3-D human pose measurement method based on deep learning and epipolar constraint
-
摘要: 为了实现汽车座椅上三维人体姿态的高精度实时测量，基于现有二维人体关节点和三维人体关节点测量方法，提出了一种融合深度学习与外极线约束的三维人体姿态测量方法。该方法将二维人体关节点深度网络提取方法和双目测量系统相结合，采用双通道多阶段迭代网络分别提取左右相机图像中人体二维关节点，结合关节点位置的Brief特征和外极线约束，利用双目相机标定结果将匹配二维关节点信息转换到三维空间中，最终得到三维人体姿态。实验结果表明，文中提出方法在自采测试集中的检测精度可达到98%。通过得到三维关节点计算所得关键位姿角度的偏差小于10°。该文所提出的方法能够满足实际汽车座椅设计的数据采集要求。Abstract: It is necessary for the design of car seat to realize the high precision and real-time measurement of the 3-D human pose on the car seat. Based on the existing 2-D and 3-D human joint measurement methods, a 3-D human pose measurement method is proposed, which integrates deep learning and epipolar constraint. This method combines 2-D human joint depth network extraction method with binocular measurement system, uses two-channel multi-stage iterative network to extract 2-D human joint points in the images taken by left and right cameras respectively, combines the Brief feature of joint point position and epipolar constraint, uses binocular camera calibration results to convert the matching 2-D joint point information into 3-D space, and finally obtains 3-D human pose. The experimental results show that the detection accuracy of the proposed method in the self sampling test set can reach 98%. The deviation of the angle of the key position of human body calculated by the 3-D joint point is less than 10°. Therefore, the method proposed in this paper can meet the data acquisition requirements of the actual car seat design.
-
Keywords:
- 2-D human joint points /
- depth neural network /
- epipolar constraint /
- 3-D human pose
-
引言
光干涉测量方法具有非接触、高效率、高灵敏度等特点，也就必然成为新世纪精密测量技术的重要发展方向[1]。干涉图相位提取是干涉测量中的关键一步，相位提取精度的优劣直接影响最终检测的精度[2]。快速傅里叶变换法（fast fourier transform，FFT）具有处理瞬变波面相位的能力，可有效克服机械振动和气流的影响[3-5]，因此成为大口径光学元件测量的常用方法之一。
快速傅里叶变换法（FFT）于20世纪80年代被提出并应用于条纹图的相位提取中[6]，对干涉条纹图进行FFT相位提取法的目的是提取出频谱中包含被测波面信息的正一级频谱，也称为滤波过程[7-8]，滤波过程的好坏直接影响相位提取精度的高低。目前国内外文献针对FFT相位提取技术主要围绕算法中几个关键步骤进行研究，如文献[9]对干涉图延拓进行分析;文献[10]提出了一种基于FFT时移特性的叠栅条纹细分方法；文献[11]较为综合地分析了影响FFT相位提取法的边缘误差、窗函数、滤波器设计、干涉图延拓及载波条纹数等因素；文献[12]将傅里叶变换相位提取法应用于仿真及实验采集电子散斑干涉（electronic speckle interference，ESPI）信息处理中。为得到更高的相位提取精度，对二维FFT相位提取法的进一步研究仍是国内外研究热点。
针对FFT相位提取技术的滤波过程进行研究，通过选取不同滤波窗对计算机仿真干涉图进行相位提取，对比不同类型的滤波窗滤出的正一级频谱分布形状及其对相位提取精度的影响，最后利用实验采集干涉图对算法的可靠性进行验证。
1 基本原理
1.1 快速傅里叶变换（FFT）基本原理
对于一般的实验干涉仪，引入空间载频
${f_x}$ 、${f_y}$ 后的干涉条纹的强度分布可以表示为$$\begin{split} f(x,y) = & {I_d}(x,y) + c(x,y) \cdot {{\rm e}^{{\rm i}[{\rm{2}}{\text{π}} {f_x}x + {\rm{2}}{\text{π}}{f_y}y]}} + {c^ * }(x,y) \cdot \\ & {{\rm e}^{ - {\rm i}[{\rm{2}}{\text{π}} {f_x}x + {\rm{2}}{\text{π}} {f_y}y]}} \\ \end{split} $$ (1) 其中
$$c(x,y) = {1 / 2} \cdot b(x,y){{\rm e}^{{\rm i}[\varphi (x,y)]}} $$ (2) 式中：
${I_d}(x,y)$ 是干涉条纹的背景光强分布；$b(x,y)$ 是干涉条纹的调制度分布；$\varphi (x,y)$ 为含有待测波面相位信息的相位分布函数；$ * $ 表示复共轭[13]。对(1)式进行傅里叶变换，将空域中的干涉条纹信息转移到频域内，得到的频谱分布函数表示为
$$\begin{split} {\rm{F(}}{f_{\rm{1}}}{\rm{,}}{f_{\rm{2}}}{\rm{)}} = & {\rm{A(}}{f_{\rm{1}}}{\rm{,}}{f_{\rm{2}}}{\rm{)}} + C({f_{\rm{1}}} - {f_x},{f_{\rm{2}}} - {f_y}) + \\ & C*({f_{\rm{1}}} + {f_x},{f_{\rm{2}}} + {f_y}) \end{split} $$ (3) 式中
$A({f_1},{f_2})$ 、$C({f_1} - {f_x},{f_2} - {f_y})$ 、$C*({f_1} + {f_x},{f_2} + {f_y})$ 分别表示零级、正一级、负一级频谱分布函数。选取一个中心频率为$({f_x},{f_y})$ 的滤波器将正一级频谱$C({f_1} - {f_x},{f_2} - {f_y})$ 提取出来并平移至原点，得到$C({f_x},{f_y})$ ，对其进行二维傅里叶逆变换，即可得到$C(x,y)$ 。由(2)式可得所求相位$$\varphi (x,y) = \arctan \frac{{{\rm{lm}}[c(x,y)]}}{{{\rm Re} [c(x,y)]}} $$ (4) 式中
${\rm Re} [c(x,y)]$ 及${\rm{lm}}[c(x,y)]$ 分别为$C(x,y)$ 的实部和虚部。1.2 滤波窗函数
如图1(a)为仿真干涉图的频谱分布，要准确无误地从该频谱图中提取正一级频谱，就要选取适当的滤波窗，但若选取滤波窗不当，就会造成有效频谱信息的缺失[14]。如图1(b)所示为选取滤波窗为圆域形窗口时滤出的正一级频谱，其频谱信息出现明显截断现象，为了减少截断误差，有必要对几种通用的滤波器进行分析与比较。目前二维FFT进行干涉测试数据处理时，使用较多的滤波器有海明(Hamming)窗、汉宁(Hanning)窗、高斯(Gaussian)窗、布莱克曼(Blackman)窗。
根据干涉图频谱分布的这一特点，选取与其分布形状相似的几种滤波窗函数，表1为几种滤波窗函数的一维表达式。
表 1 几种滤波窗函数Table 1. Several filter window functionsWindow type Function Parameter Blackman $\omega (n) = \left\{ \begin{array}{l} 0.42 - 0.5\cos (\frac{{2{\text{π}} n}}{{N - 1}}) + \\ 0.08\cos (\frac{{4{\text{π}} n}}{{N - 1}})\quad \quad \quad 0 \leqslant n \leqslant N - 1 \\ \quad \quad \quad \quad \quad 0\quad \quad \quad \quad \quad {\rm otherwise} \\ \end{array} \right.\quad $ main lobe width ${\rm{12}}{\text{π}} {\rm{/}}N$ Side lobe peak attenuation 56 dB Gaussian $\begin{array}{l} \omega (n) = \;\exp \left[ { - \frac{1}{2}{{\left( {\frac{{n - N/2}}{{\sigma N/2}}} \right)}^2}} \right]\quad 0 \leqslant n \leqslant N - 1 \\ \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad \sigma \leqslant 0.5 \\ \end{array} $ main lobe width ${\rm{8}}{\text{π}} {\rm{/}}N$ Side lobe peak attenuation 44 dB Hanning $\omega (n) = \left\{ \begin{array}{l} 0.5\left[ {{\rm{1}} - \cos (\frac{{2{\text{π}} n}}{{N - 1}})} \right]\quad \quad 0 \leqslant n \leqslant N - 1 \\ \quad \quad \quad \quad 0\quad \quad \quad \quad \quad {\rm otherwise} \\ \end{array} \right.\quad $ main lobe width ${\rm{8}}{\text{π}} {\rm{/}}N$ Side lobe peak attenuation 31 dB Hamming $\omega (n) = \left\{ \begin{array}{l} 0.5{\rm{4 - 0}}{\rm{.46}}\cos (\frac{{2{\text{π}} n}}{{N - 1}})\quad 0 \leqslant n \leqslant N - 1 \\ \quad \quad \quad \quad 0\quad \quad \quad \quad \quad {\rm otherwise} \\ \end{array} \right.\quad $ main lobe width ${\rm{8}}{\text{π}} {\rm{/}}N$ Side lobe peak attenuation 41 dB 根据表1中各类窗函数的分布函数绘制时频振幅响应分布，选取N=30作为采样点，为直观起见，绘制其一维空/频分布如图2，其对应二维空/频分布，可由一维空/频分布经旋转得到。
根据图2多种滤波窗函数的时域/频域响应及表1中参数可知，不同窗函数主要差别在于主瓣宽度及旁瓣衰减速率。其中主瓣宽度主要影响信号的能量分布，旁瓣峰值衰减速率影响能量的泄露程度[15]，旁瓣越高，能量泄露越严重，衰减速率就越慢[16]。对于FFT滤波过程，要保证滤出正一级频谱的同时滤掉其他频谱成分，且要最大程度地保留正一级频谱沿x轴和y轴延伸区域内的频谱成分，需综合考虑滤波窗的频谱分布形状及对应参数。
2 仿真分析
2.1 滤波处理
针对第一节提出的频谱截断现象，选取Hamming、Hanning、Gaussian、Blackman四种与正一级频谱分布形状相近的滤波窗对仿真干涉图的频谱图(图1(a))进行滤波处理，其中仿真干涉图尺寸为300×300像素，零频频谱中心频率位于（151，151），正一级频谱中心频率位于（164，164），即滤波窗中心频率确定。根据距离公式求得二者像素间距为18.384 7像素，则滤出正一级频谱对应窗口函数的滤波半径可以此为参考。如图3分别为其对应频谱响应（滤波半径取值为18）及选取该窗口滤出的正一级频谱分布图。
分析图3(a)～(d)可得：经Hamming窗和Hanning窗提取的正一级频谱较完整地保留了原始频谱成分，没有其他频谱成分的混入。分析其造成的原因主要是由于主瓣宽度覆盖了正一级频谱带宽，且第一旁瓣高度较低，未出现频谱泄露现象，即未混入零频及负一级频谱；而经Gaussian、Blackman窗提取的正一级频谱分布虽较完整地保留了原始频谱成分，但有其他频谱成分的混入。分析对应窗口函数及频谱响应分布得到，其主瓣宽度覆盖正一级频谱宽度，但由于其第一旁瓣有一定幅值，造成了在此窗函数x及y方向上引入较多频谱泄露，即混入的零频及正一级频谱。
![]()
图 3 不同滤波窗及其提取模拟干涉图的正一级频谱分布Figure 3. Positive first-order spectral distribution of simulated interferogram extracted by different filtering windows2.2 相位误差分析
将不同滤波窗函数提取出的正一级频谱进行移中并做逆傅里叶变换，利用反正切函数求得包裹相位，再利用离散余弦（discrete-cosin-transform，DCT）解包裹法提取连续相位，最后进行波面拟合，得到波面分布。计算不同滤波窗口选取下的FFT相位提取法得到波面的波面峰谷值（peak-to-valley，PV）和波面均方根值(root-mean-square，RMS)，分析相位提取精度并与原始波面进行残差计算。其中原始波面分布评价参数PVa为0.246 4λ，RMSa为0.056 4λ，经FFT法得到的波面分布评价参数为PV1、RMS1，记ΔPV=PV1−PVa，ΔRMS=RMS1−RMSa。其值如表2所示。
表 2 不同滤波窗下FFT算法结果比较 (λ=632.8 nm)Table 2. Comparison of FFT algorithm results in different filtering windows (λ=632.8 nm)Window Type PV1/λ ∆PV/λ RMS1/λ ∆RMS/λ Hamming 0.257 9 0.008 5 0.056 3 −0.000 1 Hanning 0.258 6 0.012 2 0.056 3 −0.000 1 Gaussian 0.262 0 0.015 6 0.056 3 −0.000 1 Blackman 0.248 3 0.001 9 0.056 2 −0.000 2 对比上述ΔPV及ΔRMS可知，选取Blackman窗及Hamming窗处理得到波面的评价参数在数值上较其他窗口函数更逼近原始波面的评价参数，结果优于Gaussian窗及Hanning窗。其中最优窗口类型为Hamming窗，其波面峰谷值残差为0.008 5λ，波面均方根值残差为0.000 1λ。
3 实验验证
3.1 实验装置
为验证仿真结果的可行性和精度，分别采用二维傅里叶变换法(2D-FFT)和移相干涉法(PSI)对实验采集的干涉图进行处理并比较其测试结果。实验阶段所用的菲索干涉仪是美国Zygo公司生产的Verifire PE激光干涉仪，该干涉仪是共光路面形计量干涉仪，光源为低功率的632.8 nm的氦氖激光，采用PZT移相干涉原理可以对多种光学元件的面形进行检测，其干涉仪装置如图4所示。
3.2 算法处理
使用Zygo干涉仪采集实验干涉图如图5(a)所示，其尺寸为300×300像素。经消除白噪声后的条纹图如图5(b)，对处理后的条纹图进行二维傅里叶变换，得到频谱分布如图5(c)。选取Hamming窗将正一级频谱取出并滤掉其他频谱，并将正一级频谱平移到整个频谱中心，如图5(d)～(e)；对移中后的正一级频谱做二维傅里叶逆变换，利用反正切函数求取包裹相位如图5(f)，采用离散余弦解包裹法进行处理，其结果如图5(g)。
![]()
图 5 FFT相位提取法各阶段处理结果图Figure 5. Diagram of interferogram processing result by using FFT选取其他3种滤波窗（Hanning、Blackman、Gaussian）对实验采集条纹图进行上述相位提取的算法处理，图6(a)～(d)所示为上述4种滤波窗提取出的实验干涉图正一级频谱分布。
对图6进行分析可得，实验干涉图在不同滤波窗处理下的正一级频谱分布与仿真干涉图的结果呈现相同的趋势。即Hamming窗和Hanning窗较完整地保留正一级频谱且无其他频谱成分混入，而Blackman窗及Gaussian窗仍有其他频谱成分混入。
![]()
图 6 不同滤波窗提取实验干涉图的正一级频谱分布Figure 6. Positive first-order spectral distribution of experimental interferogram extracted by different filtering windows3.3 结果分析
表3为用FFT相位提取法(不同滤波窗口)得到的波面及PSI法测得波面的评价参数汇总。
表 3 FFT（不同滤波窗）&PSI算法的结果比较 (λ=632.8 nm)Table 3. Comparsion of results in FFT(different filtering windows) and PSI (λ=632.8 nm)Method PV/λ RMS/λ PSI 0.445 4 0.002 7 FFT (Hamming Window) 0.436 1 0.002 2 FFT (Hanning Window) 0.417 7 0.002 8 FFT (Gaussian Window) 0.326 2 0.002 2 FFT (Blackman Window) 0.527 3 0.002 9 由表3可知，选取Hanning窗及Hamming窗处理得到波面的评价参数在数值上较其他窗口函数更逼近PSI法所得波面评价参数，结果优于Blackman窗及Gaussian窗。其中最优窗口类型为Hamming窗，其波面峰谷值残差为0.009 3λ，波面均方根值残差为0.000 5λ。
4 结论
针对二维傅里叶变换相位提取算法滤波过程中滤波窗的选取进行研究。首先分析干涉条纹图的频谱分布及各类滤波窗口函数的参数及其频谱响应；其次进行仿真实验，针对干涉图的频谱分布特点选取合适的窗口进行滤波处理并进行相位提取，分析不同窗口选取下对相位提取精度的影响；最后利用立式菲索干涉仪进行实验验证并与移相干涉测量法所测的结果进行对比。实验及仿真结果表明：选取Hamming窗提取的正一级频谱较完整地保留了原始频谱成分，相位提取精度优于0.01λ，可进一步应用于大口径光学元件的测量中。
-
表 1 左右相机的内部参数
Table 1 Internal parameters of left and right cameras
参数名称 左相机 右相机 标准焦距/mm 8.000 8.000 水平焦距/mm 8.102 8.130 垂直焦距/mm 8.104 8.135 内参矩阵/pixel $\left[ {\begin{array}{*{20}{c}} {1528.679}&0&{645.373} \\ 0&{1529.057}&{{\rm{523}}{\rm{.636}}} \\ 0&0&1 \end{array}} \right]$ $\left[ {\begin{array}{*{20}{c}} {1533.962}&0&{623.691} \\ 0&{1534.906}&{531.121} \\ 0&0&1 \end{array}} \right]$ 相机旋转矩阵 ${R_l} = \left[ {\begin{array}{*{20}{c}} {0.960}&{0.001}&{{\rm{0}}{\rm{.281}}} \\ { - 0.030}&{0.995}&{0.099} \\ { - 0.280}&{ - 0.104}&{0.954} \end{array}} \right]$ ${R_r} = \left[ {\begin{array}{*{20}{c}} {0.996}&{0.063}&{0.055} \\ { - 0.069}&{0.989}&{0.130} \\ { - 0.047}&{ - 0.133}&{0.990} \end{array}} \right]$ 相机平移矩阵 ${T_l} = {\left[ {\begin{array}{*{20}{c}} { - 389.195}&{ - 294.836}&{2205.241} \end{array}} \right]^T}$ ${T_r} = {\left[ {\begin{array}{*{20}{c}} { - 455.331}&{ - 198.374}&{2128.140} \end{array}} \right]^T}$ 
下载: 导出CSV
表 2 双目相机外部参数
Table 2 External parameters of binocular cameras
参数名称 参数值 左相机到右相
机的旋转矩阵$R = \left[ {\begin{array}{*{20}{c}} {{\rm{0}}{\rm{.940}}}&{{\rm{0}}{\rm{.058}}}&{{\rm{0}}{\rm{.339}}} \\ {{\rm{ - 0}}{\rm{.132}}}&{{\rm{0}}{\rm{.971}}}&{{\rm{0}}{\rm{.203}}} \\ {{\rm{ - 0}}{\rm{.318}}}&{{\rm{ - 0}}{\rm{.235}}}&{{\rm{0}}{\rm{.918}}} \end{array}} \right]$ 左相机到右相
机的平移矩阵$T = {\left[ {\begin{array}{*{20}{c}} { - 819.496}&{ - 410.394}&{ - 89.741} \end{array}} \right]^T}$
下载: 导出CSV
表 3 二维人体关节点提取网络训练测试数据集构成
Table 3 Construction of dataset of human 2-D joint extraction network
类型 来源 数量/张 训练集 COCO2017-train 5 000 验证集 COCO2017-val 500 测试集 自采数据 100
下载: 导出CSV
表 4 左右相机关节点检测结果统计
Table 4 Joint point detection results of left and right cameras
车辆 选取图
像/组左相机关节
点数nr/个右相机关节
点数nl/个合计/
个准确率P 1号 5 40 35 75 0.938 2号 6 46 44 90 0.938 3号 6 43 48 91 0.948 4号 6 41 45 86 0.896 5号 7 52 47 99 0.884 6号 6 46 42 88 0.917 7号 7 50 51 101 0.902 8号 7 54 52 106 0.946 合计 50 382 354 736 0.920
下载: 导出CSV
表 5 改进二维关节点检测结果统计
Table 5 Statistics of improved 2-D joint detection results
车辆 选取图
像/组左相机关节
点数nr/个右相机关节
点数nl/个合计/
个准确率P 1号 5 40 39 79 0.988 2号 6 46 48 94 0.979 3号 6 45 48 93 0.969 4号 6 46 47 93 0.969 5号 7 55 56 111 0.991 6号 6 48 46 94 0.979 7号 7 54 55 109 0.973 8号 7 55 56 111 0.991 合计 50 389 395 784 0.980
下载: 导出CSV
表 6 不同方法关键角度统计结果
Table 6 Statistical results of key angles of different methods
测量项 传统三维关节点测量方法 本文三维关节点测量方法 ${\theta _1}$/（°） ${\theta _2}$/（°） ${\theta _3}$/（°） ${\theta _1}$/（°） ${\theta _2}$/（°） ${\theta _3}$/（°） 均值 122.35 79.64 89.79 122.53 99.71 83.98 方差 16.15 8.30 12.43 7.26 5.71 8.45
下载: 导出CSV
-
[1] 刘秉瀚, 李振达, 柯逍. 基于混合关节肢体模型的深度人体姿态估计方法[J]. 模式识别与人工智能,2019,32(2):97-107. LIU Binghan, LI Zhenda, KE Xiao. Deep human pose estimation method based on mixture articulated limb model[J]. Pattern Recognition and Artificial Intelligence,2019,32(2):97-107.
[2] 霍笑. 基于坐姿分析的座椅舒适度评价方法研究[D]. 乌鲁木齐: 新疆大学, 2018. HUO Xiao. Research on seat comfort evaluation method based on sitting posture analysis[D]. Urumqi: Xinjiang University, 2018.
[3] 郭连朋, 陈向宁, 刘彬, 等. 基于Kinect传感器多深度图像融合的物体三维重建[J]. 应用光学,2014,35(5):811-816. GUO Lianpeng, CHEN Xiangning, LIU Bin, et al. 3D-object reconstruction based on fusion of depth images by Kinect sensor[J]. Journal of Applied Optics,2014,35(5):811-816.
[4] 赖军, 王博, 付全, 等. 基于点云模型的人体尺寸自动提取方法[J]. 中南大学学报(自然科学版),2014,45(8):2676-2683. LAI Jun, WANG Bo, FU Quan, et al. Automatic extraction method of human body size based on 3D point clouds[J]. Journal of Central South University :Science and Technology,2014,45(8):2676-2683.
[5] 朱欣娟, 熊小亚. 基于改进ASM模型的人体特征点定位和建模方法[J]. 系统仿真学报,2015,27(2):286-294. ZHU Xinjuan, XIONG Xiaoya. Feature point positioning and modeling approach for human body based on improved ASM[J]. Journal of System Simulation,2015,27(2):286-294.
[6] 鲍陈, 缪永伟, 孙瑜亮, 等. 基于散乱点云的三维人体自动测量[J]. 纺织学报,2019,40(1):120-129. BAO Chen, MU Yongwei, SUN Yuliang, et al. Automatic measurement of three-dimensional human body based on scattered point cloud[J]. Journal of Textile Research,2019,40(1):120-129.
[7] NWWELL A, YANG K, DENG J. Stacked hourglass networks for human pose estimation[C]//2016 European Conference on Computer Vision (ECCV 2016): SPIE, 2016: 483-499.
[8] CHEN Y, SHEN C, WEI X S, et al. Adversarial posenet: a structure-aware convolutional network for human pose estimation[C]//2017 IEEE International Conference on Computer Vision (ICCV 2017): IEEE Computer Society, 2017: 1212-1230.
[9] KAIMING H, GEORGIA G, PIOTR D, et al. Mask R-CNN[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2018:1-1.
[10] CAO Z, SIMON T, WEI S E, et al. OpenPose: realtime multi-person 2D pose estimation using part affinity fields[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017): IEEE Computer Society, 2017: 7291-7299.
[11] ZHU X, JIANG Y, LUO Z. Multi-person pose estimation for posetrack with enhanced part affinity fields[C]//2017 IEEE International Conference on Computer Vision (ICCV 2017), October 22-29, 2017. Venice, Italy: IEEE Computer Society, 2017: 1-4.
[12] 汪检兵, 李俊. 基于OpenPose-slim模型的人体骨骼关键点检测方法[J]. 计算机应用,2019,39(12):3503-3509. WANG Jianbing, LI Jun. Human skeleton key point detection method based on OpenPose-slim model[J]. Journal of Computer Applications,2019,39(12):3503-3509.
[13] 姜宏志, 赵慧洁, 梁宵月, 等. 基于极线校正的快速相位立体匹配[J]. 光学精密工程,2011,19(10):2520-2525. doi: 10.3788/OPE.20111910.2520 JIANG Hongzhi, ZHAO Huijie, LIANG Xiaoyue, et al. Phase-based stereo matching using epipolar line rectification[J]. Optics and Precision Engineering,2011,19(10):2520-2525. doi: 10.3788/OPE.20111910.2520
[14] CALONDER M, LEPETIT V, STRECHA C, et al. BRIEF: binary robust independent elementary features[C]//2010 European Conference on Computer Vision (ECCV 2010): SPIE, 2010: 778-792.
[15] 王长元, 邢世蒙. 基于OpenCV的双目摄像机标定技术研究[J]. 计算机与数字工程,2014,42(12):2392-2395. doi: 10.3969/j.issn1672-9722.2014.12.038 WANG Changyuan, XING Shimeng. Binocular camera calibration technique based on OpenCV[J]. Computer and Digital Engineering,2014,42(12):2392-2395. doi: 10.3969/j.issn1672-9722.2014.12.038
-
期刊类型引用(7)
1. 张瑜，张峰，郭芮，苏瑛，张云龙，许增奇，王阜超. 磁流变抛光二次非球面工件位置对刀校正. 应用光学. 2022(03): 518-523 . 
本站查看
2. 刘春阳，李洛克. 基于轮廓测量的集料表面粗糙度表征方法试验研究. 工业安全与环保. 2021(03): 15-19+25 . 百度学术
3. 夏良静. 工艺参数对光学元件加工精度影响的数学模型研究. 激光杂志. 2020(08): 201-204 . 百度学术
4. 张晋烨，张海云，赵玉刚，张军，王显达. 磨料振动对曲轴抛光的影响. 组合机床与自动化加工技术. 2019(01): 46-48 . 百度学术
5. 高丰，李琦，向阳，宁旭. 高清折反式视频显微镜. 光学技术. 2019(02): 136-141 . 百度学术
6. 刘红丽. 散粒磨料振动光饰技术专利分析. 科技风. 2019(14): 141 . 百度学术
7. 马旭德，张东梅，尚春民. 固着磨料球面高速研磨加工技术研究. 新型工业化. 2018(04): 34-42 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 1069
- HTML全文浏览量: 443
- PDF下载量: 34
- 被引次数: 11
陕公网安备 61011302001501号 