專利名稱：一種基于雙目三維視覺的深度測量方法
技術領域：
本發(fā)明屬于物體測量技術領域，特別涉及一種基于雙目三維視覺的深度測量方 法。
背景技術：
古今中外，對物體的測量方法層出不窮。但是對于測量的要求來說，每種方法都是 針對十分具體的需求。目前現有的深度測量技術，可分為接觸式測量與非接觸式測量兩大類?？偨Y歸納 如下表1所示表1各種測量技術 現有技術中，有一種便捷式三維掃描儀，由單個視覺傳感器的移動來實現多傳感 器視覺測量系統(tǒng)的功能，有時稱這種方式為流動式三維掃描。在這種方式下，根據測量任務 要求，單個視覺傳感器可以隨意放置到大型工件周圍的任何位置，通過在工件表面上設置 適當的標記點，單個視覺傳感器在不同位置的局部測量數據就可以自動拼接，從而完成對 大型工件的整體測量。激光跟蹤儀是一種具有球坐標系的坐標測量系統(tǒng)，由兩個測角單元和一個測距單 元組成，測角采用角度編碼器，測距采用單光束激光干涉儀，通過球形反射鏡接觸被測物體實施測量，是一種接觸式測量儀器。雖然流動式三維掃描和激光跟蹤儀的測量技術可實現接觸式測量，測量精度可以 滿足要求，但由于是接觸式測量，不適用于惡劣環(huán)境下(比如有毒，易腐蝕的物體，如盛化 學品的燒杯)或者微小的物體(如按鍵)的測量。室內GPS系統(tǒng)是由美國ARC SECOND公司推出的一種基于工業(yè)廠房區(qū)域內超大型 現場測量系統(tǒng)。室內GPS系統(tǒng)最大的特點是測量不受限，測量范圍大(可達上百米)，無論 在工件外還是在工件內，都可以完成測量，適用于大型結構的整體精密測量。但其成本較 大，技術復雜。在非接觸式的測量方法中，視覺技術的成本最低、重構性最好，能很好的滿足應用 需求的變化。華中科技大學提出了單目視覺的測量方法，并且為了確保被測物體始終在攝像機 的景深范圍內，在掃描過程中引進了兩種隨動控制技術，即預掃描的隨動測量技術和信號 跟蹤算法的隨動測量技術。這種技術采用單目視覺技術以及基于參數辨別的標定，對環(huán)境 擾動以及攝像機的精度有較高的要求，具有一定的局限性。傳統(tǒng)的視覺測量方法，一般采用雙目攝像機的標定的技術提取特征點進行三維視 覺測量，雙目攝像機的標定是一個非常復雜的非線性模型，可歸結為直接求解的解析標定 方法。在標定后，仍然需要用空間立體解析幾何法求取三維坐標，其計算十分復雜，且不能 通用于求解非線性模型，不但不能滿足實現要求，誤差較大，而且標定模型的誤差，會被放 大到根據匹配點對求解其三維坐標的過程中去，有一種“失之毫厘，謬以千里”的感覺。在 不利環(huán)境和攝像機精度不高的情況下，導致傳統(tǒng)的視覺測量的精度也相對較低。綜上所述，現有的測量技術一般存在著以下缺陷(1)精密設備，價格不菲，成本 高；(2)多數高精度測量系統(tǒng)為接觸式測量方式；(3)接觸式測量系統(tǒng)難以重構；(4)對操 作人員的學習培訓困難。因此，需要設計一種精度較高而成本相對較低的測量方法。

發(fā)明內容
本發(fā)明的目的在于克服上述現有技術的缺點與不足，提供一種精度較高而成本較 低的基于雙目三維視覺的深度測量方法。為達上述目的，本發(fā)明采用如下的技術方案一種基于雙目三維視覺的深度測量 方法，包括如下步驟(1)由兩個攝像機分別獲取物體的左圖像和右圖像，物體各點在左圖像和右圖像 中對應有左圖像坐標和右圖像坐標，且均為二維坐標；獲取若干個物體的特征點；(2)建立BP神經網絡模型；(3)根據所述步驟(1)獲取的左圖像和右圖像，提取物體底部平面特征點的左圖 像坐標和右圖像坐標；通過所述步驟(2)所得的BP神經網絡模型對所述特征點進行訓練， 將各特征點的左圖像坐標和右圖像坐標均映射到三維世界坐標，并將所有三維世界坐標擬 合成三維世界坐標點集，建立物體底部表面的三維平面函數，所述三維平面函數滿足Z = aX+bY+c，其中，X、Y、Z分別為底部表面各點的三個世界坐標值，a、b、c分別為函數參數；(4)根據所述步驟(1)獲取的左圖像和右圖像，提取物體頂部平面一個特征點的左圖像坐標和右圖像坐標；通過所述步驟(2)所得的BP神經網絡模型訓練，所述特征點的 左圖像坐標和右圖像坐標映射到三維世界坐標，設為P(PX，Py, Pz)；
|aPx + bPy-Pz + c|(5)求取物體的深度值，所述深度值滿足=DlSt = ' + + l .其中Dist為
9
所求的深度值，&、&、&分別為步驟(4)特征點三維世界坐標對應的三個坐標值，a、b、c分 別為所述步驟(3)物體底部表面的三維平面函數的三個參數值。所述步驟(1)中，特征點的獲取步驟如下在物體的特征位置打上激光，通過用圖 像處理獲取激光所在的位置點，這些位置點就是所述的特征點。所述步驟(2)中，BP神經網絡模型包括三層前饋網絡，分別為輸入層、隱含層和 輸出層，所述輸入層包括四個神經元，分別對應特征點左圖像坐標的兩個坐標值和右圖像 坐標的兩個坐標值；所述隱含層包括八個神經元；所述輸出層包括三個神經元，分別對應 特征點的世界坐標的三個坐標值；所述輸入層的各神經元與隱含層的各神經元一一映射連 接，所述隱含層的各神經元與輸出層的各神經元一一映射連接。所述步驟(2)中，建立BP神經網絡模型包括如下步驟(2-1)選擇訓練樣本，建立訓練樣本集；(2-2)初始化對各層權值向量賦初值，設定訓練的最大迭代次數、期望輸出信 號；(2-3)隨機輸入任一項訓練樣本，根據輸入的訓練樣本依次計算各層神經元的輸 入信號和輸出信號；(2-4)根據所述步驟(2-3)中最終的輸出信號和期望輸出信號，計算誤差信號，判 斷所述誤差信號是否滿足要求，若滿足，則執(zhí)行步驟(2-8)，否則，執(zhí)行步驟(2-5)；(2-5)判斷下一次的迭代次數是否大于最大迭代次數，若大于，則執(zhí)行步驟 (2-8)，否則，對輸入的訓練樣本反向計算每層神經元的局部梯度，所述局部梯度滿足
J
=其中η為迭代次數；Dij (η)為所求的第i層第j個神經元的
戶1’
局部梯度；f(uu(n))為轉移函數；(η)為第i層第j個神經元的輸入信號線性組合后的 輸出；Di^. (η)為第i_l層第j個神經元的局部梯度；J為第i_l層的神經元總數；Wij (η)為 第i層第j個神經元與第i_l層各個神經元的連接權值；(2-6)調整各層的連接權值，各層調整后的連接權值滿足Wij (n+1) =Wij (η)+ α (η) [ (1_ η) Dij (η) + η Dij (η_1)]，其中 Wij (η)均為第 i 層第 j 個神經元第η次迭代時神經元的連接權值，Wij (n+1)為第i層第j個神經元第n+1次迭代 時的連接權值，η為迭代次數；α (η)為第η次調整迭代時的學習率；η為動量因子；Dij(Ii) 為本次迭代時，第i層第j個神經元的局部梯度；Du(n-l)為上次迭代時，第i層第j個神 經元的局部梯度；(2-7)迭代次數加一，進入下一次迭代，執(zhí)行步驟(2-3)；(2-8)判斷是否已學完所有的訓練樣本，若是，則結束訓練，得到輸出結果；否則， 執(zhí)行步驟(2-3)。所述步驟(2-6)中，各層學習率的調整滿足當連續(xù)兩次迭代的梯度方向相同時， 則使學習率加倍；當連續(xù)兩次迭代的梯度方向相反時，則使學習率減半。
所述訓練樣本為所述步驟(1)特征點的左圖像坐標和右圖像坐標。所述步驟(3)的具體步驟如下(3-1)通過圖像分析，提取物體在所述步驟(1)形成的圖像中對應的底部平面特 征點的左圖像坐標和右圖像坐標；(3-2)對所述步驟(3-1)底部平面的各個特征點按照基數排序進行匹配；(3-3)通過所述步驟(2)所得的BP神經網絡模型對底部平面特征點進行訓練，將 物體底部平面的特征點的左圖像坐標和右圖像坐標分別映射到三維世界坐標；(3-4)將所述步驟(3-3)訓練得到的各特征點的三維世界坐標擬合三維世界坐標 點集，建立物體底部表面的三維平面函數。所述(3-2)中對各個特征點按照基數排序進行匹配的具體如下各特征點的左圖 像坐標和右圖像坐標均按照X軸分組收集，然后再按照Y軸分組收集，從而實現各特征點在 左圖像坐標和右圖像坐標的點集合內的排序匹配。所述步驟(4)包括如下步驟(4-1)通過圖像分析，提取物體在所述步驟(1)形成的圖像中對應的頂部平面中 一個特征點的左圖像坐標和右圖像坐標；(4-2)通過所述步驟(2)所得的BP神經網絡模型對所述步驟(4_1)中的特征點進 行訓練，將這一特征點的左圖像坐標和右圖像坐標分別映射到三維世界坐標。本發(fā)明可對惡劣環(huán)境下的物體(如盛裝有毒、易腐蝕物體的容器，如盛化學品的 燒杯)，或者不易直接測量(或者微小的物體，如按鍵)的物體進行深度測量。本方法可用于建筑工程、電子器材檢測、流水線檢測以及機器人和機械制造業(yè)等 多種領域系統(tǒng)的測量，屬于計算機應用技術、計算機視覺技術、非接觸式測量領域。與現有技術相比，本發(fā)明具有如下優(yōu)點和有益效果1、本發(fā)明可測量惡劣環(huán)境下(比如有毒，易腐蝕的物體，如盛化學品的燒杯)的物 體或者不易直接測量(或者微小的物體，如按鍵)的物體的深度，具有測量方便、測量精度
高等優(yōu)點。2、本發(fā)明采用激光標記來獲取物體的特征點，具有靈敏度高、實驗環(huán)境適應性強 等優(yōu)點，能夠有效地防止環(huán)境光的影響。3、本發(fā)明采用BP神經網絡模型訓練，可將二維的圖像坐標映射到三維世界坐標， 相對于傳統(tǒng)的攝像機標定與畸變校正，通過BP神經網絡模型逼近三維坐標函數，可向下屏 蔽標定參數的直接求解，向上提供了二維坐標到三維坐標的直接映射，解決了在不利環(huán)境 和攝像機精度不高的情況下，能夠穩(wěn)定地提取特征點進行三維視覺測量的問題，測量結果 達到一定的可控精度要求。4、本發(fā)明的各個特征點按照基數排序進行匹配，可有效簡化BP神經網絡模型訓 練速度，且能確保特征點的客觀與真實性。5、本發(fā)明成本低、重構性好，能很好的滿足應用需求的變化。


圖1是本發(fā)明方法的流程圖。
具體實施例方式下面結合實施例及附圖對本發(fā)明作進一步詳細的描述，但本發(fā)明的實施方式不限 于此。實施例如圖1所示，本基于雙目三維視覺的深度測量方法，包括如下步驟(1)由兩個攝像機分別獲取物體的左圖像和右圖像，物體各點在左圖像和右圖像 中對應有左圖像坐標和右圖像坐標，且均為二維坐標；獲取若干個物體的特征點；(2)建立BP神經網絡模型；(3)根據所述步驟(1)獲取的左圖像和右圖像，提取物體底部平面特征點的左圖 像坐標和右圖像坐標；通過所述步驟(2)所得的BP神經網絡模型對所述特征點進行訓練， 將各特征點的左圖像坐標和右圖像坐標均映射到三維世界坐標，并將所有三維世界坐標擬 合成三維世界坐標點集，建立物體底部表面的三維平面函數，所述三維平面函數滿足Z = aX+bY+c，其中，X、Y、Z分別為底部表面各點的三個世界坐標值，a、b、c分別為函數參數；(4)根據所述步驟(1)獲取的左圖像和右圖像，提取物體頂部平面一個特征點的 左圖像坐標和右圖像坐標；通過所述步驟(2)所得的BP神經網絡模型訓練，所述特征點的 左圖像坐標和右圖像坐標映射到三維世界坐標，設為P(PX，Py, Pz)；
|aPx + bPy-Pz + c|(5)求取物體的深度值，所述深度值滿足
.其中Dist為
所求的深度值，&、&、&分別為步驟(4)特征點三維世界坐標對應的三個坐標值，a、b、c分 別為所述步驟(3)物體底部表面的三維平面函數的三個參數值。所述步驟(1)中，特征點的獲取步驟如下在物體的特征位置打上激光，通過用圖 像處理獲取激光所在的位置點，這些位置點就是所述的特征點。所述步驟(2)中，BP神經網絡模型包括三層前饋網絡，分別為輸入層、隱含層和 輸出層，所述輸入層包括四個神經元，分別對應特征點左圖像坐標的兩個坐標值和右圖像 坐標的兩個坐標值；所述隱含層包括八個神經元；所述輸出層包括三個神經元，分別對應 特征點的世界坐標的三個坐標值；所述輸入層的各神經元與隱含層的各神經元一一映射連 接，所述隱含層的各神經元與輸出層的各神經元一一映射連接。所述步驟(2)中，建立BP神經網絡模型包括如下步驟(2-1)選擇訓練樣本，建立訓練樣本集；(2-2)初始化對各層權值向量賦初值，設定訓練的最大迭代次數、期望輸出信 號；(2-3)隨機輸入任一項訓練樣本，根據輸入的訓練樣本依次計算各層神經元的輸 入信號和輸出信號；(2-4)根據所述步驟(2-3)中最終的輸出信號和期望輸出信號，計算誤差信號，判 斷所述誤差信號是否滿足要求，若滿足，則執(zhí)行步驟(2-8)，否則，執(zhí)行步驟(2-5)；(2-5)判斷下一次的迭代次數是否大于最大迭代次數，若大于，則執(zhí)行步驟 (2-8)，否則，對輸入的訓練樣本反向計算每層神經元的局部梯度，所述局部梯度滿足
其中η為迭代次數；Dij (η)為所求的第i層第j個神經元的局部梯度；f(uu(n))為轉移函數；(η)為第i層第j個神經元的輸入信號線性組合后的 輸出；Di^. (η)為第i_l層第j個神經元的局部梯度；J為第i_l層的神經元總數；Wij (η)為 第i層第j個神經元與第i_l層各個神經元的連接權值；(2-6)調整各層的連接權值，各層調整后的連接權值滿足Wij (n+1) =Wij (η)+ α (η) [ (1_ η) Dij (η) + η Dij (η_1)]，其中 Wij (η)均為第 i 層第 j 個神經元第η次迭代時神經元的連接權值，Wij (n+1)為第i層第j個神經元第n+1次迭代 時的連接權值，η為迭代次數；α (η)為第η次調整迭代時的學習率；η為動量因子；Dij(Ii) 為本次迭代時，第i層第j個神經元的局部梯度；Du(n-l)為上次迭代時，第i層第j個神 經元的局部梯度；(2-7)迭代次數加一，進入下一次迭代，執(zhí)行步驟(2-3)；(2-8)判斷是否已學完所有的訓練樣本，若是，則結束訓練，得到輸出結果；否則， 執(zhí)行步驟(2-3)。所述步驟(2-6)中，各層學習率的調整滿足當連續(xù)兩次迭代的梯度方向相同時， 則使學習率加倍；當連續(xù)兩次迭代的梯度方向相反時，則使學習率減半。所述訓練樣本為所述步驟(1)特征點的左圖像坐標和右圖像坐標。所述步驟(3)的具體步驟如下(3-1)通過圖像分析，提取物體在所述步驟(1)形成的圖像中對應的底部平面特 征點的左圖像坐標和右圖像坐標；(3-2)對所述步驟(3-1)底部平面的各個特征點按照基數排序進行匹配；(3-3)通過所述步驟(2)所得的BP神經網絡模型對底部平面特征點進行訓練，將 物體底部平面的特征點的左圖像坐標和右圖像坐標分別映射到三維世界坐標；(3-4)將所述步驟(3-3)訓練得到的各特征點的三維世界坐標擬合三維世界坐標 點集，建立物體底部表面的三維平面函數。所述(3-2)中對各個特征點按照基數排序進行匹配的具體如下各特征點的左圖 像坐標和右圖像坐標均按照X軸分組收集，然后再按照Y軸分組收集，從而實現各特征點在 左圖像坐標和右圖像坐標的點集合內的排序匹配。所述步驟(4)包括如下步驟(4-1)通過圖像分析，提取物體在所述步驟⑴形成的圖像中對應的頂部平面中 一個特征點的左圖像坐標和右圖像坐標；(4-2)通過所述步驟(2)所得的BP神經網絡模型對所述步驟(4_1)中的特征點進 行訓練，將這一特征點的左圖像坐標和右圖像坐標分別映射到三維世界坐標。本發(fā)明可對惡劣環(huán)境下的物體(如盛裝有毒、易腐蝕物體的容器，如盛化學品的 燒杯)，或者不易直接測量(或者微小的物體，如按鍵)的物體進行深度測量，可用于建筑工 程、電子器材檢測、流水線檢測以及機器人和機械制造業(yè)等多種領域系統(tǒng)的測量，屬于計算 機應用技術、計算機視覺技術、非接觸式測量領域。上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的 限制，其他的任何未背離本發(fā)明的精神實質與原理下所作的改變、修飾、替代、組合、簡化， 均應為等效的置換方式，都包含在本發(fā)明的保護范圍之內。
權利要求
一種基于雙目三維視覺的深度測量方法，其特征在于，包括如下步驟(1)由兩個攝像機分別獲取物體的左圖像和右圖像，物體各點在左圖像和右圖像中對應有左圖像坐標和右圖像坐標，且均為二維坐標；獲取若干個物體的特征點；(2)建立BP神經網絡模型；(3)根據所述步驟(1)獲取的左圖像和右圖像，提取物體底部平面特征點的左圖像坐標和右圖像坐標；通過所述步驟(2)所得的BP神經網絡模型對所述特征點進行訓練，將各特征點的左圖像坐標和右圖像坐標均映射到三維世界坐標，并將所有三維世界坐標擬合成三維世界坐標點集，建立物體底部表面的三維平面函數，所述三維平面函數滿足Z＝aX+bY+c，其中，X、Y、Z分別為底部表面各點的三個世界坐標值，a、b、c分別為函數參數；(4)根據所述步驟(1)獲取的左圖像和右圖像，提取物體頂部平面一個特征點的左圖像坐標和右圖像坐標；通過所述步驟(2)所得的BP神經網絡模型訓練，所述特征點的左圖像坐標和右圖像坐標映射到三維世界坐標，設為P(Px，Py，Pz)；(5)求取物體的深度值，所述深度值滿足其中Dist為所求的深度值，Px、Py、Pz分別為步驟(4)特征點三維世界坐標對應的三個坐標值，a、b、c分別為所述步驟(3)物體底部表面的三維平面函數的三個參數值。FSA00000205268800011.tif
2.根據權利要求1所述的基于雙目三維視覺的深度測量方法，其特征在于，所述步驟(1)中，特征點的獲取步驟如下在物體的特征位置打上激光，通過用圖像處理獲取激光所 在的位置點，這些位置點就是所述的特征點。
3.根據權利要求1所述的基于雙目三維視覺的深度測量方法，其特征在于，所述步驟(2)中，BP神經網絡模型包括三層前饋網絡，分別為輸入層、隱含層和輸出層，所述輸入層 包括四個神經元，分別對應特征點左圖像坐標的兩個坐標值和右圖像坐標的兩個坐標值； 所述隱含層包括八個神經元；所述輸出層包括三個神經元，分別對應特征點的世界坐標的 三個坐標值；所述輸入層的各神經元與隱含層的各神經元一一映射連接，所述隱含層的各 神經元與輸出層的各神經元一一映射連接。
4.根據權利要求3所述的基于雙目三維視覺的深度測量方法，其特征在于，所述步驟 ⑵中，建立BP神經網絡模型包括如下步驟(2-1)選擇訓練樣本，建立訓練樣本集；(2-2)初始化對各層權值向量賦初值，設定訓練的最大迭代次數、期望輸出信號； (2-3)隨機輸入任一項訓練樣本，根據輸入的訓練樣本依次計算各層神經元的輸入信 號和輸出信號；(2-4)根據所述步驟(2-3)中最終的輸出信號和期望輸出信號，計算誤差信號，判斷所 述誤差信號是否滿足要求，若滿足，則執(zhí)行步驟(2-8)，否則，執(zhí)行步驟(2-5)；(2-5)判斷下一次的迭代次數是否大于最大迭代次數，若大于，則執(zhí)行步驟 (2-8)，否則，對輸入的訓練樣本反向計算每層神經元的局部梯度，所述局部梯度滿足JΑ, ") = /^^))!^-.,/")^^)其中η為迭代次數；Dij(II)為所求的第i層第j個神經元的 J=1’局部梯度；f(uu(n))為轉移函數；(η)為第i層第j個神經元的輸入信號線性組合后的 輸出；Di^. (η)為第i_l層第j個神經元的局部梯度；J為第i_l層的神經元總數；Wij (η)為第i層第j個神經元與第i_l層各個神經元的連接權值；(2-6)調整各層的連接權值，各層調整后的連接權值滿足Wij (n+1) =Wij (η)+ α (η) [ (1_ η) Dij (η) + η Dij (η_1)]，其中 Wij (η)均為第 i 層第 j 個神 經元第η次迭代時神經元的連接權值，Wij (n+1)為第i層第j個神經元第n+1次迭代時的 連接權值，η為迭代次數；α (η)為第η次調整迭代時的學習率；η為動量因子；Du(n)為本 次迭代時，第i層第j個神經元的局部梯度；Dij(Ii-I)為上次迭代時，第i層第j個神經元 的局部梯度；(2-7)迭代次數加一，進入下一次迭代，執(zhí)行步驟(2-3)；(2-8)判斷是否已學完所有的訓練樣本，若是，則結束訓練，得到輸出結果；否則，執(zhí)行 步驟(2-3)。
5.根據權利要求4所述的基于雙目三維視覺的深度測量方法，其特征在于，所述步驟 (2-6)中，各層學習率的調整滿足當連續(xù)兩次迭代的梯度方向相同時，則使學習率加倍； 當連續(xù)兩次迭代的梯度方向相反時，則使學習率減半。
6.根據權利要求4所述的基于雙目三維視覺的深度測量方法，其特征在于，所述訓練 樣本為所述步驟(1)特征點的左圖像坐標和右圖像坐標。
7.根據權利要求1所述的基于雙目三維視覺的深度測量方法，其特征在于，所述步驟(3)的具體步驟如下(3-1)通過圖像分析，提取物體在所述步驟(1)形成的圖像中對應的底部平面特征點 的左圖像坐標和右圖像坐標；(3-2)對所述步驟(3-1)底部平面的各個特征點按照基數排序進行匹配； (3-3)通過所述步驟(2)所得的BP神經網絡模型對底部平面特征點進行訓練，將物體 底部平面的特征點的左圖像坐標和右圖像坐標分別映射到三維世界坐標；(3-4)將所述步驟(3-3)訓練得到的各特征點的三維世界坐標擬合三維世界坐標點 集，建立物體底部表面的三維平面函數。
8.根據權利要求7所述的基于雙目三維視覺的深度測量方法，其特征在于，所述(3-2) 中對各個特征點按照基數排序進行匹配的具體如下各特征點的左圖像坐標和右圖像坐標 均按照X軸分組收集，然后再按照Y軸分組收集，從而實現各特征點在左圖像坐標和右圖像 坐標的點集合內的排序匹配。
9.根據權利要求1所述的基于雙目三維視覺的深度測量方法，其特征在于，所述步驟(4)包括如下步驟(4-1)通過圖像分析，提取物體在所述步驟(1)形成的圖像中對應的頂部平面中一個 特征點的左圖像坐標和右圖像坐標；(4-2)通過所述步驟(2)所得的BP神經網絡模型對所述步驟(4-1)中的特征點進行訓 練，將這一特征點的左圖像坐標和右圖像坐標分別映射到三維世界坐標。
全文摘要
本發(fā)明提供了一種基于雙目三維視覺的深度測量方法，包括步驟(1)由兩個攝像機分別獲取物體的左圖像和右圖像；獲取若干個物體的特征點；(2)建立BP神經網絡模型；(3)提取物體底部平面特征點的左圖像坐標和右圖像坐標，并通過BP神經網絡模型訓練得到三維世界坐標，建立物體底部表面的三維平面函數；(4)提取物體頂部平面一個特征點的左圖像坐標和右圖像坐標，并通過BP神經網絡模型訓練得到三維世界坐標；(5)根據物體底部表面的三維平面函數與物體頂部平面一個特征點，求取物體的深度值。本發(fā)明可對物體進行非接觸深度測量，具有測量精度高、成本低等優(yōu)點。
文檔編號G01B11/22GK101907448SQ20101023709
公開日2010年12月8日 申請日期2010年7月23日 優(yōu)先權日2010年7月23日
發(fā)明者張平, 湯峰, 洪啟松 申請人:華南理工大學