1.一种基于多相机全连接组合的三维坐标计算方法,其特征在于,至少包括以下步骤:步骤S1:采用多个相机构建视觉系统并通过多个独立相机的拍摄物体图像计算得到物体世界坐标组;
步骤S2:通过计算模型得到每个相机组合的权重,并对坐标组进行加权求期望,得到优化后的三维坐标点;
其中,步骤S1进一步包括:
步骤S11:获取大量目标物体的图片信息作为训练样本,在神经网络框架中进行模型训练;
步骤S12:选取适宜的世界坐标系,对相机进行标定得到四个转换矩阵;
步骤S13:相机进行全连接组合,求取未知位置的目标物体的世界坐标组,该步骤方法包含在步骤S212~步骤S218中;
所述步骤S2进一步包括以下步骤:
步骤S21:相机进行全连接组合,计算每组相机的权重;
步骤S21进一步包括:
步骤S211:已知i个目标物体摆放位置,所有的相机都可见每一位置,并且也知在步骤三中建立的世界坐标系下的各个准确三维坐标Pi-1,i表示第i种摆法,工控机发送拍摄信号给所有的相机;
步骤S212:多个相机3,4,……n在同一时间拍摄得到图片Img3,Img4,......,Imgn;
步骤S213:通过步骤S11中获得的神经网络模型对图片中的目标物体进行识别,得到目标物体二维坐标点组Ri(Pi-3,Pi-4,......,Pi-n),且Pi-3(Xi-3,Yi-3)……Pi-n(Xi-n,Yi-n),小标i-n表示第i种摆法,第n个相机;
步骤S214:对Z轴选取一个常数z作为参考平面;
步骤S215:已知相机n至世界坐标系的四个转换矩阵Mtxi、Disti、Rveci、Tveci;每个相机拍摄的图片对应的点为(Xi-n,Yi-n),到在已知Z轴为z的情况下通过四个转换矩阵可求得X和Y轴的数据得到三维坐标P(i,n,1)(X(i,n),Y(i,n),Z(i,n));
步骤S216:对于每一个图片选取两个不同的参考平面Z1和Z2,Z1≠Z2,分别进行位姿估计获得不同参考平面下的坐标P(i,m,1),P(i,m,2),P(i,n,1),P(i,n,2),其中m,n代表第几个相机,数字代表第几参考平面;
步骤S217:构建下列两空间向量
l1=P(i,m,1)→P(i,m,2)l2=P(i,n,1)→P(i,n,2)求得两空间向量所在直线的公垂线交点P2(i,m,n);
步骤S218:相机全连接组合可计算得到k组P(i,m,n)(X(i,m,n),Y(i,m,n),Z(i,m,n));
步骤S219:通过计算模型求得的权重如下,m,n为相机编号,D2(P(i,m,n))为两点距离的方差:R(m,n)即为坐标P(i,m,n)对应的权重,即为优化算法中的权重参数;
步骤S22:计算优化后目标物体的三维坐标点;
其进一步包括以下步骤:
步骤S221:通过步骤S13得到的世界坐标系组进行加权求期望公式如下:a,b代表任两个不同相机,P(a,b)代表使用任两个相机图像通过S213~步骤S217得到的世界坐标系坐标;P(w)表示所有相机两两组合后的加权期望;
所述步骤S13的计算过程为重复步骤S212~步骤S218中。