单目视觉测距方法研究【字数：10154】
摘 要测量技术的发展对于社会生产起着重要的作用，更快捷的测量方式可以给生产生活提供更大的便捷与效率，单目视觉测距作为测量系统的一部分，它的发展可以为人们的生活提供很多的帮助。单目视觉技术是非接触式测量技术的一种方式，它从计算机视觉领域发展出来，通过结合图像处理技术形成了一种独特的测量方法。本文是利用计算机视觉和图像处理技术来进行的单目视觉测距的分析和实验，利用几何关系推导法来分析建立测距模型，重点研究了对摄像机获得的图像的灰度处理、滤波处理、边缘检测、对目标物体的定位和计算目标物体与拍摄点之间的距离的方法。
目录
第一章 绪论 1
1.1选题背景和意义 1
1.2 国内外研究现状 2
1.2.1国外研究现状 2
1.2.2国内研究现状 2
1.3课题的思路及主要内容 3
1.4本文的组织结构 3
第二章 图像处理及目标物体的定位 4
2.1图像预处理 4
2.1.1彩色图像与灰度图像之间的转换 4
2.1.2滤波处理 5
2.2目标物体的边缘检测与定位 7
2.2.1目标物体的边缘检测 7
2.2.2目标物体的定位 10
第三章 单目测距模型的建立 11
3.1预备知识 11
3.1.1坐标系知识简述 11
3.1.2实验参数介绍 11
3.2模型建立 12
第四章 实验效果与程序分析 17
4.1实验环境介绍 17
4.2程序功能模块及流程 17
4.2.1程序模块 17
4.2.2 定位模块 19
4.2.3 测距模块 19
4.3实验效果分析 20
4.3.1实验场景效果 20
4.3.2预处理部分分析 21
4.3.3测距模型结果分析 25
第五章 总结与展望 27
5.1本文研究工作总结 27
5.2展望 27
致谢 28
参考文献 29
第一章 *好棒文|www.hbsrm.com +Q: ￥351916072$
绪论
1.1选题背景和意义
视觉是人们所熟知的一套功能系统，它赋予人类能够感知自然信息并进行加工处理的能力。现在，科学技术的进步，使得可以赋予视觉以一种新的含义，使它不仅局限于人眼的功能，而且可以通过机器来帮助人们进行更加细致、危险的工作“机器视觉”。机器视觉最早可以追溯至上个世纪六十年代，是由美国人L.R.罗伯兹先生在对多面体组成的积木世界的研究开始的。直到二十世纪七十年代，机器视觉系统正式进入历史的舞台；在70年代中期，美国麻省理工学院（MIT）正式开设“机器视觉”课程，机器视觉开始进入大学者、大科学家们的视眼。到80年代的时候，随着CCD与图像处理技术的进步，机器视觉迎来了巨大的发展。
相对于激光、雷达等其他传感器，视觉信号具有许多独特的优点：探测范围宽、信息丰富、价格实惠、更加符合人们的认知习惯等，对于道路探测方面，视觉信号拥有无法取代的优势。因此国内外许多科研人员都锲而不舍地深入对计算机视觉领域的研究。
目前，基于机器视觉的测量技术主要分为两类，一是基于单目的视觉测量技术，二是基于多目的视觉测量技术。其中单目视觉测量技术是使用纵向控制来为智能系统提供参数的技术。目前，单目视觉技术普遍采用对应点标定的方法来得到图像的深度信息，对应点标定方法实际上就是通过不同坐标系下的转换来得到对应点在不同坐标下的关系的方法。
除了对于单目视觉测量技术的应用以外，还有多目视觉测量技术，这种技术是基于三角测量原理而进行发展的一门技术。这种方法类似于人们利用双眼的视差来感知距离的一种模型。简单来说，就是通过对于同一个物体从不同的方位来进行成像，然后经过后续处理，从像对的视差中得到空间信息的模型，若在已知拍摄点的位置及摄像机的相关参数，就可以得到目标点空间位置。
本文是依托于视觉系统来搭建一个单目测距的模型，它是通过行列扫描定位目标物体，计算出摄像机与目标物体之间的距离。它作为视觉导航的一部分，具有很大的研究价值与应用前景。
1.2 国内外研究现状
1.2.1国外研究现状
在科技日益进步的今天，人们对于物质生活的要求也变得越来越高，安全性和舒适性成为商品在市场上发展的关键要素。所以智能车辆系统的开发也变得越来越重要，世界上各国都争相涌向这片市场。
智能车辆视觉系统早已在20世纪70年代得以萌芽发展，美国等国家率先开始从事这方面的研究。在美国Defense Advanced Research Projects Agency（DARPA）的支持下，美国的Carnegie Mellon University（CMU）、Leland Stanford Junior University（Stanford）、Massachusetts Institute of Technology（MIT）等高校开展了Autonomous Land Vehicle（ALV）的研究，其研究的重点项目就有机器视觉的导航方法。目前，世界上典型的车载视觉系统有：德国联邦国防大学的EMSVision视觉系统、美国卡内基梅隆大学的NAVLAB与SCARF、法国帕斯卡大学的Peugeot、意大利帕尔马大学的ARGO，等。其中NAVLAB与Peugeot这两套视觉系统都是采用单目实现的。
单目视觉测量技术已经取得了飞跃性的进步，但由于算法精度的问题以及实际测量环境的影响，使得该技术还未能够完全适应各种实际应用环境，因此还存在很大的进步空间。
目录
第一章 绪论 1
1.1选题背景和意义 1
1.2 国内外研究现状 2
1.2.1国外研究现状 2
1.2.2国内研究现状 2
1.3课题的思路及主要内容 3
1.4本文的组织结构 3
第二章 图像处理及目标物体的定位 4
2.1图像预处理 4
2.1.1彩色图像与灰度图像之间的转换 4
2.1.2滤波处理 5
2.2目标物体的边缘检测与定位 7
2.2.1目标物体的边缘检测 7
2.2.2目标物体的定位 10
第三章 单目测距模型的建立 11
3.1预备知识 11
3.1.1坐标系知识简述 11
3.1.2实验参数介绍 11
3.2模型建立 12
第四章 实验效果与程序分析 17
4.1实验环境介绍 17
4.2程序功能模块及流程 17
4.2.1程序模块 17
4.2.2 定位模块 19
4.2.3 测距模块 19
4.3实验效果分析 20
4.3.1实验场景效果 20
4.3.2预处理部分分析 21
4.3.3测距模型结果分析 25
第五章 总结与展望 27
5.1本文研究工作总结 27
5.2展望 27
致谢 28
参考文献 29
第一章 *好棒文|www.hbsrm.com +Q: ￥351916072$
绪论
1.1选题背景和意义
视觉是人们所熟知的一套功能系统，它赋予人类能够感知自然信息并进行加工处理的能力。现在，科学技术的进步，使得可以赋予视觉以一种新的含义，使它不仅局限于人眼的功能，而且可以通过机器来帮助人们进行更加细致、危险的工作“机器视觉”。机器视觉最早可以追溯至上个世纪六十年代，是由美国人L.R.罗伯兹先生在对多面体组成的积木世界的研究开始的。直到二十世纪七十年代，机器视觉系统正式进入历史的舞台；在70年代中期，美国麻省理工学院（MIT）正式开设“机器视觉”课程，机器视觉开始进入大学者、大科学家们的视眼。到80年代的时候，随着CCD与图像处理技术的进步，机器视觉迎来了巨大的发展。
相对于激光、雷达等其他传感器，视觉信号具有许多独特的优点：探测范围宽、信息丰富、价格实惠、更加符合人们的认知习惯等，对于道路探测方面，视觉信号拥有无法取代的优势。因此国内外许多科研人员都锲而不舍地深入对计算机视觉领域的研究。
目前，基于机器视觉的测量技术主要分为两类，一是基于单目的视觉测量技术，二是基于多目的视觉测量技术。其中单目视觉测量技术是使用纵向控制来为智能系统提供参数的技术。目前，单目视觉技术普遍采用对应点标定的方法来得到图像的深度信息，对应点标定方法实际上就是通过不同坐标系下的转换来得到对应点在不同坐标下的关系的方法。
除了对于单目视觉测量技术的应用以外，还有多目视觉测量技术，这种技术是基于三角测量原理而进行发展的一门技术。这种方法类似于人们利用双眼的视差来感知距离的一种模型。简单来说，就是通过对于同一个物体从不同的方位来进行成像，然后经过后续处理，从像对的视差中得到空间信息的模型，若在已知拍摄点的位置及摄像机的相关参数，就可以得到目标点空间位置。
本文是依托于视觉系统来搭建一个单目测距的模型，它是通过行列扫描定位目标物体，计算出摄像机与目标物体之间的距离。它作为视觉导航的一部分，具有很大的研究价值与应用前景。
1.2 国内外研究现状
1.2.1国外研究现状
在科技日益进步的今天，人们对于物质生活的要求也变得越来越高，安全性和舒适性成为商品在市场上发展的关键要素。所以智能车辆系统的开发也变得越来越重要，世界上各国都争相涌向这片市场。
智能车辆视觉系统早已在20世纪70年代得以萌芽发展，美国等国家率先开始从事这方面的研究。在美国Defense Advanced Research Projects Agency（DARPA）的支持下，美国的Carnegie Mellon University（CMU）、Leland Stanford Junior University（Stanford）、Massachusetts Institute of Technology（MIT）等高校开展了Autonomous Land Vehicle（ALV）的研究，其研究的重点项目就有机器视觉的导航方法。目前，世界上典型的车载视觉系统有：德国联邦国防大学的EMSVision视觉系统、美国卡内基梅隆大学的NAVLAB与SCARF、法国帕斯卡大学的Peugeot、意大利帕尔马大学的ARGO，等。其中NAVLAB与Peugeot这两套视觉系统都是采用单目实现的。
单目视觉测量技术已经取得了飞跃性的进步，但由于算法精度的问题以及实际测量环境的影响，使得该技术还未能够完全适应各种实际应用环境，因此还存在很大的进步空间。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzdq/151.html
