基于结构光与双目视觉.ppt》由会员分享，可在线阅读，更多相关《基于结构光与双目视觉.ppt（23页珍藏版）》请在三一文库上搜索。
1、2D 和 3D 的关系,现实存在的问题 一般的物体(Objects)都是三维的； 图像(Images)却是有关灰度，颜色等信息的阵列； 3D的深度(Depth)信息在一幅图像上不能明显的显示出来。 2D的分析需要3D的信息 物体表面是连续，平滑(Smooth)的； 物体都有特定的形状和边界。 3D的信息可以通过2D的图像计算出来 视差(Disparity)，深度(Depth)信息等等。,为什么需要两个眼睛？,物体的深度信息可以通过双眼的观察得到。,亚像素(Sub-pixel),在某些对精度要求较高的场合，需要对视差进一步精细化 (Refinement)，亚像素是其中的一种方法。,立体视觉（St
2、ereo Vision）,由两幅或多幅从不同视点拍摄的图像恢复场景三维信息的技术 两个主要的子问题 匹配问题 - 视差图(Disparity Space Image) 相似而不是相同 遮挡问题: 场景的某些部分只在一幅图像中可见 重建问题 - 3D 重建所需要的摄像机参数 立体摄像机标定,极线几何 (Epipolar Geometry),动机:在哪寻找匹配点? 极平面 极线 极点 极线约束 匹配点必须在极线上,极线几何 (Epipolar Geometry),基线：左右两像机光心的连线； 极平面：空间点，两像机光心决定的平面； 极点：基线与两摄像机图像平面的交点； 极线：极平面与图像平面的交线
3、。,基线,Essential 矩阵,左右两幅图像相对应的点之间的关系可以通过Essential 矩阵或是Fundamental 矩阵来表明。 Essential 矩阵是摄像机标定情况下用的。 公式： pr和pl分别是齐次摄像机坐标向量。 公式描述了点pr位于与向量Epl相关的外极线上。 Essential 矩阵是奇异矩阵，并有两个相等的非零奇异值，秩为2。,Fundamental 矩阵,当内部参数未知（非标定的摄像机）： 公式可表示为： M为内参矩阵 ql, qr为图像坐标 Fundamental矩阵秩同样为2。 Fundamental矩阵是摄像机非标定的情况用的。,Reference: Le
4、arning OpenCV,图像校正 (Rectified Images),目的：规范化极线约束中的极线分布，使得匹配效率得到进一步的提高。 校正后的图像不需要求极线方程，因为相对应的匹配点在图像相对应的扫描线(Scan-line)上。,图像校正 (Rectified Images),在校正图像中所有极线都平行,关键点,A.图像获取 B.相机标定 C.特征提取 D.立体匹配 E.三维重建,图像获取,在进行图像处理之前，先要用摄像机获取三维物体的二维图像。光照条件、相机的几何特性等对后续的图像处理造成很大的影响。,相机标定,通过摄像机标定来建立有效的成像模型，求解出摄像机的内外参数，这样就可以结
5、合图像的匹配结果得到空间中的三维点坐标，从而达到进行三维重建的目的。,特征提取,特征主要包括特征点、特征线和区域。大多数情况下都是以特征点为匹配基元，特征点以何种形式提取与用何种匹配策略紧密联系。因此在进行特征点的提取时需要先确定用哪种匹配方法。 特征点提取算法可以总结为：基于方向导数的方法，基于图像亮度对比关系的方法，基于数学形态学的方法三种。,立体匹配,立体匹配,三维重建,有了比较精确的匹配结果，结合摄像机标定的内外参数，就可以恢复出三维场景信息。由于三维重建精度受匹配精度，摄像机的内外参数误差等因素的影响，因此首先需要做好前面几个步骤的工作，使得各个环节的精度高，误差小，这样才能设计出一个比较精确的立体视觉系统。,