加客服免费发需求
联系客服咨询项目
从机器视觉的角度，由简入繁从相机标定，平面物体检测、有纹理物体、无纹理物体、深度学习、与任务/运动规划结合等6个方面深度解析文章的标题。首先，我们要了解，机器人领域的视觉跟计算机领域的视觉有一些不同：机器视觉的目的是给机器人提供操作物体的信息。
所以，机器视觉的研究大概有这几块：
1. 物体识别：在图像中检测到物体类型等，这跟 CV 的研究有很大一部分交叉；
2. 位姿估计：计算出物体在摄像机坐标系下的位置和姿态，对于机器人而言，需要抓取东西，不仅要知道这是什么，也需要知道它具体在哪里；
3. 相机标定：因为上面做的只是计算了物体在相机坐标系下的坐标，我们还需要确定相机跟机器人的相对位置和姿态，这样才可以将物体位姿转换到机器人位姿。
1、相机标定：这其实属于比较成熟的领域。由于我们所有物体识别都只是计算物体在相机坐标系下的位姿，但是，机器人操作物体需要知道物体在机器人坐标系下的位姿。所以，我们先需要对相机的位姿进行标定。
2、平面物体检测：这是目前工业流水线上最常见的场景，目前来看，这一领域对视觉的要求是：快速、精确、稳定。所以，一般是采用最简单的边缘提取+边缘匹配/形状匹配的方法；而且，为了提高稳定性、一般会通过主要打光源、采用反差大的背景等手段，减少系统变量。
3、有纹理的物体：机器人视觉领域是最早开始研究有纹理的物体的，如饮料瓶、零食盒等表面带有丰富纹理的都属于这一类。当然，这些物体也还是可以用类似边缘提取+模板匹配的方法。但是，实际机器人操作过程中，环境会更加复杂：光照条件不确定（光照）、物体距离相机距离不确定（尺度）、相机看物体的角度不确定（旋转、仿射）、甚至是被其他物体遮挡（遮挡）。
4、无纹理的物体：有问题的物体容易解决，那么生活中或者工业里还有很多物体是没有纹理的，之前一大类方法是采用基于模板匹配的办法，但是对匹配的特征进行了专门选择（不只是边缘等简单特征）。
5、深度学习：由于深度学习在计算机视觉领域得到了非常好的效果，我们做机器人的自然也会尝试把 DL 用到机器人的物体识别中。
6、与任务/运动规划结合：这部分也是比较有意思的研究内容，由于机器视觉的目的是给机器人操作物体提供信息，所以，并不限于相机中的物体识别与定位，往往需要跟机器人的其他模块相结合。
扫一扫关注大学仕公众号
