基于OpenCV的高精度零件角点距离测量研究

　　0引言

　　机器视觉是在图像处理的基础上发展起来的新兴科学，基于机器视觉的测量是一种非接触测量技术，能够实现测量的自动化。高精度测量的关键是摄像机测量系统的标定，在零件尺寸测量中，一般选用的是短焦距定焦光学镜头，而短焦距光学镜头的非线性径向畸变是影响测量精度的主要因素，所以需要标定镜头的非线性畸变[1-2]。

　　标定后从图像中提取特征点是图像的一个重要的局部特征，它在保留了图像中物体重要特征信息的同时又有效减少了信息的数据量，哈里斯角点提取方法首先定义某些算子，通过在灰度图像上寻找该算子的极值提取特征点。在文献[3]中提到，哈里斯角点提取方法是目前效果最好最稳定的角点检测算子，它对亮度变化和刚体几何变换有很高的重复性。

　　是一个开源的计算机视觉库，自1999年1月发布Alpha版本开始，它就在许多领域、产品和研究成果中广泛应用，包括卫星地图和电子地图的拼接、扫描图像的对齐、医学图像去噪、制造业中的产品质量检测系统以及摄像机标定等领域。

　　高精度零件角点距离测量研究所实现的检测算法是基于开源的OpenCV。首先对摄像机进行标定，然后采用中值滤波等手段实现图像预处理，最后采用哈里斯角点检测和亚像素检测方法获取高精度角点位置。实验结果表明，检测精度高，检测效果良好，为实际问题的解决提供了新的思路。

　　1摄像机标定

　　1.1 透镜畸变参数

　　机器视觉中所测量的一般为近景，对于要快速生成图像的摄像机而言，必须利用大面积且弯曲的透镜，让足够多的光线能够收敛聚焦到投影点上。透镜可以聚焦足够多的光线到某个点上，使得图像的生成更加迅速，其代价就是引入了畸变[6]。径向畸变和切向畸变为两种主要的畸变[1]。对于径向畸变，成像仪某点的径向位置按下式进行调节

式中：(x，y)是畸变点在成像仪上的原始位置，(xcorrected，ycorrected)是校正后的新位置。k1和k2是径向畸变的系数。

　　切向畸变是由于透镜制造上的缺陷使得透镜本身与图像平面不平行而产生的，可以用两个额外参数p1和p2来描述

　　因此，k1，k2，k3和p1，p2构成了5个畸变参数。

　　1.2 摄像机参数^[5]

　　一个二维平面上的点映射到摄像机成像仪上的映射体现了平面的单应性，如果对点E到成像仪上的点e的映射使用齐次坐标，这种映射可以用矩阵相乘的方式表达。定义则可以把单应性简单表示为

　　参数s是一个任意尺度比例，H由用于定位观察的物体平面的物理变换和使用摄像机内参数矩阵的投影两部分组成。物理变换部分是与观测到的图像平面相关的部分旋转R和部分平移t的影响之和。由于使用齐次坐标，可以把R和t组合到一个单一矩阵中