Design and preparation of cut-off filter for observation scope
-
摘要:
基于观察瞄准镜系统中胶合目镜对滤光片的使用需求，设计了一种用于瞄准镜光学系统的截止滤光片，消除了滤光片的半波孔，压缩了通带波纹。采用电子束热蒸发技术制备了滤光片并测试其透过率，在400 nm～630 nm的平均透过率为95.76%，在655 nm～800 nm的平均透过率为0.06%，样片通过了盐雾测试和机械牢固度测试，制备结果满足设计需求。
Abstract:Based on the requirements of glued eyepiece for the optical filter in the observation scope system, a cut-off filter for the optical system of the scope was designed, which eliminated the half-wave hole of the filter and compressed the passband ripple. The optical filter was prepared by electron beam thermal evaporation technology and its transmittance was tested. The average transmittance in the range of 400 nm~630 nm is 95.76%, and the average transmittance in the range of 655 nm~800 nm is 0.06%. The sample passes the salt spray test and the mechanical firmness test, and the preparation results meet the design requirements.
-
引言
利用相机对位置已知的控制点进行拍摄，通过拍摄得到的二维图像解算相机在世界坐标系下的位置和姿态，称为位姿估计问题，是机器人导航、计算机视觉等领域[1-3]的核心问题之一。位姿估计根据计算方法分为2种方式[4]：第一种一般通过解算一组与旋转参数和平移参数相关的多项式，进而获得位姿估计结果[5]，这类方法对于噪声敏感[3]，估计性能有限；另一种通常称为迭代类算法，这种算法通过建立代价函数[6]，将位姿估计问题转换为非线性最小二乘优化问题，然后利用Gauss-Newton[7]、Levenberg-Marquardt等方法进行位姿参数的估计，这类算法能够综合利用多点的冗余信息[8]，增加了估计的鲁棒性，迭代算法中还有一种称为正交迭代(orthogonal iteration, OI)算法，该算法将物空间共线性误差的最小化视为求解绝对定向问题，然后利用迭代方式进行参数估计[9]，这种方法计算量较小，速度较快[10]，并保证了全局收敛性，但是性能略逊于传统迭代算法。
传统迭代算法是从信号的测量误差出发[11]，利用误差最小化的原则建立代价函数，从而得到估计值。这一类算法是一种最小二乘估计，试图使采样得到的信号和无噪声情况下的数据之差的平方达到最小，这一类方法对采样数据不做任何的统计假设，性能取决于噪声的特性，并且往往不是最佳估计，而由于没有对信号做任何统计假设，估计的统计性能是无法评价的[12]。由于相机拍摄的不确定性，图片采样所得的像素信号应视为随机信号，本文从随机信号的统计特性出发，根据采样信号的概率密度推导了最大似然位姿估计的一般形式。从理论上证明了利用单幅图像，在各向同性高斯噪声情况下传统迭代算法等效于最大似然估计，因此在理论上传统迭代算法只能应用于各向同性高斯噪声，对于复杂噪声，将会产生模型误差，导致算法失效。本文的最大似然算法将是推导复杂噪声下的位姿估计的基础；另外，根据信号的Fisher信息阵推导了位姿估计的克拉美-罗界(Cramér-Rao bound, CRB)，作为任何无偏估计的方差下界，克拉美-罗界可以作为位姿估计方法有效性的评价标准，并且根据所得结果可知，通过适当增加采样个数可以有效提高估计的性能。这是由于通过采样信号个数的增加，可以更好地估计随机噪声的统计特性，从而减小随机噪声对于估计的影响。
1 信号模型
假设有n个控制点，其在世界坐标系中的坐标为piw，i=1, 2, …, n，它们在相机坐标系下的坐标为pic，i=1, 2, …, n，相机对控制点进行拍摄，可以得到像平面上的n个像点，像点在图像坐标系下的物理坐标为pip，i=1, 2, …, n，在图像坐标系下的像素坐标为(ui, vi)T，如图 1所示。在k时刻对控制点进行拍摄，考虑采样过程的随机噪声影响，则观测量为如下随机向量：
$$ \begin{array}{l} s\left( k \right) = \left[ {{{\hat u}_1}\left( k \right),{{\hat v}_1}\left( k \right),{{\hat u}_2}\left( k \right),{{\hat v}_2}\left( k \right), \cdots ,} \right.\\ \;\;\;\;\;\;\;\;\;\;\;\;{\left. {{{\hat u}_n}\left( k \right),{{\hat v}_n}\left( k \right)} \right]^{\rm{T}}} = \mathit{\boldsymbol{m}}\left( k \right) + \mathit{\boldsymbol{n}}\left( k \right) \end{array} $$ (1) 式中：k=1, 2, ..., K, 其中:
$$ \begin{array}{l} \mathit{\boldsymbol{m}}\left( k \right) = \left[ {{u_1}\left( k \right),{v_1}\left( k \right),{u_2}\left( k \right),{v_2}\left( k \right), \cdots } \right.\\ \;\;\;\;\;\;\;\;\;\;\;\;\;{\left. {{u_n}\left( k \right),{v_n}\left( k \right)} \right]^{\rm{T}}} \end{array} $$ (2) 世界坐标与相机坐标存在以下关系：
$$ \mathit{\boldsymbol{p}}_i^c\left( k \right) = \mathit{\boldsymbol{R}}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + \mathit{\boldsymbol{t}}\left( k \right) $$ (3) 由共线方程可以得到：
$$ \left\{ \begin{array}{l} \frac{{x_i^p\left( k \right) - x_o^p}}{f} = \frac{{x_i^c\left( k \right)}}{{z_i^c\left( k \right)}}\\ \frac{{y_i^p\left( k \right) - y_o^p}}{f} = \frac{{y_i^c\left( k \right)}}{{z_i^c\left( k \right)}} \end{array} \right. $$ (4) 式中(xop, yop)T为图像主点I在图像坐标系下的物理坐标，则像素坐标系与世界坐标系的转换关系可以表示为
$$ \left\{ \begin{array}{l} {u_i}\left( k \right) = \frac{f}{{{d_x}}}\;\frac{{{\mathit{\boldsymbol{r}}_1}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_x}\left( k \right)}}{{{\mathit{\boldsymbol{r}}_3}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_z}\left( k \right)}} + \frac{{x_o^p}}{{{d_x}}}\\ {v_i}\left( k \right) = \frac{f}{{{d_y}}}\;\frac{{{\mathit{\boldsymbol{r}}_2}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_y}\left( k \right)}}{{{\mathit{\boldsymbol{r}}_3}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_z}\left( k \right)}} + \frac{{y_o^p}}{{{d_y}}} \end{array} \right. $$ (5) 式中：tx(k)、ty(k)、tz(k)分别为t (k)从上到下的3个元素；r1(k)、r2(k)、r3(k)分别为R (k)的从上到下的3个横向量；R可以用3个欧拉角表示。假设在K次拍摄过程中，相机的姿态、控制点的世界坐标保持不变，即m不随时间变化，则采样信号可以表示为
$$ \mathit{\boldsymbol{s}}\left( k \right) = \mathit{\boldsymbol{m}} + \mathit{\boldsymbol{n}}\left( k \right) $$ (6) 2 最大似然估计
最大似然估计是一种使用了信号概率模型的方法，其基本思想是参数的估计值应是使观测信号概率最大的值。假设信号为高斯随机变量，噪声的均值为零，则m即为观测量s(k)的均值，根据概率论可知，k时刻观测量的概率密度为[13]
$$ \begin{array}{l} {p_{s\left( k \right)}} = \frac{1}{{\det \left( {{\rm{ \mathit{ π} }}{\mathit{\boldsymbol{Q}}_s}} \right)}}\exp \left\{ { - \left[ {{\mathit{\boldsymbol{s}}^H}\left( k \right) - } \right.} \right.\\ \;\;\;\;\;\;\;\;\left. {\left. {{\mathit{\boldsymbol{m}}^H}} \right]\mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}} \right]} \right\} \end{array} $$ (7) 式中：det(·)表示矩阵的行列式；Qs为随机信号s的方差。与待估计参数无关，待估计参数表示为
$$ \mathit{\boldsymbol{\theta }} = {\left[ {\alpha ,\beta ,\gamma ,{t_x},{t_y},{t_z}} \right]^{\rm{T}}} $$ (8) 则m(θ)表示为θ的函数，假设K次拍摄是统计独立的，则K次拍摄观测值的联合密度函数为
$$ \begin{array}{l} {p_{s\left( 1 \right),s\left( 2 \right), \cdots ,s\left( k \right)}} = \mathop \Pi \limits_{k = 1}^k \frac{1}{{\det \left( {{\rm{ \mathit{ π} }}{\mathit{\boldsymbol{Q}}_s}} \right)}}\exp \left\{ { - \left[ {{s^H}\left( k \right) - } \right.} \right.\\ \;\;\;\;\;\;\;\;\left. {\left. {{\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} \right\} \end{array} $$ (9) 对等号两边求自然对数，去掉常数项并除以K，得到似然函数为
$$ \begin{array}{l} L\left( \mathit{\boldsymbol{\theta }} \right) = - \ln \left[ {\det \left( {{\mathit{\boldsymbol{Q}}_s}} \right)} \right] - \frac{1}{K}\sum\limits_{k = 1}^K {\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - } \right.} \\ \;\;\;\;\;\;\;\;\;\;\;\left. {{\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\left. {\mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} \right\} \end{array} $$ (10) (10) 式的第二项可以表示为
$$ \begin{array}{l} \frac{1}{K}\sum\limits_{k = 1}^K {\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \theta \right)} \right]} \mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right] = \\ \rm{tr}\left\{ {\frac{1}{K}\sum\limits_{k = 1}^K {\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \theta \right)} \right]} \mathit{\boldsymbol{Q}}_s^{ - 1}\left[ {s\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} \right\} = \\ \rm{tr}\left\{ {\mathit{\boldsymbol{Q}}_s^{ - 1}\frac{1}{K}\sum\limits_{k = 1}^K {\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} } \right\} = \\ \rm{tr}\left\{ {\mathit{\boldsymbol{Q}}_s^{ - 1}{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} \end{array} $$ (11) 式中：tr{·}表示取矩阵的迹；Cs(θ)定义为信号相关矩阵：
$$ {\mathit{\boldsymbol{C}}_s}\left( \theta \right) \buildrel \Delta \over = \frac{1}{K}\sum\limits_{k = 1}^K {\left[ {\mathit{\boldsymbol{s}}\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\left[ {{\mathit{\boldsymbol{s}}^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} $$ (12) 于是得到似然函数：
$$ L\left( \theta \right) = - \ln \left[ {\det \left( {{\mathit{\boldsymbol{Q}}_s}} \right)} \right] - \rm{tr}\left\{ {\mathit{\boldsymbol{Q}}_s^{ - 1}{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} $$ (13) (13) 式为最大似然估计的一般形式，使似然函数最大的参数θ即为位姿估计的最大似然估计，可以通过搜索或者更高效的迭代算法计算。
当噪声为各向同性的高斯噪声时，Qs=δw2I，δw2为噪声功率，似然函数可以表示为
$$ L\left( \theta \right) = - 2n\ln \delta _w^2 - \frac{1}{{\delta _w^2}}{\rm{tr}}\left\{ {{C_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} $$ (14) 由于似然函数取最大值的必要非充分条件为
$$ \frac{\partial }{{\partial \delta _w^2}}L\left( \mathit{\boldsymbol{\theta }} \right) = 0 $$ (15) $$ \delta _w^2 - \frac{{\rm{tr}\left\{ {{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\}}}{{2n}} $$ (16) 将上式代入似然函数，去除常数项并除以2n，似然函数化简为
$$ L\left( \mathit{\boldsymbol{\theta }} \right) = - {\rm{lntr}}\left\{ {{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} $$ (17) 根据Cs(θ)的定义，求似然函数的最大值等效于求下式的最小值：
$$ \begin{array}{l} \rm{tr}\left\{ {{\mathit{\boldsymbol{C}}_s}\left( \mathit{\boldsymbol{\theta }} \right)} \right\} = \frac{1}{K}\sum\limits_{k = 1}^K {\left[ {{s^{\rm{H}}}\left( k \right) - {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]\left[ {s\left( k \right) - \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)} \right]} = \\ \frac{1}{K}{\sum\limits_{k = 1}^K {\sum\limits_{i = 1}^n {\left[ {\left( {{{\hat u}_i}\left( k \right) - \frac{f}{{{d_x}}}\;\frac{{{\mathit{\boldsymbol{r}}_1}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_x}\left( k \right)}}{{{\mathit{\boldsymbol{r}}_3}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_z}\left( k \right)}} + \frac{{x_o^p}}{{{d_x}}}} \right)} \right.} } ^2} + \\ \left. {{{\left( {{{\hat v}_i}\left( k \right) - \frac{f}{{{d_y}}}\;\frac{{{\mathit{\boldsymbol{r}}_2}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_y}\left( k \right)}}{{{\mathit{\boldsymbol{r}}_3}\left( k \right)\mathit{\boldsymbol{p}}_i^w\left( k \right) + {t_z}\left( k \right)}} + \frac{{y_o^p}}{{{d_y}}}} \right)}^2}} \right] \end{array} $$ (18) 利用单幅图像时，上式与传统的迭代算法等效，因此，利用单幅图像时，在各向同性高斯噪声情况下传统迭代算法与最大似然算法等效。值得注意的是，上述结果是在(16)式的情况下得到的，即位姿估计是在噪声功率估计的基础上实现的，所以增加信号的采样，提高对噪声统计特性的估计，有利于提高参数估计的性能。
3 克拉美-罗界分析
为了了解参数估计的潜在性能，可以利用克拉美-罗界作为评价标准。克拉美-罗界给出了参数所有无偏估计的方差极限[14]，将估计误差的方差表示为C(θ)，对于所有无偏估计，有关系式：
$$ \mathit{\boldsymbol{C}}\left( \mathit{\boldsymbol{\theta }} \right) \ge {\mathit{\boldsymbol{C}}_{{\rm{CR}}}}\left( \mathit{\boldsymbol{\theta }} \right) $$ (19) 式中CCR(θ)表示克拉美-罗界，克拉美-罗界可以通过求解Fisher信息阵J的逆矩阵求得：
$$ {\mathit{\boldsymbol{C}}_{CR}}\left( \mathit{\boldsymbol{\theta }} \right) = {\mathit{\boldsymbol{J}}^{ - 1}} $$ (20) Fisher信息阵J中的元素为
$$ {\left[ \mathit{\boldsymbol{J}} \right]_{i,j}} = E\left[ {\frac{{\partial L\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _i}}}\;\frac{{\partial L\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _j}}}} \right] $$ (21) 通过对(13)式求偏导并取期望可以得到[J]i, j通用的形式(推导可参见文献[15])：
$$ \begin{array}{l} {\left[ \mathit{\boldsymbol{J}} \right]_{i,j}} = K\rm{tr}\left[ {\mathit{\boldsymbol{Q}}_s^{ - 1}\frac{{\partial {\mathit{\boldsymbol{Q}}_s}}}{{\partial {\theta _i}}}\mathit{\boldsymbol{Q}}_s^{ - 1}\;\frac{{\partial {\mathit{\boldsymbol{Q}}_s}}}{{\partial {\theta _j}}}} \right] + \\ \;\;\;\;\;\;\;\;\;\;\;\;2K{\mathop{\rm Re}\nolimits} \left[ {\frac{{\partial {\mathit{\boldsymbol{m}}^H}\left( \theta \right)}}{{\partial {\theta _i}}}\mathit{\boldsymbol{Q}}_s^{ - 1}\;\frac{{\partial \mathit{\boldsymbol{m}}\left( \theta \right)}}{{\partial {\theta _j}}}} \right] \end{array} $$ (22) (22) 式为Fisher信息阵的一般化形式，是许多克拉美-罗界推导的起点，需要注意的是，通常方差Qs是一个未知矩阵，因此上式应该包含方差的未知参数。
在位姿估计问题中，由于(22)式的第1项只与方差所含未知参数有关，第2项只与待估计参数有关，可以将Fisher信息阵分块：
$$ \mathit{\boldsymbol{J = }}\left[ \begin{array}{l} {\mathit{\boldsymbol{J}}_{{Q_s}{Q_s}}}\;\;\;\;0\\ 0\;\;\;\;\;\;\;\;{\mathit{\boldsymbol{J}}_{00}} \end{array} \right] $$ (23) $$ {\left[ {{\mathit{\boldsymbol{J}}_{{Q_s}{Q_s}}}} \right]_{i,j = }}K{\rm{tr}}\left[ {\mathit{\boldsymbol{Q}}_s^{ - 1}\frac{{\partial {\mathit{\boldsymbol{Q}}_s}}}{{\partial {q_i}}}\mathit{\boldsymbol{Q}}_s^{ - 1}\;\frac{{\partial {Q_s}}}{{\partial {q_j}}}} \right] $$ (24) $$ {\left[ {{\mathit{\boldsymbol{J}}_{00}}} \right]_{i,j}} = 2K{\mathop{\rm Re}\nolimits} \left[ {\frac{{\partial {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _i}}}Q_s^{ - 1}\;\frac{{\partial \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _j}}}} \right] $$ (25) 式中qi为方差所含的未知参数，当噪声为各点无关的各向同性高斯噪声时，Qs=δw2I，方差所含未知参数为δw2，则有：
$$ {\mathit{\boldsymbol{J}}_{{Q_s}{Q_s}}} = {\mathit{\boldsymbol{J}}_{\delta _w^2\delta _w^2}} = \frac{{2nK}}{{{{\left( {\delta _w^2} \right)}^2}}} $$ (26) 根据矩阵分块求逆原理，噪声功率估计的克拉美-罗界为
$$ {\mathit{\boldsymbol{C}}_{CR}}\left( {\delta _w^2} \right) = \frac{{{{\left( {\delta _w^2} \right)}^2}}}{{2nK}} $$ (27) 可以看出噪声功率估计的克拉美-罗界随着采样数的增加而减小，说明增加信号的采样，可以提高对噪声统计特性的估计。将Qs=δw2I代入(25)式，得到：
$$ {\left[ {{\mathit{\boldsymbol{J}}_{\theta \theta }}} \right]_{i,j}} = 2K{\mathop{\rm Re}\nolimits} \left[ {\frac{{\partial {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _i}}}Q_s^{ - 1}\;\frac{{\partial \mathit{\boldsymbol{m}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial {\theta _j}}}} \right] $$ (28) 定义
$$ D \buildrel \Delta \over = \frac{{\partial {\mathit{\boldsymbol{m}}^{\rm{H}}}\left( \mathit{\boldsymbol{\theta }} \right)}}{{\partial \theta }} $$ (29) 由于θ=[α, β, γ, tx, ty, tz]T，待估计参数的克拉美-罗界为
$$ {\mathit{\boldsymbol{C}}_{CR}}\left( \theta \right) = \frac{{\delta _w^2}}{{2K}}{\left\{ {{\mathop{\rm Re}\nolimits} \left[ {\mathit{\boldsymbol{D}}{\mathit{\boldsymbol{D}}^{\rm{H}}}} \right]} \right\}^{ - 1}} $$ (30) 从(30)式中可以看出，参数估计的克拉美-罗界随拍摄数量的增加线性下降，随噪声功率的增加线性增加。
4 仿真
利用计算机仿真对最大似然估计和克拉美-罗界进行分析，并与传统迭代算法以及OI算法进行比较。
仿真参数：相机焦距f=35mm，单个像素尺寸dx=dy=62.5 μm，主点在图像中心，控制点从相机坐标系的[-2 2]×[-2 2]×[4 9] m3的长方形区域内随机选取，相机坐标系相对于世界坐标系的欧拉角为[20 10 30]°，平移矩阵为[2 3 10]m。图 2(a)是随机选取的控制点在相机坐标系下的坐标，图 2(b)中圆圈表示相机拍摄控制点时实际成像位置(像素坐标系)，圆圈旁边的10个点为噪声功率为1dB时，由拍摄的10张图片提取的坐标点。
![]()
图 2 控制点在相机坐标系和成像平面上的位置Figure 2. Positions of control points in camera coordinate system and image plane图 3是传统迭代算法、OI算法、最大似然方法在不同的噪声功率下的参数估计均方根误差(root-mean-square error, RMSE)，在各噪声级下完成500次独立实验，其中最大似然方法利用了10张图片。从仿真结果中可以看出，3种方法在噪声功率较小的情况下都趋向于克拉美-罗界，传统迭代算法性能略优于OI算法，而最大似然方法的性能明显优于其他两种方法。
![]()
图 3 不同噪声功率下各算法的参数估计均方根误差Figure 3. RMSEs of different methods with different noise powers图 4是最大似然估计在不同的图片数下的参数估计均方根误差，噪声功率为2 dB，每个图片数完成500次独立实验，可以看出参数估计的RMSE随着图片数的增加而减小，说明适当地增加拍摄数量可有效提高估计的性能。
5 结论
给出机器视觉位姿估计的信号模型，并从随机信号的角度出发，推导了基于机器视觉的最大似然位姿估计以及相应的克拉美-罗界，从理论上证明了利用单幅图像时，在各向同性高斯噪声情况下传统迭代算法与最大似然算法等效，通过仿真分析，可知在图像数量适当增加的情况下，估计性能得到了明显改进，适用于更高精度的位姿估计。并且推导的位姿估计克拉美-罗界作为任何无偏估计的方差下界，是位姿估计的性能极限，可以作为位姿估计方法有效性的评价标准；下一步，针对复杂的噪声情况，应在此基础上讨论各向异性噪声以及相关噪声情况下的位姿估计方法及其克拉美-罗界。
-
![]()
图 3 G|0.5L (0.95H1.05L)16 H0.5L |G消除半波孔膜系曲线
Figure 3. Film system curve of half-wave hole elimination of G|0.5L (0.95H1.05L)16 H0.5L |G
![]()
图 4 G|0.5L (0.95H1.05L)16 H0.5L |G优化膜系曲线
Figure 4. Optimized film system curve of G|0.5L (0.95H1.05L)16 H0.5L |G
![]()
图 5 G|0.3H0.5L(0.95H1.05L) 16 H0.5L0.3H|G优化膜系曲线
Figure 5. Optimized film system curve of G|0.3H0.5L(0.95H1.05L) 16 H0.5L0.3H|G
![]()
图 7 样片C和优化膜系曲线对比图
Figure 7. Comparison of sample C curve and optimized film system curve
表 1 材料的主要参量
Table 1 Main parameters of materials
Material Index of refractive nd @589 nm H-ZK11 1.63 NOA61 1.56 
下载: 导出CSV
-
[1] 胡红伟, 李秀飞, 高龙岳, 等. 棱镜合束昼夜合一瞄准镜光学系统设计[J]. 光学与光电技术,2015(5):75-81. HU Hongwei, LI Xiufei, GAO Longyue, et al. Design of prism combined beam aiming optical system for day and night[J]. optics & optoelectronic technology,2015(5):75-81.
[2] 刘光灿, 白廷柱, 王毫球, 等. 轻武器新型瞄准镜研究[J]. 应用光学,2007,28(5):548-552. LIU Guangcan, BAI Tingzhu, WANG Haoqiu, et al. Research on a new type of sight for light weapons[J]. Journal of Applied Optics,2007,28(5):548-552.
[3] 刘康. 一种新颖实用的步枪瞄准镜[J]. 轻兵器,1997(2):13-17. LIU Kang. A novel and practical rifle sight[J]. Light Weapon,1997(2):13-17.
[4] 李玉瑶, 张婉怡. 长出瞳距军用瞄准镜目镜设计[J]. 光电工程,2015(10):33-36. LI Yuyao, ZHANG Wanyi. Eyepiece design of military sight with long pupil distance[J]. Opto-Electronic Engineering,2015(10):33-36.
[5] 牟鑫. 刑侦检测光学系统干涉滤光片的设计与制备[D]. 长春: 长春理工大学, 2011. MU Xin. Design and preparation of interference filter for criminal detection optical system [D]. Changchun: Changchun University of Science and Technology, 2011.
[6] 耿似玉. 用于紫外指纹仪的短波通滤光片的研制[D]. 长春: 长春理工大学, 2010. GENG Siyu. Development of short-wave pass filter for ultraviolet fingerprint scanner[D]. Changchun: Changchun University of Science and Technology, 2010.
[7] 关钧戈. 380 nm-570 nm短波通滤光片的设计与制备研究[D]. 长春: 长春理工大学, 2010. GUAN Junge. Design and preparation of 380 nm-570 nm short-pass filter[D]. Changchun: Changchun University of Science and Technology, 2010.
[8] 靳贵平, 庞其昌. 紫外指纹检测仪的研制[J]. 光学精密工程,2003,11(2):198-202. JIN Guiping, PANG Qichang. Development of ultraviolet fingerprint detector[J]. Optics and Precision Engineering,2003,11(2):198-202.
[9] 吴慧利. 深截止型日盲紫外干涉滤光片研究[D]. 北京: 北京理工大学, 2015. WU Huili. Research on deep cut-off solar-blind ultraviolet interference filter[D]. Beijing: Beijing Institute of Technology, 2015.
[10] 王庆. 短波通滤光片的研究[D]. 哈尔滨: 哈尔滨工程大学, 2006. WANG Qing. Research on short wave pass filter[D]. Harbin: Harbin Engineering University, 2006.
[11] 赵兴梅, 师建涛, 郭鸿香. 短波通滤光片膜系设计[J]. 应用光学,2006,27(5):415-418. ZHAO Xingmei, SHI Jiantao, GUO Hongxiang. Design of short-wave pass filter film system[J]. Journal of Applied Optics,2006,27(5):415-418.
[12] 吴博琦, 董连和, 孙艳军, 等. 光纤公共电视天线传输系统中短波通截止滤光片[J]. 中国激光, 2016, 43(2): 174-179. WU Boqi, DONG Lianhe, SUN Yanjun, et al. Shortwave pass cut filter in optical fiber public television antenna transmission system[J]. Chinese Laser, 2016, 43(2): 174-179.
[13] 唐晋发, 顾培夫, 刘旭, 等. 现代光学薄膜技术[M]. 浙江: 浙江大学出版社, 2006: 12-25. TANG Jinfa, GU Peifu, LIU Xu, et al. Modern optical thin film technology[M]. Zhejiang: Zhejiang University Press, 2006: 12-25.
[14] 卢进军, 刘卫国, 潘永强. 现代光学薄膜技术[M]. 2版. 北京: 电子工业出版社, 2011: 20-25. LU Jinjun, LIU Weiguo, PAN Yongqiang. Modern optical thin film technology[M]. 2nd ed. Beijing: Publishing House of Electronics Industry, 2011: 20-25.
[15] GU Peifu , ZHENG ZhenRong, ZHAO YongJiang , et al. Study on the mechanism and measurement of stress of TiO2 and SiO2 thin-films[J]. Acta Physica Sinica, 2006, 55(12)6459-6463.
[16] 沈晓月. 近红外截止滤光片的研究与制备[D]. 长春: 长春理工大学, 2007. SHEN Xiaoyue. Research and preparation of near-infrared cut-off filter[D]. Changchun: Changchun University of Science and Technology, 2007.
[17] 马小凤, 余祥, 王英剑, 等. 倍频波长分离膜半波孔的消除[J]. 强激光与粒子束,2005,17(B04):155-158. MA Xiaofeng, YU Xiang, WANG Yingjian, et al. Elimination of half-wave holes in frequency-doubled wavelength separation membranes[J]. High Power Laser and Particle Beams,2005,17(B04):155-158.
[18] 黄伟, 张云洞. 消除短波通截止滤光片半波孔的方法[J]. 光学仪器,1999,21(4):145-148. HUANG Wei, ZHANG Yundong. The method of eliminating the half-wave hole of the short-wave pass cut-off filter[J]. Optical Instruments,1999,21(4):145-148.
[19] 薛建军, 朱建华, 蒋茂清, 等. 膜层渗透产生短波通截止滤光片半波孔现象的分析[J]. 光散射学报,2008(4):319-323. XUE Jianjun, ZHU Jianhua, JIANG Maoqing, et al. Analysis of the half-wave hole phenomenon of short-wave pass cut-off filter produced by membrane penetration[J]. Acta Light Scattering,2008(4):319-323.
[20] 刘卫国. 截止滤光片通带波纹的失调修正[J]. 西安工业学院学报,1995(1):41-44. LIU Weiguo. Misalignment correction of cut-off filter passband ripple[J]. Journal of Xi'an Institute of Technology,1995(1):41-44.
[21] 白胜元, 顾培夫, 刘旭, 等. 薄膜滤光片的光学稳定性研究[J]. 光子学报,2001,30(5):576-580. BAI Shengyuan, GU Peifu, LIU Xu, et al. Study on the optical stability of thin film filters[J]. Acta Photonica Sinica,2001,30(5):576-580.
[22] 潘永强, 白涛, 杭凌侠. 太阳模拟器AM0型滤光片及其稳定性研究[J]. 红外与激光工程,2013,42(5):1306-1310. PAN Yongqiang, BAI Tao, HANG Lingxia. Research on AM0 type filter of solar simulator and its stability[J]. Infrared and Laser Engineering,2013,42(5):1306-1310.
[23] HANG Liangyi, LIU Weiguo, XU Junqi. Effects of various substrate materials on structural and optical properties of amorphous silicon nitride thin films deposited by plasma-enhanced chemical vapor deposition[J]. Chinese Optics Letters,2020,18(8):083101. doi: 10.3788/COL202018.083101
[24] 杭良毅, 徐均琪, 宋岩峰, 等. 多层介质滤光片的制备及激光损伤特性[J]. 西安工业大学学报,2016,36(12):947-953. HANG Liangyi, XU Junqi, SONG Yanfeng, et al. Preparation of multilayer dielectric filter and laser damage characteristics[J]. Journal of Xi'an Technological University,2016,36(12):947-953.
[25] HANG Liangyi , LIU Weiguo , SONG Shigeng , et al. Simulation analysis and preparation of a high optical density laser protection filter[J]. Applied Optics, 59(11): 3315-3323.
[26] 张金豹, 史成浡, 耿浩. 多角度光谱测量法制备短波通滤光膜技术[J]. 光电技术应用,2020,171(2):73-76. ZHANG Jinbao, SHI Chengyun, GENG Hao. Preparation of short-wave pass filter film technology by multi-angle spectroscopy method[J]. Application of Optoelectronic Technology,2020,171(2):73-76.
-
期刊类型引用(0)
其他类型引用(3)
计量
- 文章访问数: 396
- HTML全文浏览量: 138
- PDF下载量: 72
- 被引次数: 3
陕公网安备 61011302001501号 