视频图像识别学习系列：线结构光三维测量重建

这是本人进入图像处理领域的第一个项目，那是还在读硕士，在此感叹时间过得真快！

项目背景：

项目用于工业零件的公差检测，主要是针对缝隙和高低差两种公差，具体应用领域如汽车、飞机的蒙皮对接检测，当然，对于别的公差改变一些代码，也是可以做到的；

技术方案：

采用线结构光进行三维重建，用三维点云数据进行相应公差计算；

选用硬件：basler相机一只，stackyale激光器一只，精密一维移动平台一台（记得好像是北京的路科锐威的），棋盘格标定版一个（好像是深圳的一家）

软件：opencv1.0 + c++  + VS2003

具体步骤：

1.硬件外形设计，采用激光器垂直照射，相机倾斜的外形布局；

2.系统标定，包括相机的内、外参数标定，激光器的结构参数标定，主要是光平面方程；

a、相机标定，经典标定方法是张正友的和TSAI，我选的是Tsai，具体标定步骤按照Tsai论文中来，获取二维和三维坐标矩阵后，直接用opencv搞定；

b、激光器标定，借助移动平台和棋盘格，采集几幅带有线结构光的棋盘格图像，对光条进行处理，包括二值化、形态学、去噪，细化（骨架化），获取线结构光光条的

二维坐标和三维坐标，三维坐标的获取类似相机标定的做法，拟合平面方程；

3，三维重建，采集一幅测量目标的线结构光图像，经过光条细化后，基于系统参数和光条二维坐标，获取光条对应的三维坐标；

4，根据三维点云坐标，进行相应公差特征计算；

创新点：

首次采用二次标定算法。系统标定好后，使用一段时间，测量精度会下降，或者首次（或连续多次）标定均达不到精度要求，

这时不知道你们会怎么办？我们的做法是二次标定，即使用该系统三维测量一个标准件，通过测量误差和实际误差的不同，进行优化，把系统参数调整到最优，

优化理论基于非线性最小二乘算法，目标函数主要基于光平面方程推导而来，实验证明二次优化很有效果。

下面是当时设计的产品，现在看来真是丑陋啊，不过测量精度还是不错的，达到0.03mm，达到了需要公司的要求了。

呵呵，时间有限就写这么多吧，欢迎交流！更详细的可以看我的硕士毕业论文！有需要联系我！