基于先验知识模型优化的运动物位姿测量方法

摘要

本发明基于先验知识模型优化的运动物位姿测量方法属于计算机视觉测量技术领域，涉及一种使用双目视觉原理结合先验知识模型位姿优化进行运动物位姿测量。在测量方法中，先建立被测物体的离线先验模型，利用双目摄像机实时采集被测物运动图像，经过图像特征提取、匹配与重建的图像处理步骤得到标记点的三维坐标；利用标记点之间的先验距离关系，对位姿测量时的标记点位置信息进行优化，提高标记点的空间位置精度，最终达到高精度的位姿测量。本发明利用先验模型约束对运动物体位姿测量结果进行优化，提高复杂环境下位姿测量系统的测量精度与稳定性；采用组合式标记点作为图像特征，测量精度高，适用范围广。

主权项

一种基于先验知识模型优化的运动物位姿测量方法，其特征是，在测量方法中，先建立被测物体的离线先验模型，利用双目摄像机实时采集被测物运动图像，经过图像特征提取、匹配与重建的图像处理步骤得到标记点的三维坐标；利用标记点之间的先验距离关系，对位姿测量时的标记点位置信息进行优化，提高标记点的空间位置精度，最终达到高精度的位姿测量；测量方法的具体步骤如下：1)高速摄像机标定高速摄像机标定采用张氏标定方法配合高精度平面标定板进行双目视觉系统的标定；以张正友提出的基于平面靶标标定方法为基础，并考虑到制造时镜头畸变及其它因素的影响，引入带有畸变修正的双目视觉系统模型，求解出摄像机的内、外参数和镜头畸变系数；2)高速运动目标图像处理图像处理采用组合式标记点作为被测物表面的特征点，采用两步法进行标记点快速提取；首先利用重心提取算法快速搜索标记点图像坐标，再在该坐标范围内进行高精度的Harris角点提取算法，实现物体运动过程中标记点的高精度提取；利用已知的标记点布局形式，采用基于空间编码方法的标记点快速匹配、识别方法，实现空间点的高精度匹配与识别，最后通过视觉理论完成空间匹配点的三维坐标重建；图像特征标记所在区域的梯度重心点坐标用下式表示：$C=\underset{i=-h}{\overset{h}{\Sigma }}\underset{j=-w}{\overset{w}{\Sigma }}\left[\right|G(i,j)|·P(i,j)]/\underset{i=-h}{\overset{h}{\Sigma }}\underset{j=-w}{\overset{w}{\Sigma }}\left|G(i,j)\right|---\left(1\right)$ 其中，C为应用梯度重心法所提取的标记中心像素的坐标值，(i,j)点的梯度幅值用|G(i,j)|表示，w，h分别为二维图像的宽和高，(i,j)点的图像坐标表示为P(i,j)；3)建立标记点的离线先验模型用高精度旋转平台对被测物进行旋转，每旋转一定角度采集一张图像，对其视场内的标记点进行提取、匹配与重建，然后对所有标记点空间位置数据进行坐标系转换，转换到同一坐标系，即为被测物的离线先验模型；4)基于先验模型的位姿优化(1)目标物轴线以及特征点坐标优化采用类圆柱被测物表面点距离轴线距离相等的目标约束以及标记点间的先验关系约束对目标物轴线以及特征点坐标进行优化，提高标记点空间精度，优化的目标函数如下所示：$\left\{\begin{array}{c}{F}_1\left(X_i\right)=\underset{i=1}{\overset{3n}{\Sigma }}{({(D-{\mathrm{AJ}}_i)}^T{\left({\mathrm{AA}}^T\right)}^{-1}(D-{\mathrm{AJ}}_i)-r^2)}^2\\ F_2\left(X_i\right)=\underset{i=1}{\overset{3n-1}{\Sigma }}\underset{j=1}{\overset{3n-i}{\Sigma }}{({(J_i-J_{i+j})}^T(J_i-J_{i+j})-L_{i,i+j}^2)}^2\end{array}\right.---\left(2\right)$其中，F₁(X_i)为被测目标形状约束即所有标记点到轴线距离相等且等于被测目标半径，F₂(X_i)为标记点先验模型约束即所有标记点之间的网络关系，J_i＝(x_i y_i z_i)^T为第i个的标记点的空间坐标，J_i+j为第i+j个的标记点的空间坐标，为被测物轴线所在两相交平面的法向量，$D=\left(\begin{array}{c}{D}_1\\ D_2\end{array}\right)$为平面系数，r为类圆柱的半径长度，L_i,i+j为第i个和i+j个标记点之间的距离；当以上两个约束的目标函数值无限趋近于最小值零时，标记点精度最高，其整体优化目标函数为：$S\left(X_i\right)=\min (F_1\left(X_i\right)+F_2\left(X_i\right))---\left(3\right)$ (2)基于距离约束的质心位置优化从视场中提取亮度最高圆度最好的三点，根据标志点布局识别三点相对模型布局位置，进而得到该三点距质心的理论距离；再根据距离约束求解模型质心位置，作为质心坐标初值；采用视野中全部提取点与质心位置距离进行优化；对于每个点设定其权重值，进行多点优化；由于质心为轴线上一点，根据轴线位置对质心位置进行约束优化；质心位置的优化公式如下：$\left\{\begin{array}{c}\min \left(\underset{i=1}{\overset{n}{\Sigma }}{\rho }_i{({\mathrm{Dc}}_i-{\mathrm{dc}}_i)}^2\right)\\ C(x,y,z)\in L(x,y,z)\end{array}\right.---\left(4\right)$ ρ_i为各可视点的加权值，Dc_i为质心到优化后可视标记点的测量距离，dc_i为质心到优化后可视标记点的实际加工距离，C(x,y,z)为质心坐标，L(x,y,z)为轴线方程；5)目标物位姿求解目标物位姿求解采用坐标变换的方法对姿态进行求解，分别建立了世界坐标系与物体局部坐标系，通过计算两个坐标系间的坐标转换关系求解物体的位置和姿态信息；$\left[\begin{array}{c}{x}^{\prime }\\ y^{\prime }\\ z^{\prime }\end{array}\right]=\left[\begin{array}{cc}R& T\\ 0^T& 1\end{array}\right]\left[\begin{array}{c}x\\ y\\ z\end{array}\right]---\left(5\right)$ 其中，T和R分别为两个坐标系之间的平移矩阵和旋转矩阵，即代表了物体的平移和旋转参数，(x y z)为标记点在世界坐标系的坐标，(x′y′z′)为其在局部坐标系中的对应坐标。