| 而实际设置两摄像机之间的距离为200mm，可见标定得到的T的X方向上的坐标为199.4809mm，与实际设置的距离200mm很接近，旋转矩阵R基本接近单位阵，说明两摄像机之间基本没有旋转，符合论文所要求的双目视觉模型。
标定好之后，再进行立体标定，然后进行立体匹配，立体匹配后取某些对应的匹配点，采用前文介绍的测距算法，得到如下实验数据：
 表一 测距结果
|
序号
|
点对
|
计算的距离值
|
实际测量的距离
|
误差
|
|
1
|
（448，806）
（1187，809）
|
505.645
|
500
|
1.129%
|
|
2
|
（442，1031）
（1183摄像机标定，1038）
|
506.162
|
500
|
1.2324%
|
|
3
|
（829，991）
（1209，994）
|
993.944
|
1000
|
0.6056%
|
|
4
|
（830，843）
（1208，845）
|
996.254
|
1000
|
0.3746%
|
|
5
|
（975，971）
（1168，977）
|
1978.79
|
2000
|
1.0605%
|
|
6
|
（1055，973）
（1248，978）
|
1984.86
|
2000
|
0.757%
|
|
7
|
（1269，598）
（1355，605）
|
4407.53
|
4700
|
6.2228%
|
|
8
|
（1137，598）
（1224，604）
|
4361.55
|
4700
|
7.2011%
|
注：单位为毫米
结论
论文主要研究基于Opencv的双目立体视觉的距离测量，它在车载摄像机、安全车距、机器人壁障等场景中得到应用广泛，是目前及将来研究的热点之一。由实验数据可知，在摄像机标定和立体匹配后，根据OpenCV的测距算法，在2米的距离内，误差都是小于1.5%，可见该算法还是能达到一定的精度。由于标定误差、人为误差及其他因素的影响，如立体匹配时只查找两幅图像之间的强匹配点（即强纹理），这些因素的影响导致了在距离摄像机越远的地方测量得到的距离信息精度越差。
参考文献：
[1]赵勋杰，高稚允.光电被动测距技术[J]. 光学技术，2003，29(6)：652-656
[2]Okutomi M，Kanade T. A multiple-baseline stereo [J]. IEEE transactionson Pattern Anal & Mch Intell，1993，15(4)：353-363.
[3]马林.基于双目视觉的图像三维重建[D].山东：山东大学，2008
[4]陈胜勇，刘盛.基于OpenCV的计算机视觉技术实现[M].北京:科学出版社，2008
[5]Zhengyou Zhang. A Flexible NewTechnique for Camera Calibration [J]. Pattern Analysis and Machine Intelligence,IEEE Transactions on.2000，22(11):1330-1334
[6]Hartley R.I., Zisserman A.，计算机视觉中的多视图几何[M].韦穗等译，合肥：安徽大学出版社，2002.
[7]Gary Bradski，Adrian Kaehler著,于仕琪，刘瑞祯译. 学习OpenCV(中文版)[M]. 北京：清华大学出版社，2009
[8]祝琨，杨唐文，阮秋琦，王红波，韩建达.基于双目视觉的运动物体的实时跟踪与测距[J].机器人，2009,31(4)：327-334
2/2 首页 上一页 1 2 |
