应用于边坡安全监测的摄像机检测装置及方法与流程
本发明涉及图像处理技术领域，具体是一种应用于边坡安全监测的摄像机检测装置及方法。
背景技术：
自20世纪90年代以来，随着我国经济建设发展，对公路交通的要求也越来越高。由于我国地貌、地质条件限制和公路线形的制约，高填、深挖引起的边坡问题已十分普遍。一旦发生边坡灾害，后果十分严重。变形是表征边坡变化的最显著参量，最能体现边坡的变化状况和发展趋势。如果能够准确的监测出边坡的位移并对变形的发展趋势进行预报，就可以尽早采取相关措施和对策，使灾害造成的损失降到最低。
目前针对边坡监测的常用监测方法是，变形观测：测边坡的位移、沉降和变形情况；应力观测：监测边坡结构物、防护结构的安全性及防护效果；以及渗流观测：监测边坡的渗流及地下水变化。主要仪器有传统的测斜管、压力计、位移计等，由于监测仪器和计算机技术的快速发展，还出现了多种新兴的监测技术，如新型的gps、光传感器、tdr等。上述方法均是在边坡内部埋置应变或传感等装置，通过相关计算机软件等辅助手段检测边坡的稳定性，都在不同程度上存在专业化程度高、成本高、危险性大等缺点。
为此，一篇授权公告号为cn106323176b的发明专利，公开了一种露天矿边坡的三维位移监测方法，该方法为通过三维激光扫描仪获取露天矿待监测边坡区域的点云数据，建立待监测边坡三维模型；通过单目摄像机实时采集待监测边坡区域的监测影像图像，获取边坡监测序列影像图像；在边坡监测序列影像图像覆盖的待监测边坡区域范围内选取控制点，确定大地坐标与影像图像像素点二维坐标相互转换的直接线性变换方程；采用图像局部特征检测与匹配算法，提取出实时监测边坡监测序列影像图像中相匹配的特征点，实时监测边坡监测序列影像图像中当前影像图像与上一幅影像图像中相匹配的特征点的位移；将边坡监测序列影像图像中的特征点的二维图像位移转换为大地坐标系下边坡点的三维位移。然而该专利中，点云的获得，一般通过三维成像传感器，比如双目相机、三维扫描仪、rgb-d相机等，这样就增加了设备的成本。首先点云并不是稠密的表达，一般比较稀疏，放大了看，会看到一个个孤立的点。它的周围是黑色的，也就是没有信息。所以在空间很多位置其实没有点云，这部分的信息是缺失的。如刚好缺少了标识体的明显特征部分将不能达到边坡检测的预期效果。其次点云的分辨率和离相机的距离有关，近距离看标识点很可能看不清，只能拉的很远才能看到一个大概，这样通过点云建立的三维边坡模型与实际情况就很容易造成误差。此外，对实时监控画面提取标识点参数后，该专利需要先建立三维边坡模型后再由单目摄像机拍摄的图片提取特征点后代入三维模型，不管是计算效率还是准确度受到三维边坡模型的很大影响。
技术实现要素：
在下文中给出了关于本发明实施例的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，以下概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
根据本申请的一个方面，提供一种应用于边坡安全监测的摄像机检测方法，该方法包括：
步骤1：建立物空间坐标系，该物空间坐标系描述目标所在的空间坐标，获取到目标体参数，并存储于数据库；其中，物空间坐标系也称测量坐标系，是一个参考坐标系，用于描述物体和摄像机的绝对位置，是客观世界的绝对坐标；
步骤2：至少在边坡的左右两侧分别设置一摄像机，记为左摄像机和右摄像机；左摄像机和右摄像机从至少两个不同角度采集待监测边坡区域的边坡监测影像；影像可以是以固定的时间间隔采集的图像，也可以是实时采集的视频；
步骤3：通过左右摄像机对边坡监测影像进行特征点匹配，并进行标识体的识别，提取标识体参数；标识体为预先设定的基于颜色、形状和大小参数的识别模块，例如标识体可以是对顶角进行标识的方形模块；
步骤4：将标识体参数和目标体参数进行对比，如果未发生变化，则表明未发生位移；继续监控直至发生变化，则进行三维计算，得到边坡位移变化量。
其中，通过左右摄像机对边坡监测影像进行特征点匹配包括如下过程：
过程a1：输入左右图像的特征点坐标几何，分别为l和r；
过程a2：遍历集合l，计算每个特征点对应右图像上的极线方程，然后计算r上各点到每条极线方程的距离，如果距离小于1像素，则认为该点为候选点；
过程a3：如果候选点数目为1，则将改左图像点放入集合lt，候选点放入集合rt，lt和rt为匹配成功的特征点集合。如果候选点数目大于1，则将改左图像点放入集合lh，候选点集合放入集合rh。
过程a4：遍历集合lh，对每个特征点
过程a5：计算左卡位点
过程a6：遍历特征点
步骤3中，标识体的识别包括如下过程：
过程b1：左右摄像机进行特征点匹配，获取到含有标识体的图像，首先进行颜色判别：选取颜色鲜艳的标识体，区别于周围的环境；可采用his颜色分割对彩色图像中特定颜色区域进行有效的提取。
过程b2：然后进行形状判别：对标识体进行二值化、边缘检测、轮廓提取、方形检测：具体是先对图像进行高斯滤波操作，消除图像中的高斯噪声，然后对图像进行二值化操作，初步得到方形区域块。通过canny边缘检测算法对二值化图中的区域块进行边缘检测，得到初步的方形边缘。轮廓提取是为了提取到每个独立的方形块，提取完成后还需要经过噪声去除步骤，去除过大或者过小的轮廓，以及长宽比例过大或过小的轮廓，从得人可以得到较为符合方形的轮廓。
过程b3：然后采用模型匹配法进行大小判别，因为在经过颜色和形状判别后，这两个参数已成为已知参数，充分运用已知参数设计出一个与标识体投影大小相等的模型，计算出相似度，相似度高的判别为目标对象。
通过上述步骤1-3，利用双镜头摄取的两幅图像的视差，构建三维场景，在检测到运动目标后，通过计算图像对应点间的位置偏差，获取目标的三维信息，在深度图像中对目标的检测与跟踪，实现高精度的位移判断。即在检测出标识体(定位标识、观测标识)的中心值坐标后，需要建立一套位移判别标准来判断标识体是否发生了位移。具体是：在边坡处于稳定状态时分别计算出所有的观测标识到定位标识的距离，并存入数据库。在之后的检测中，设定一个“警戒值”，通过比较直线距离是否超过“警戒值”来判定边坡是否发生了位移，而具体的位移方向和实际位移量通过三维解算得出。利用这种方法能够有效的克服摄像机抖动所产生的误差。
通过上述特征点匹配以及标识体识别即可得到边坡是否发生了位移，接下来只需通过三维解算计算出位移方向和实际位移量。具体的，三维计算具体是通过分析像平面坐标系、摄像机坐标系、物空间坐标系(测量坐标系)之间的转换关系，计算监测点的三维坐标。该方法能准确地检测出边坡表面位移并且能对变形的趋势进行预测，从而可以尽早采取相关的对策和措施。具体的，步骤4的计算监测点的三维坐标的计算过程包括：
过程1：建立像平面坐标系o1xy，表示为：
式中：ku，kv分别为单位像素在x轴、y轴方向的长度系数；(uo，vo)为像平面坐标系原地o1的图像坐标；
建立摄像机坐标系ocxcyczc；
建立物空间坐标系：用平移向量t和旋转矩阵r来描述物空间坐标系和摄像机坐标系之间的关系，设空间中的一点p在摄像机坐标系下的齐次坐标为(xc，yc，zc)t，两者存在如下关系：
其中t是3维平移向量，r是3*4单位矩阵，ot＝(0，0，0)t，m是联系矩阵，是两个坐标系之间的纽带。
过程2：监测点的三维坐标计算：
监测点的图像坐标与物空间坐标系之间的关系表示为：
假设m为3*4阶的参数矩阵，可表示为：
设两台摄像机参数矩阵分别为ma和mb，可得：
(ma11-uama31)xw+(ma12-uama32)yw+(ma13-uama33)zw＝(uama34-ma14)；
(ma21-vama31)xw+(ma22-vama32)yw+(ma23-vama33)zw＝(vama34-ma24)；
(mb11-ubma31)xw+(mb12-ubmb32)yw+(mb13-ubmb33)zw＝(ubmb34-mb14)；
(mb21-vbmb31)xw+(mb22-vbmb32)yw+(mb23-vbmb33)zw＝(vbmb34-mb24)；
利用最小二乘法解方程组，即可计算出监测目标点的物空间三维坐标(x，y，z)；
当求出每个观测标识的三维坐标后，分别将其与初始状态下的坐标进行对比，即获得边坡表面发生的实际位移量。
在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立摄像机成像的几何模型。在应用中摄像机的标定是非常关键的环节，其标定结果的精度及算法的稳定性直接影响摄像机工作产生结果的准确性。进一步的，在步骤2采集图像之前，还有对摄像机进行标定的过程：
直接将观测标识制作成标定板m，即可直接定一个单应性矩阵h，一个正交矩阵r。h＝smr，将h列向量展开，有：
h＝[h1h2h3]＝sm[r1r2t]；
求解得到：
因为r是正交矩阵，r1和r2是单位正交向量，即其内积为0，模为1。
则有
求得如下公式：
h1m-tm-1h2＝0；
设b＝m-tm-1，m为3*3的矩阵，即b为一个对称矩阵，可以展开为：
因为b为对称矩阵，只有6个时间原始，将矩阵乘开可以得到：
同时可以得到n个标识体图像，堆叠这些方程有：vb＝0；
其中v是2n*6的矩阵，当k＞2时，b有解。摄像机内参数可以从b矩阵的封闭解中直接得到fx、fy、cx、cy的值。
外参数前面已经计算得到：
r3＝r1*r2；
求得摄像机的内外参数后即完成摄像机的标定。
根据本申请的另一个方面，提供一种应用于边坡安全监测的摄像机检测装置，包括：
物空间坐标系建立单元，该物空间坐标系描述目标所在的空间坐标，获取到目标体参数，并存储于数据库；
边坡监测影像获取单元，至少在边坡的左右两侧分别设置一摄像机，记为左摄像机和右摄像机；左摄像机和右摄像机从至少两个不同角度采集待监测边坡区域的边坡监测影像；
标识体参数提取单元，通过左右摄像机进行特征点匹配，并进行标识体的识别，提取标识体参数；标识体为预先设定的基于颜色、形状和大小参数的识别模块；
边坡位移变化量监测单元，将标识体参数和目标体参数进行对比，如果未发生变化，则表明未发生位移；继续监控直至发生变化，则进行三维计算，得到边坡位移变化量。
现有检测边坡稳定性的方案都需要在边坡内部埋置应变或传感等装置，为此本申请提出了基于图像识别的边坡表面位移智能高清摄像机检测装置，采用双目视觉技术进行图像识别，它有别于传统的“点”测量监测方法，是一种基于“面”测量的非接触技术，具有能够快速测量构造物表面三维坐标，并实现远程网络监控的优点。
本发明的摄像机检测装置，其图像检测法采用图像处理与识别技术达到对目标的参数获取，具有不受量程限制、非接触且能动态反映边坡变形全貌等特点，具有常规的机械、电测、光测等方法不可比拟的优点。并且针对边坡的复杂性，本申请在边坡上设置易于识别的标识体，通过这些标识体来反映边坡的状态，其核心是获取目标阵的空间坐标，在边坡表面设置一定数量的监测目标点，用2台边坡表面位移智能高清摄像机采集边坡图像，采用亚像素搜索算法提取监测点的图像坐标，通过像平面坐标系、摄像机坐标系、测量坐标系之间的转换关系，计算监测点的三维坐标，识别边坡表面位移。因此，本申请的方案具有可行性强、易于实现的优势。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。在附图中：
图1为本发明的摄像机检测装置的逻辑结构图；
图2为本发明的摄像机检测装置的目标体及物空间坐标图；
图3为本发明的平面坐标系、摄像机坐标系、物空间坐标系的示意图；
图4为本发明的摄像机检测装置的畸变示意图。
具体实施方式
下面将参照附图来说明本发明的实施例。为了清楚的目的，附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
参见图1，本发明的应用于边坡安全监测的摄像机检测装置，实现边坡检测分为三个部分，第一部分是前端设备，包括在边坡上设置监测点，布置多台工业面阵彩色摄像机，建立物空间坐标系，获取标定点坐标；第二步分是系统前端，通过标识体和目标体的对比检测边坡位移在图像层面是否发生变化，如果没有发生变化，持续监控；第三部分是系统后台，如果发生变化，进行三维解算，计算边坡位移实际位移变化量。与传统的位移检测方法相比，本发明具有安全性高、成本低、迅速、可靠的优点。
作为一个具体的实例，本发明的摄像机检测装置包括：多个监测目标点1，组成上边坡2区域的监控点布置区域；下边坡3区域的监控点布置区域同理得到。
具体的，本发明的应用于边坡安全监测的摄像机检测方法，该方法包括：
步骤1：建立物空间坐标系，该物空间坐标系描述目标所在的空间坐标，获取到目标体参数，并存储于数据库；其中，物空间坐标系也称测量坐标系，用空间直角坐标系owzwywzw表示，是一个参考坐标系，用于描述物体和摄像机的绝对位置，是客观世界的绝对坐标；
步骤2：至少在边坡的左右两侧分别设置一摄像机，记为左摄像机和右摄像机；左摄像机和右摄像机从至少两个不同角度采集待监测边坡区域的边坡监测影像；影像可以是以固定的时间间隔采集的图像，也可以是实时采集的视频；
步骤3：通过左右摄像机对边坡监测影像进行特征点匹配，并进行标识体的识别，提取标识体参数；本实施例中，标识体可以是对顶角进行标识的方形模块；
步骤4：将标识体参数和目标体参数进行对比，如果未发生变化，则表明未发生位移；持续监控，如果发生变化，再进行三维计算，得到边坡位移变化量。
本实施例中，参见图2，一个监测点布置两台摄像机，摄像机可选用工业面阵彩色摄像机。摄像机拍摄边坡视频，一方面通过编码解码后在系统后台播放，一方面提取边坡图像，进行标识体的识别，提取到标识体参数。将得到的标识体参数和目标体参数进行对比，如果未发生变化，持续监控，如果发生变化报警的同时传到后台进行三维计算，得到边坡位移变化量。从而准确监测出边坡的位移并对变形的发展趋势进行预报，就可以尽早采取相关措施和对策，使灾害所造成的损失降到最低。
其中，由于边坡的复杂性，抽象普适性的边坡表述模型是困难的，因此，本申请创造性的在边坡上设置易于识别的标识体，通过这些标识体来反映边坡的状态。同时，在实际处理中，计算机中获取的只是左摄像机和右摄像机采集的二维边坡监测影像，因此需要对左右摄像机的图像进行特征点匹配。针对传统的立体匹配的薄弱处，本申请的特征点匹配在双目摄像机本身存在的极线约束下，增加角度约束。常规的立体匹配就是在两幅图像m1和m2上寻找相同特征的点，首先需要在m1上确定一点，然后在m2上找到对应的匹配点，如果没有一定的约束条件，所寻找匹配点的过程是全范围的，这是一种非常耗时的操作，而且寻找匹配点错误的概率也会很大，不是明智的选择。双目视觉模型本身存在一定的关系，即极线约束，极线约束可以将匹配点的寻找约束到一条直线上，这样大大提高了进度，也极大的减少了匹配时间。实际立体匹配中，极线约束虽然极大的减少了匹配时间，但是当有多个特征点时，仍然会存在一定的误差，为解决该问题，本专利提出一种增加角度约束的特征点匹配算法，充分利用无争议匹配点角度，匹配极线约束下的有争议的特征点，具体的，步骤3通过左右摄像机对边坡监测影像进行特征点匹配包括如下过程：
过程a1：输入左右图像的特征点坐标几何，分别为l和r；
过程a2：遍历集合l，计算每个特征点对应右图像上的极线方程，然后计算r上各点到每条极线方程的距离，如果距离小于1像素，则认为该点为候选点；
过程a3：如果候选点数目为1，则将改左图像点放入集合lt，候选点放入集合rt，lt和rt为匹配成功的特征点集合。如果候选点数目大于1，则将改左图像点放入集合lh，候选点集合放入集合rh。
过程a4：遍历集合lh，对每个特征点
过程a5：计算左卡位点
过程a6：遍历特征点
步骤3中，标识体分为定位标识和观测标识，标识体的识别是通过对标识体的颜色、形状、大小进行判别，最终识别标识体，其具体包括如下过程：
过程b1、左右摄像机进行特征点匹配，获取到含有标识体的图像，首先进行颜色判别：选取颜色鲜艳的标识体，区别于周围的环境；可采用his颜色分割对彩色图像中特定颜色区域进行有效的提取。
过程b2：然后进行形状判别：对标识体进行二值化、边缘检测、轮廓提取、方形检测：具体是先对图像进行高斯滤波操作，消除图像中的高斯噪声，然后对图像进行二值化操作，初步得到方形区域块。通过canny边缘检测算法对二值化图中的区域块进行边缘检测，得到初步的方形边缘。轮廓提取是为了提取到每个独立的方形块，提取完成后还需要经过噪声去除步骤，去除过大或者过小的轮廓，以及长宽比例过大或过小的轮廓，从得人可以得到较为符合方形的轮廓。
过程b3：然后采用模型匹配法进行大小判别，因为在经过颜色和形状判别后，这两个参数已成为已知参数，充分运用已知参数设计出一个与标识体投影大小相等的模型，计算出相似度，相似度高的判别为目标对象。
通过上述步骤1-3，利用双镜头摄取的两幅图像的视差，构建三维场景，在检测到运动目标后，通过计算图像对应点间的位置偏差，获取目标的三维信息，在深度图像中对目标的检测与跟踪，实现高精度的位移判断。即在检测出标识体(定位标识、观测标识)的中心值坐标后，需要建立一套位移判别标准来判断标识体是否发生了位移。具体是：在边坡处于稳定状态时分别计算出所有的观测标识到定位标识的距离，并存入数据库。在之后的检测中，设定一个“警戒值”，通过比较直线距离是否超过“警戒值”来判定边坡是否发生了位移，而具体的位移方向和实际位移量通过三维解算得出。利用这种方法能够有效的克服摄像机抖动所产生的误差。
通过上述特征点匹配以及标识体识别即可得到边坡是否发生了位移，接下来只需通过三维解算计算出位移方向和实际位移量。具体的，三维计算具体是通过分析像平面坐标系、摄像机坐标系、物空间坐标系(测量坐标系)之间的转换关系，计算监测点的三维坐标。该方法能准确地检测出边坡表面位移并且能对变形的趋势进行预测，从而可以尽早采取相关的对策和措施。具体的，步骤4的计算监测点的三维坐标的计算过程包括：
过程1：建立像平面坐标系o1xy，表示为：
式中：ku，kv分别为单位像素在x轴、y轴方向的长度系数；(uo，vo)为像平面坐标系原地o1的图像坐标；
建立摄像机坐标系ocxcyczc；
建立物空间坐标系：用平移向量t和旋转矩阵r来描述物空间坐标系和摄像机坐标系之间的关系，设空间中的一点p在摄像机坐标系下的齐次坐标为(xc，yc，zc)t，两者存在如下关系：
其中t是3维平移向量，r是3*4单位矩阵，ot＝(0,0,0)t，m是联系矩阵，是两个坐标系之间的纽带。
过程2：监测点的三维坐标计算：
监测点的图像坐标与物空间坐标系之间的关系表示为：
假设m为3*4阶的参数矩阵，可表示为：
设两台摄像机参数矩阵分别为ma和mb，可得：
(ma11—uama31)xw+(ma12—uama32)yw+(ma13—uama33)zw＝(uama34—ma14)；
(ma21—vama31)xw+(ma22—vama32)yw+(ma23—vama33)zw＝(vama34—ma24)；
(mb11—ubma31)xw+(mb12—ubmb32)yw+(mb13—ubmb33)zw＝(ubmb34—mb14)；
(mb21—vbmb31)xw+(mb22—vbmb32)yw+(mb23—vbmb33)zw＝(vbmb34—mb24)；
利用最小二乘法解方程组，即可计算出监测目标点的物空间三维坐标(x,y,z)；
当求出每个观测标识的三维坐标后，分别将其与初始状态下的坐标进行对比，即获得边坡表面发生的实际位移量。
如图2所示，本发明的目标体及物空间坐标系建立，采用亚像素角点搜索发获取图像坐标，理论精度可达到像素的1/50,即如果像素的实际长度为1mm,则其精度能达到0.02mm。
此外，本申请针对摄像机在边坡应用中的特性，还设计一种新的思路进行三维解算。当求得投影阵目标质心、面积等参数后，以针孔投影构成的位移阵与投影阵目标质心、面积等参数的空间关系，计算出摄像距离阵、观测标识与定位标识投影距离阵、深度差阵等距离参数，得到三维解算所需各类距离信息。具体的，该三位解算包括如下过程：
根据针孔投影对观测标识有：
同理，定位标识有：
其中
联立，有：
同理，对于定位标识n有：
在投影坐标系下，b1、bn与ai投影距分别为：
所述的投影距离就是在图像中定位标识与观测标识的距离，要实现二维向三维的转换，还需要深度差的值。
令深度差：
通过校正得到原长度，再通过投影缩放关系得到正确的深度值。
在已知摄像距离阵、观测标识与定位标识投影距离阵、深度差阵后，即可解得物空间坐标系下ai的三维坐标(x，y，z)。
边坡表面位移s计算：
边坡表面上监测点的初始物空间坐标存储为(xn0，yn0，zn0)，t时刻的坐标为(xnt，ynt，znt)，则有
式中：sn为第n个测点的位移；s为边坡表面位移；n＝1，2，…，n，其中n为总测点数。
在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立摄像机成像的几何模型。在应用中摄像机的标定是非常关键的环节，其标定结果的精度及算法的稳定性直接影响摄像机工作产生结果的准确性。进一步的，在步骤2采集图像之前，还有对摄像机进行标定的过程：
直接将观测标识制作成标定板m，即可直接定一个单应性矩阵h，一个正交矩阵r。h＝smr，将h列向量展开，有：
h＝[h1h2h3]＝sm[r1r2t]；
求解得到：
因为r是正交矩阵，r1和r2是单位正交向量，即其内积为0，模为1。
则有
求得如下公式：
h1m-tm-1h2＝0；
设b＝m-tm-1，m为3*3的矩阵，即b为一个对称矩阵，可以展开为：
因为b为对称矩阵，只有6个时间原始，将矩阵乘开可以得到：
同时可以得到n个标识体图像，堆叠这些方程有：vb＝0；
其中v是2n*6的矩阵，当k＞2时，b有解。摄像机内参数可以从b矩阵的封闭解中直接得到fx、fy、cx、cy的值。
外参数前面已经计算得到：
r3＝r1*r2；
求得摄像机的内外参数后即完成摄像机的标定。其中，本申请采用上述对左右摄像机进行标定的方案，是在张正友平面标定法的基础上进行改进实现的，将其常规的棋盘标定板替换为前面选取的颜色、形状、大小特定的观测标识作为标定板。采用该方案，可进一步提高标定结果的精度及算法的稳定性，进而提高摄像机工作产生结果的准确性。摄像机标定后，进行三维解算来确定标识体上某一点的三维坐标即可。
在计算机标定过程中，线性模型是一种理想状态，而在真实情况下，由于镜头的折射误差等，成像会带来不同程度的畸变，使得所成的像不在线性模型所描述的位置(x，y)，而偏移的时间坐标为(x1，y1)。这里只考虑对标定结果影响较大的径向畸变和切向畸变。令(xp，yp)为真实点的位置，令(xd，yd)为畸变位置，结合径向畸变和切向畸变原理，可得到：
本申请通过特别的标识体的判别方法大大简化了目前的复杂边坡处理过程。同时，对标识体识别过程也进行了改进，可实现结论更优异的准确性。此外，还对摄像机标定进行改进，以适应本申请的方案，并针对计算机视觉跟踪处理中传统摄像机标定的径向与切向的非线性畸变带来的极大的误差，通过求出畸变系数进行标定，并进行双重反馈调节，消除径向与切向的非线性畸变。
此外，本申请还提供一种应用于边坡安全监测的摄像机检测装置，该装置包括：
物空间坐标系建立单元，该物空间坐标系描述目标所在的空间坐标，获取到目标体参数，并存储于数据库；
边坡监测影像获取单元，从至少两个不同角度采集待监测边坡区域的边坡监测影像；
标识体参数提取单元，根据边坡监测影像进行标识体的识别，提取标识体参数；标识体为预先设定的基于颜色、形状和大小参数的识别模型；
边坡位移变化量监测单元，将标识体参数和目标体参数进行对比，如果未发生变化，持续监控，如果发生变化，则进行三维计算，得到边坡位移变化量。
现有检测边坡稳定性的方案都需要在边坡内部埋置应变或传感等装置，为此本申请提出了基于图像识别的边坡表面位移智能高清摄像机检测装置，采用双目视觉技术进行图像识别，它有别于传统的“点”测量监测方法，是一种基于“面”测量的非接触技术，具有能够快速测量构造物表面三维坐标，并实现远程网络监控的优点。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
此外，本发明的方法不限于按照说明书中描述的时间顺序来执行，也可以按照其他的时间顺序地、并行地或独立地执行。因此，本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。
尽管上面已经通过对本发明的具体实施例的描述对本发明进行了披露，但是，应该理解，上述的所有实施例和示例均是示例性的，而非限制性的。本领域的技术人员可在所附权利要求的精神和范围内设计对本发明的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本发明的保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！