三维机器视觉基础

机器视觉能力正在迅速扩大超过二维图像 。

机器视觉技术在生产现场应用中得到广泛的接受和应用 。虽然大多数这些应用程序是在二维空间中 ，提供的系统和组件提供的三维信息的可用性显着增长 。虽然在机器视觉应用中的三维成像已经存在多年 ，随着技术的不断扩大和成本的不断缩小 ，三维成像技术的应用范围越来越广 。由于这一个子集的机器视觉技术可能是不太熟悉的许多 ，更广泛的理解的基本面可能会揭示更多的方式 ，可用于自动检查和指导的三维机器视觉 。在本教程中 ，老哥俱乐部将提供一个概述的一些关键概念 ，技术和使用的三维机器视觉 。

 

概述

老哥俱乐部的眼睛（作为一个“立体成像对”）在三个维度感知的视觉数据 ，老哥俱乐部使用这些数据直观地作出决定 。然而 ，一台机器视觉相机 ，处理一个平面 ，二维图像显着更有限的数据可用于决策 。本质上是一个机器视觉系统的一个二维图像必须完全依赖于亮度 ，对比度和唯一的X ，Y和旋转位置相对于相机 。它是非常有价值的 ，当机器视觉应用可以利用额外的数据 ，如可在一个三维视图 ，如一个物体的高度 ，甚至在图像中的每一个点的高度 。困难的检查 ，可能需要多个相机或精密零件介绍可能会简化与三维数据的可用性 。其他应用程序 ，如自动导航的运动和位置或测量的物体在三维空间从根本上需要的三维信息 。

简单地说 ，机器视觉中的三维成像的基本任务是在一个场景中提供高度信息 ，相对于一个固定的或任意的平面 。的高度信息 ，然后进一步处理 ，以提供空间测量 ，形状位置和分析 ，特征识别 ，和许多其他复杂的检查任务 。

在数字成像世界中存在的许多技术和方法 ，用于获取三维图像和信息 。在学术界和工业界的研究人员都在积极开发新技术 ，并改进现有的或商业化的 ，已知的方法 。从图像中获取三维信息的一些定义良好的方法包括 ：

 

立体/多台相机

结构光线或

“光之表”

具有不同照明方向 、颜色或形状的多幅图像

单或多相机高度从焦点 ，形状 ，阴影

光图案投影（如微软的Kinect）

飞行时间

用相移干涉术的条纹投影

 

这些方法中的一些被用于在计算机成像中的三维场景的采集 ，主要用于一个对象的定义和重建 。在某些情况下 ，技术是用于空间运动捕捉（想想微软的Kinect）。上面提到的技术虽然 ，某些已经获得了更广泛的使用在工业自动化 ，由于部分原因 ：1）的性质 ，经常发现在机器视觉项目 ，2）的可靠性和鲁棒性的技术 ，更关键的是 ，3）在工厂车间环境的易用性 。更常见的（现在）机器视觉的三维成像技术是立体声（或多个）相机成像，使用的结构光线或模式与单个或多个相机 ，和飞行传感器的时间 。

 

机器视觉的三维数据

在考虑哪些技术（S）和组件使用 ，重要的是要了解类型的信息 ，可从一个三维图像和什么将是最有用的目标应用 。在一般情况下 ，有两种类型的三维图像数据 ，可以在典型的机器视觉应用 ：单点位置确定和点云图像表示 。（请注意 ，这些都不是特别链接到上面提到的任何一种成像技术 ，不同的技术可能会产生任何类型的数据取决于实现 。）

 

点云

当老哥俱乐部想到一个三维场景时 ，它不太难想象一个场景作为一个巨大的个体点集合 ：一个点云 。每一点都有一个X ，Y和Z在空间中的位置 。机器视觉点云也可以被称为一个范围内的地图 ，因为每个点的高度组件通常是相对于一个特定的平面 ，这取决于所使用的成像技术和组件 。随着一个点云数据表示 ，进一步处理是在场景中提取一个单一的点（例如 ，一个平面上的最高点） ；隔离功能或对象的基础上的空间高度相对于一个平面测量或质量评价 ；或搜索和提供的对象的位置在一个复杂的场景 ，根据存储的三维模型的对象的形状 ，往往是机器人指导的目的 。

 

单点

从一个三维场景的数据可以只是个别点相关的特定的功能或对象的位置 。往往较少的计算费用 ，需要提取单点位置 ，从而更快的处理 。从一个单一的点的位置和高度信息可以被用于在一个应用程序中 ，虽然多个单独的点往往被处理 ，以进一步定义一个对象的空间方向和大小的位置和/或质量检查 。随着单个或少量的个体的三维点 ，匹配的模型或处理的一个复杂的或混乱的场景不能实现与一个完整的点云 。

如何在机器视觉中使用的数据是依赖于应用程序 。一个重要的考虑因素是应用程序所需的信息的范围 。注意在所有的情况下 ，一个单一的 、未经加工的三维图像点提供一个X ，Y ，Z的相对位置平面 。当与图像中的其他相关点相结合时 ，应用程序的数据是一个完全的三维平面表示的点（或点） ：X ，Y和Z位置 ，和一个对象的偏航 ，俯仰和旋转（W ，P ，R）相关的角度 。（常见的是X ，Y和Z轴的位置随着绕Z轴旋转的对象 ，有时被称为2?三维机器视觉） 。

一个清晰的了解应用程序的要求 ，图像内容和所需的数据输出是很重要的 ，以确定适当的3D成像技术和组件的机器视觉项目 。

三维成像技术和组件

如前所述 ，各种各样的成像技术的存在 ，可以提供三维信息的机器视觉应用 。老哥俱乐部将简要回顾这些技术的三 ，所使用的组件 ，和典型的应用 。

 

立体

立体成像涉及使用两个相机来分析一个单一的视图从不同的角度（多像人的眼睛） 。通过摄像机的适当的校准 ，两个不同的传感器的几何关系被定义相对于一个固定的世界坐标系统 。这种成像方法的一个相对简单的任务是定位相同的（或相应的）在每个字段中的目标特征 ，并应用变换 ，以确定在三维空间中的位置 ，这一点 。真正的困难时 ，出现的一个功能是不是很好或唯一定义的两个意见 。这被称为一个对应问题 。立体照相机的三维成像技术来提高使用极线几何图像中的点对点通信的结果更高级别的算法 。以这种方式 ，立体成像可以产生一个三维点云的场景 ，虽然数据可能不是有效的图像中的每一个像素 。

结构光线和投影模式

在一般情况下 ，作为一个简化的解释 ，使用类型的结构光的系统 ，利用已知的光照图案的几何失真在一个复杂的三维表面 。在机器视觉中最常见的是使用一个投射的光（也称为“光之光”）到一个表面上 。一个标准的摄像机捕捉到许多光线为对象的图像（或相机/照明）在运动 。有了一个正确的校准系统 ，单独的线图像相结合 ，提供了一个完整的点云表示的场景的三维轮廓 。在某些情况下 ，投影光模式与立体相机一起使用 ，以帮助克服对应的问题 。已知的光模式可以比随机或未定义的功能更容易辨认 。

 

 

飞行时间

飞行成像时间的基本概念是将光投射到一个物体上 ，测量光返回传感器的时间量 ，从而计算出距离 。这些传感器是在广泛使用 ，但目前缺乏的空间分辨率的位置和距离是适当的 ，为要求的机器视觉任务 。改进的技术正在实施的一些供应商 。

 

执行中的挑战

使用三维成像的机器视觉可以需要显着更多的努力 ，在实施和整合比二维成像技术 ，无论技术 。特别是 ，三维系统和组件必须仔细设置和校准 ，以获得准确的数据 。有一些独立的系统在市场上 ，预先校准到一个特定的领域（在三维意义上 ，一个立方体 ，而不是一个扁平的正方形） ，事实上 ，这些组件更容易使用 ，但有一些限制的交流 。由于这仍然是一个成像任务 ，照明仍然是一个重要的考虑因素 。关于使用正确和适当的光的应用程序的所有通常的预防措施仍然适用 ，并可能更因此在该部分和特征的变化可能会更加明显 ，当试图图像的一个对象 ，预计将改变的位置和方向 。

然而 ，与所有机器视觉 ，更好的可用的数据 ，更好的潜在的强大和可靠的应用 。随着三维检查技术变得更容易获得 ，和熟悉的机器视觉工程师 ，技术的价值将是明显的机器视觉任务的一个增长的子集 。