机器视觉是什么？有哪些技术应用？.docVIP

机器视觉是什么？有哪些技术应用？ 提及机器人视觉，不免会想到计算机视觉和机器视觉，很多人会把这三者弄混。　　计算机视觉是以图片认知为基础的科学，只通过图片识别输出结果，代表企业是谷歌。　　机器视觉多用于生产线上的质量检测，普遍基于2D识别，被广泛应用于3C电子行业，代表企业是康耐视。　　机器人视觉是指不仅要把视觉信息作为输入，而且还要对这些信息进行处理，进而提取出有用的信息提供给机器人。是为了让机器人真正变成“机器人”，而不是机器臂。　　(一)　　传统的机器臂只是自动化设备，是通过编程处理固定的动作，是不能处理具有变动性事物的能力。机器人视觉这要求机器人要拥有3D视觉，能处理三维空间里的三维物体问题，并且具有复杂算法，支撑机器人对位置、动作、轨迹等复杂信息的捕捉，这必须要依赖人工智能和深度学习来完成。　　机器人视觉是为认知机器人服务，具备不断学习的功能尤为关键，无论是做检测还是定位引导，当机器人做的次数越多，伴随着数据的增长变化，机器人的准确性也会越高，这跟人的学习成长能力是类似的。　　机器人视觉是一种处理问题的研究手段。经过长时间的发展，机器人视觉在定位，识别，检测等多个方面发展出来各种方法。其以常见的相机作为工具，以图像作为处理媒介，获取环境信息。　　1、相机模型　　相机是机器人视觉的主要武器，也是机器人视觉和环境进行通信的媒介。相机的数学模型为小孔模型，其核心在于相似三角形的求解。其中有三个值得关注的地方： 1.11/f = 1/a + 1/b　　焦距等于物距加上像距。此为成像定理，满足此条件时才能成清晰的像。 1.2X = x * f/Z　　如果连续改变焦距f ，并同时移动相机改变Z，则可以使得物体x在图像上所占像素数目不变(X)。此为DollyZoom原理。如果某个物体在该物体后方(更大的Z)，可利用此原理任意调整两个物体在相片上的比例。 1.3　　焦距越长，则视场越小，可以将远处的物体拍清晰。同时相片会有更大的景深。　　2、消失点　　消失点是相片中特有的。此点在相片中不直接存在，在现实中直接不存在。由于射影变换，相片中原本平行的线会有相交的趋势。如果求的平行直线在图像中的交点，则该点对应现实中无穷远处的一点。该点的图像坐标为[X1 X1 1]。此点成为消失点。相机光心与消失点的连线指向消失点在摄像机坐标系中的方向。　　　　此外，同一平面上各个方向的消失点，会在图像中组成一条直线，称为水平线。该原理可以用于测量站在地上的人的高度。值得注意的是只有相机水平时，horizen的高度才是camera Height.　　　　2.1 位姿估计　　如果我们能获得一幅图中的2个消失点。且这2个消失点所对应的方向是相互垂直的(网格)，那么我们就可以估计出相机相对于此图像的姿态(靶标位姿估计)。 在获得相机相对于靶标的旋转向量后，如果相机内部参数已知，且已知射影变换矩阵，则可计算相机相对于靶标的距离，那么可以估计机器人的位置。H = K1*(H射影矩阵)　　　　2.2 点线对偶　　p1×p2 = L12 L12×L23 = p2　　3、射影变换　　射影变化是空间中平面---》平面的一种变换。对齐次坐标，任意可逆矩阵H均表达了射影变换。简而言之，可以表达为A = HB ，其中AB是[X Y 1]形式的其次坐标。射影变换的一大作用就是将某一形状投射成其他形状。比如，制作相片中的广告牌，或者比赛转播中的广告牌，或者游泳比赛运动员到达后那个biu的一下出现的国旗。射影变换也是增强现实技术的基础。　　　　射影变换的核心在于H的求取。普通的求解方法见机器视觉教材。　　假设平面相片的四个点分别是A(0，0，1)，B(0，1，1)，C(1，1，1)，D(1，0，1)。显然，这四个点需要投射到四个我们已知像素位坐标的图像区域中。　　此外，我们还可以依据像素位置计算两个有趣的点，V1(x1， y1， z1)，V2(x2，y2，z2)，这两个点都是图像点。他们对应的实际坐标假设是(0，1，0)，(1，0，0)。那么我们就有三个很有趣的实际点了。分别是(1，0，0)，(0，1，0)，(0，0，1)，恰好是一个Identity Matrix。这三个实际坐标经过射影变换会得到像素坐标。像素坐标又是已知的。那么H的第一列就应该对应beta*V2，第二列应该对应alpha*V1。　　第三列应该对应gama*【A的像素坐标】。alpha beta gama是常数。【射影变化后的坐标应为常数乘以其次坐标】。　　如果能解得alpha beta gama，那么我们就获得了射影变换矩阵。显然把C点的像素坐标带入方程，我们则有3个方程，4个未知数(引入了一个lamda)。但是lamda并不影响，除过去后我们只要　　alpha/lamda，beta/lam