諸如航空航天、船舶等工業(yè)制造領(lǐng)域內(nèi)的大型設(shè)備研制生產(chǎn)需要對各類大型構(gòu)件進(jìn)行三維測量。由于大型構(gòu)件結(jié)構(gòu)復(fù)雜、尺寸大,通常利用合作靶標(biāo)輔助完成三維參量測量,測量過程中儀器需要瞄準(zhǔn)布置在構(gòu)件表面的靶標(biāo),通過獲取靶標(biāo)圖像并對其進(jìn)行位姿估計(jì)實(shí)現(xiàn)靶標(biāo)瞄準(zhǔn)。受測量環(huán)境影響,靶標(biāo)圖像通常發(fā)生離焦模糊退化,并且由于成像系統(tǒng)與其距離較遠(yuǎn),也造成靶標(biāo)在圖像中的成像區(qū)域空間分辨率低,最終導(dǎo)致采集的靶標(biāo)圖像表現(xiàn)為低質(zhì)量、低分辨率,現(xiàn)有的位姿估計(jì)方法對這類圖像估計(jì)結(jié)果的穩(wěn)定性與精度會嚴(yán)重退化,難以實(shí)現(xiàn)靶標(biāo)準(zhǔn)確瞄準(zhǔn)。因此,研究針對低質(zhì)量低分辨率靶標(biāo)圖像的魯棒位姿估計(jì)方法,提高算法的穩(wěn)定性與位姿估計(jì)精度,對實(shí)現(xiàn)合作靶標(biāo)精確瞄準(zhǔn)和大型構(gòu)件三維參量精密測量具有重要意義與應(yīng)用價(jià)值。本文在分析低質(zhì)量低分辨率圖像對位姿估計(jì)穩(wěn)定性影響的基礎(chǔ)上,提出了基于CAD模型的目標(biāo)檢測與圖像復(fù)原方法,以及一種基于多特征融合的改進(jìn)加權(quán)EPnP（weighted EPnP,wEPnP）位姿估計(jì)方法。首先,針對低質(zhì)模糊圖像會淹沒目標(biāo)邊緣特征,降低特征提取與位姿估計(jì)的準(zhǔn)確性的問題,利用目標(biāo)CAD模型進(jìn)行目標(biāo)檢測,有效分割目標(biāo)區(qū)域,并基于CAD模型中... 

【文章頁數(shù)】：93 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 引言
    1.2 合作目標(biāo)位姿估計(jì)方法研究現(xiàn)狀
        1.2.1 目標(biāo)幾何特征提取方法
        1.2.2 合作目標(biāo)位姿估計(jì)方法
    1.3 圖像復(fù)原方法研究現(xiàn)狀
        1.3.1 圖像盲復(fù)原方法
        1.3.2 圖像非盲復(fù)原方法
    1.4 研究意義及研究內(nèi)容
        1.4.1 研究意義
        1.4.2 研究內(nèi)容
第二章 基于CAD模型的3D目標(biāo)檢測方法
    2.1 引言
    2.2 基于CAD模型的3D目標(biāo)檢測原理
    2.3 3D目標(biāo)圖像預(yù)處理
    2.4 目標(biāo)檢測方法
        2.4.1 視點(diǎn)位置規(guī)劃
        2.4.2 模板匹配指標(biāo)
        2.4.3 目標(biāo)確認(rèn)指標(biāo)
    2.5 基于CAD模型的3D目標(biāo)檢測方法實(shí)現(xiàn)
    2.6 小結(jié)
第三章 基于模型的3D目標(biāo)離焦模糊圖像恢復(fù)方法
    3.1 引言
    3.2 目標(biāo)圖像離焦退化與復(fù)原
        3.2.1 圖像離焦退化原理
        3.2.2 圖像非盲復(fù)原
    3.3 基于EPCPSO的離焦圖像PSF估計(jì)
        3.3.1 混沌PSO算法
        3.3.2 群能量保持CPSO算法
    3.4 目標(biāo)圖像恢復(fù)質(zhì)量評價(jià)指標(biāo)
        3.4.1 復(fù)原圖像質(zhì)量評價(jià)指標(biāo)
        3.4.2 基于模型的邊緣加權(quán)圖像質(zhì)量評價(jià)指標(biāo)
    3.5 基于模型的3D目標(biāo)離焦圖像恢復(fù)算法及實(shí)現(xiàn)
    3.6 小結(jié)
第四章 多特征融合的3D目標(biāo)位姿估計(jì)方法
    4.1 引言
    4.2 目標(biāo)幾何特征提取及匹配方法
        4.2.1 目標(biāo)點(diǎn)特征和直線特征提取方法
        4.2.2 目標(biāo)面特征提取方法
        4.2.3 基于模型的目標(biāo)特征點(diǎn)匹配方法
    4.3 多特征融合的位姿估計(jì)方法
        4.3.1 相機(jī)成像模型
        4.3.2 EPnP位姿估計(jì)算法
        4.3.3 多特征融合的wEPnP算法
    4.4 多特征融合的3D目標(biāo)位姿估計(jì)方法實(shí)現(xiàn)
    4.5 小結(jié)
第五章 實(shí)驗(yàn)與分析
    5.1 引言
    5.2 3D目標(biāo)檢測實(shí)驗(yàn)及分析
    5.3 3D目標(biāo)圖像恢復(fù)實(shí)驗(yàn)及分析
    5.4 3D目標(biāo)位姿估計(jì)實(shí)驗(yàn)及分析
        5.4.1 低分辨率仿真圖像位姿估計(jì)實(shí)驗(yàn)及分析
        5.4.2 低分辨率3D目標(biāo)圖像位姿估計(jì)實(shí)驗(yàn)及分析
    5.5 3D靶標(biāo)位姿估計(jì)實(shí)驗(yàn)及分析
    5.6 小結(jié)
第六章 結(jié)論及展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
致謝
作者及導(dǎo)師簡介
附件


【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)矢量外推Richardson-Lucy算法在波前編碼圖像復(fù)原中的應(yīng)用[J]. 趙惠,夏晶晶,張凌,樊學(xué)武.  光子學(xué)報(bào). 2019(06)
[2]基于灰度差分與模板的Harris角點(diǎn)檢測快速算法[J]. 張立亭,黃曉浪,鹿琳琳,陳竹安,徐志寬.  儀器儀表學(xué)報(bào). 2018(02)
[3]相機(jī)位姿估計(jì)的加權(quán)正交迭代算法[J]. 周潤,張征宇,黃敘輝.  光學(xué)學(xué)報(bào). 2018(05)
[4]基于自適應(yīng)雙lp-l2范數(shù)的單幅模糊圖像超分辨率盲重建[J]. 李滔,何小海,滕奇志,吳小強(qiáng).  計(jì)算機(jī)應(yīng)用. 2017(08)
[5]圖像邊緣輪廓自適應(yīng)閾值的角點(diǎn)檢測算法[J]. 趙亞利,章為川,李云紅.  中國圖象圖形學(xué)報(bào). 2016(11)
[6]基于共面直線迭代加權(quán)最小二乘的相機(jī)位姿估計(jì)[J]. 張振杰,郝向陽,程傳奇,黃忠義.  光學(xué)精密工程. 2016(05)
[7]基于Hough一維變換的直線檢測算法[J]. 張振杰,郝向陽,劉松林,程傳奇.  光學(xué)學(xué)報(bào). 2016(04)
[8]圖像的角點(diǎn)檢測研究綜述[J]. 章為川,孔祥楠,宋文.  電子學(xué)報(bào). 2015(11)
[9]相機(jī)位姿估計(jì)的加速正交迭代算法[J]. 李鑫,龍古燦,劉進(jìn)博,張小虎,于起峰.  光學(xué)學(xué)報(bào). 2015(01)
[10]利用全局信息提取靶標(biāo)特征的方法[J]. 趙連軍,劉恩海,張文明,趙汝進(jìn).  光學(xué)學(xué)報(bào). 2014(04)



本文編號：3698182