【技术实现步骤摘要】
一种基于双目视觉的深度成像及信息获取方法
本专利技术属深度成像领域,尤其涉及一种基于双目视觉的深度成像方法及信息获取方法。
技术介绍
深度成像是利用成像设备提取场景深度信息,并将深度信息表示为深度图像的技术。该技术可以与目标检测、目标识别、图像分割等技术结合,应用于智能视频监控、无人驾驶汽车、智能交通、安防及机器人自动控制等领域。在实际场景中,可用于在地铁、车站、广场、商场、公园等重要场所及人流密集区域的行人检测。本专利技术创新性的提出了二维视差存在下的双目深度成像方法,结合智能三维立体监控摄像头,优化了深度信息的获取及修正方法,获得了目标的物理尺度信息及世界位置信息,是对监控手段的智能化升级,也是智慧城市的重要体现所在。国内外很多大学和科研机构也均对深度成像技术进行过研究,并取得了一定的研究成果。传统深度成像技术包括激光深度成像、双目视觉深度成像和雷达深度成像技术,其中,激光深度成像设备造价较高,且易受光照影响,雷达成像设备虽然可以获得大视场的深度信息,但是,雷达信号只对强散射点有不错的效果,相较这两种成像技术,双目深度成像技术具有成本低,易实现,适用场景更加广泛的优势。双目深度成像技术的核心是立体匹配算法,立体匹配算法可根据匹配基元不同分为两类:一类是以SGBM算法为代表的局部立体匹配算法,另一类是以alpha-betaswap算法为代表的全局立体匹配算法。由于全局立体匹配算法融入了多种先验知识,最终的算法结果相较局部立体匹配算法来说更有优势。但是,在实际数据获取及相机标定中,由于存在系统误差,一对待匹配图像不仅有横向视差,还存在纵向视差,传统的alp ...
【技术保护点】
1.一种基于双目视觉的深度成像及信息获取方法,其特征是步骤包括:a)进行彩色图像采集,获取某一监控区域的彩色图像,设定合适的二维视差范围,初始化最大流监测值;b)根据标签集合设定规则,构建二维视差标签集合;c)迭代选取一对二维视差标签组合;d)构造网络图,并进行边权值的设计;e)执行最大流算法优化,计算网络最大流和最小割结果,判断最大流相较最大流监测值是否有所下降:如果判别为否,不执行最大流监测值更新和标签更新,直接进入步骤f);如果判断为是,更新最大流监测值为当前最大流,根据最小割结果执行标签更新策略,然后进入步骤f);f)判断是否遍历完所有视差标签组合:如果判别为否,则进入步骤b);如果判别为是,则生成视差图,然后进入步骤g);g)根据三角测距原理和视差结果计算每个像素点对应的全局深度信息;再结合采集到的关键点深度信息,计算得到深度信息修正值,完成全局深度信息修正;利用摄像头架设信息和GPS信息,分别输出目标物理尺度信息和目标世界位置信息。
【技术特征摘要】
1.一种基于双目视觉的深度成像及信息获取方法,其特征是步骤包括:a)进行彩色图像采集,获取某一监控区域的彩色图像,设定合适的二维视差范围,初始化最大流监测值;b)根据标签集合设定规则,构建二维视差标签集合;c)迭代选取一对二维视差标签组合;d)构造网络图,并进行边权值的设计;e)执行最大流算法优化,计算网络最大流和最小割结果,判断最大流相较最大流监测值是否有所下降:如果判别为否,不执行最大流监测值更新和标签更新,直接进入步骤f);如果判断为是,更新最大流监测值为当前最大流,根据最小割结果执行标签更新策略,然后进入步骤f);f)判断是否遍历完所有视差标签组合:如果判别为否,则进入步骤b);如果判别为是,则生成视差图,然后进入步骤g);g)根据三角测距原理和视差结果计算每个像素点对应的全局深度信息;再结合采集到的关键点深度信息,计算得到深度信息修正值,完成全局深度信息修正;利用摄像头架设信息和GPS信息,分别输出目标物理尺度信息和目标世界位置信息。2.根据权利要求1所述的方法,其特征是,所述步骤a)和b)中,采用双目相机采集彩色图像;采用棋盘格标定板进行双目相机标定,根据标定结果进行图像畸变校正和极线校正,得到空间校准后的图像对;设定合适的二维视差取值范围,根据二维视差的不同取值,设置对应的二维视差标签,构成二维视差标签集合;设置最大流监测值,初始化为无穷大;所述步骤c)和d)中,选取一对不同的二维视差标签作为源点和汇点构造无向网络图,根据视差标签和图像对的像素信息设计t-link边的权值,根据相邻像素点的像素信息设计n-link边的权值;所述步骤e)中,执行最大流算法求取网络的最大流和最小割,读取最大流监测值,判断当前最大流与最大流监测值相比是否下降;如果判别为否,各像素点视差标签不变,最大流监测值也不变;如果判别为是,更新最大流监测值为当前最大流,保留最小割结果;所述步骤f)中,根据最小割结果,依据视差标签更新策略,将源点集合内像素点的二维视差标签更新为汇点的二维视差标签,将汇点集合内像素点的二维视差标签更新为源点的二维视差标签,判断是否遍历完所有的视差标签组合构造网络图并执行最大流算法;如果判别为否,进入步骤b);如果判别为是,保留当前所有视差标签的分配结果,进入步骤g);所述步骤g)中,根据二维视差标签与二维视差之间的对应关系,得到所有像素点的二维视差值和视差图像;根据三角测距原理,计算场景所有像素点对应的深度信息;采集关键点的深度信息,结合计算出的关键点深度信息,根据检测值与计算值之间的差异,得到深度信息修正值,补偿由于视差精度不足引起的系统误差,进一步得到更为准确的全局深度信息;采集相机架设角度和高度信息,结合场景中目标的深度信息,进一步输出场景内目标的相关物理尺度信息;结合GPS数据,获得目标的世界位置信息。3.根据权利要求2所述的方法,其特征是所述步骤b)中,根据预设的二维视差范围,设计对应不同纵向和横向视差组合的二维视差标签集合;其中,预设的纵向视差l∈[l1,lm],横向视差d∈[d1,dn],m,n为正整数,则二维视差标签集合被设计为F={u1,u2,…,um×n},其中,um×n为二维视差标签;所述步骤c)中,给定一组初始标签f,P={Pm|m∈F},其中Pm={p∈P|fp=m}表示视差标签被分配为m的像素点集合;无向网络图中像素点...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。