（定稿）西北某村人饮工程项目投资申请报告6 ㊣ 精品文档 值得下载

过滤掉了匹配对。

接下来我们要用透视矩阵来进行两幅图像的无缝拼接。

无缝拼接算法直接影响最后配准效果。

看下面的图，容易发现拼接后的图像里找不到境界线了。

那就说明拼接达到了所要求的点上。

图图像拼接融合后的效果本次进行了次的随机抽取四对匹配对，并用高斯消元方法求出了透视矩阵。

然后次反复上次的随机抽取和计算透视矩阵的过程，同时记录每次求出的矩阵所满足的匹配对数，随后选择满足的匹配对最多的透视矩阵，并且输出在屏幕上，下面图就是最后结果。

图最终结果本次所得到的内点透视矩阵所满足的匹配对数的个数为。

接下来我们要进行测距。

两个通用摄像头的内参数矩阵是已经求出来了，还有两幅图像的算法过滤后得到了正确匹配对集。

我们从这匹配对集中选择目标所包含的特征匹配对。

我们把它看成主点，也就是说这点代替了目标。

虽然模板匹配方法也不错的选择，但是选择目标所包含的特征匹配点作为主要靠擦的点，然后计算距离，这是个很好的方法，这样可以节省跑程序的时间。

而且这主点的坐标是已经知道的。

所以不需要利用求坐标的函数。

图代码看上面图的红色标记的变量里存放着最终正确地匹配对。

我们在这个变量里选择目标人物图像所包含的特征点作为我们要考擦得主点。

通过编程实现主点的选取和距离的测量。

上面这两个是通过上面的摄像头标定后得到的。

可以看出两个摄像头的是在定程度上可以看成相同的。

通过已选取的特征匹配对确定主点在左右两幅图像中的坐标。

由此可以计算，。

和是主点在左右两幅图像上从该点到该摄像头的光心轴的距离。

上面的这公式是来自于针孔摄像机模型中获得的。

为摄像头到目标的距离，为焦距，为两个左右摄像头之间的距离。

由此可以进行目标到摄像头的距离检测。

为了提高精度可以选取其他点作为主点，这样得出来的距离值互不样，因为摄像机的内外参数及畸变系数影响了最后计算。

所以，我们要进行平均运算。

这样得出来的正是正确地距离。

，为摄像头的个像素的实际距离。

本实验所用到的摄像头的横向有效取图像的距离为毫米，除以，。

通常情况下和是样的值，这是从工厂上生产出来的时候制定好的。

所以。

本次编程计算出来的结果为。

实际距离为，这样下来，误差有点大，但这误差还是可以接受的。

本章小结通过基于的摄像头标定得到了相关的摄像头内外参数。

实现了基于的物体测距。

这章的研究内容离不开互联网，互联网上有很多好的资料，虽然资料很多，但有些零散，不过，还是通过自己的努力步步自己扛着学来的。

开始，研究怎么样用来进行相机标定是个很苦的事情，说真的，没少走弯路，最后，在老师和张伟波学长和张泳学长的帮助下最终完成了这次的相机标定以及测距。

所得到的结果虽然没有那么漂亮，但对我来说已经是很大的进步了。

通过这次的学习和研究，我学到了怎么样去学知识，怎么样思考问题。

最后回头想想那些吃苦通宵翻论文的日子，感觉酸酸的，不过，最后还是很开心的。

第五章总结以及未来的展望现在几年来基于的图像处理技术飞速的发展，而且很多国家力图研究先进的技术。

很多有名的高效渐渐地要求和鼓励学生用来做相关的研究工作，因为是个对外预定的角点数样时，进行画角点的工作，这工作不是必须要的，这是因为让我们能够正确地做到标定而设置的显示部分代码。

首先要对已经读取的标定板图像进行预处理，转换成灰度图，然后用函数来获取每个角点正确的坐标。

为了提高标定效果，需要用型变量。

最后用自带的函数把提取出来的所有角点画在原图像上面，这样能够用肉眼检查是否成功提取角点。

如果上述部分都成功了，就再读取下个图像反复上面的过程。

如果所有图像的角点都成功了，我们就把每幅图像的所有角点用数组的方式存放在里。

下面用函数来出摄像头的内参数矩阵畸变系数矩阵旋转向量以及平移向量。

右摄像头的标定过程跟左摄像头的标定过程完全致，只不过所利用的图像序列是用右图像拍下来的。

跟做摄像头标定过程样，我们就读取每个图片提取角点，进行读取每个角点的亚像素级的坐标，然后用数组的方式存储下来，然后用函数来求出相关的矩阵以及向量。

下面就是图左摄像头的内参数矩阵以及畸变系数矩阵可见，所求出来的矩阵中左摄像头的图像中心和并不是和。

因为上面给所做的都是手动制作的包括摄像头放置，所以，免不了这样的误差。

同样，右摄像头标定求出来的内参数矩阵里头的和也是有小的误差。

为了避免这样的情况，拍多组标定板利用各种拿法，然后进行标定计算，随后要进行拟合来得到相应摄像头的较准确的内参数矩阵。

这样计算的矩阵可以接受的。

这样下来的我们得到了两个左右摄像头的内参数矩阵畸变系数矩阵旋转向量以及转移向量。

剩下的就是测距，也就是说从目标到摄像头的距离信息的测量。

本论文所用到的距离单位是毫米。

上面的工作结束后求出来的左右摄像头内参数矩阵如下。

因为各种因素导致了最终内参数矩阵的误差，所以，本次实验同样的标定实验进行了五次，当然，每次进行实验之前，各拍了七幅标定板图像。

最后总共得到了五组矩阵，通过拟合来求得相关的矩阵。

式，正是这样得出来的。

看上面的两个摄像头的矩阵可以知道虽然有些小小的误差，但每个摄像头的焦距是差不多的。

下面两张图片是测距实验用到的图片。

在这儿需要补充说明，因为摄像头对光照的敏感变化给本次测距实验带来了很多麻烦，开始在草原上打开摄像头的时候出现片白色图片，这样，后续的基于算法的特征匹配崩溃了。

好在早点发现后换了个相对来说暗的地方进行了本次实验。

图从左右两个摄像头拍下来的图像读取了上面的两幅图像后，要进行图像预处理。

图预处理后的两幅图像对上面的图像进行特征点提取以及粗匹配。

图特征点提取的图像图粗匹配后的匹配结果接下来要用提纯算法，对粗匹配对进行提纯工作。

下面就是过滤掉错匹配对的匹配状态图。

图提纯后的匹配状态看上面的图就可以知道还是存在些错匹配，但错匹配的比例很少。

下面进行透视矩阵参数的估计，我们用随机抽取致性算法对图里的特征匹配对进行参数估计。

这次求出来的透视矩阵为上面求出来的透视矩阵所满足的特征点对是最多的，所以我们可以把这次的矩阵视为正确地透视矩阵。

下面图里的特征匹配对是满足该透视矩阵的匹配对。

图符合矩阵的匹配对容易发现图和图有了些变化，少了些匹配，可以说完全开放。

在确保控制器和传感器性能的条件下，系统的性能由液压调节器决定。

如图。

图液压调节器模型液压调节器作为系统的重要组成部分，它的性能好坏直接影响的制动效果。

因而研究和评价液压调节器是十分重要的，下面由以上元件依照实际工作原理连接，组成液压调节模型。

控制器模型对于防抱死控制系统，首先应该确定期望滑移率。

理论上取最优滑移率点作为期望滑移率，选取软件中的控制信号单元，搭建控制单元模型，将滑移率转化为车速与轮速的差值。

由于所采用的控制算法是不依赖于数学模型的，所以台，它提供了个系统级工程设计的完整平台，使得用户可以在单的平台上建立复杂的维多学科领域的机电液体化系统模型，并在此基础上进行仿真计算和深入的分析。

工程师在个基于工程应用的友好环境下可研究任何元件或者系统的稳态和动态性能。

的图形化用户界面使得用户可以在完整的应用模型库中选择需要的模块来构建复杂各种系统的模型。

建模仿真过程般分为四个步骤构建方案的模型选择模型复杂程度设定模型的参数仿真计算分析。

而且简便易用的操作使得用户可以迅速有效地进行产品的设计开发。

大量的用户群使得已经成为世界范围内的车辆，发动机，越野设备，航天航空，船舶，轨道交通，冶金设备，海洋工程以及重型设备等工业领域内的多学科专业，包括控制流体机械热分析电磁以及能源等复杂工程系统建模与仿真的首选平台。

工程设计师完全可以应用集成的整套应用模型库来设计个系统或个流体元件，所有的这些来自不同物理领域的模型都是经过严格的测试和实验验证的。

使得工程师迅速达到建模仿真的最终目标，分析和优化工程师的设计，从而帮助用户降低开发的成本和缩短开发的周期。

液压元件设计库包含了机液系统的基本结构单元模块，它被看作是液压元件建模的工程语言，可以对喷油器液压锤柱塞泵叶片泵半主动缓冲器以及其他类型的液压阀建模。

由于是基于结构单元建模，因此可以非常直接和直观地理解模型层次。

液压元件设计库通过细分结构单元来处理液压元件的多样性，使工程师可以用最少的图标和单元模块来构建最多的工程系统模型，齐全的分析工具多种仿真运行模式以及开放的结构，使得在汽车液压系统操纵系统燃油系统润滑系统及车辆热分析等方面都有很好的应用，并在法国雷诺雪铁龙汽车的设计过程中有过实际应用，是目前国际上流行的汽车设计及仿真方面的理想工具。

液压系统结构液压系统主要由主缸轮缸，控制阀组成。

制动压力调节器串联在制动主缸和轮缸之间，通过电磁阀直接或间接地控制轮缸的制动压力，此系统属于循之间。

在防抱制动过程中，通过上述的电磁阀开关切换，改变制动液的通路，从而形成增压保压和减压种压力状态。

图电磁阀模型液压泵模型在液压系统中，液压泵把驱动电动机的机械能转换成液压系统中油液的压力能，供系统使用。

在此系统中选择了叶片泵作为减压回路的动力源，叶片泵具有结构紧凑涌动平稳输油均匀等优点，通过叶轮高速运转产生离心力吸油的。

泵排量为，泵的转速为，如图。

图液压泵模型蓄能器模型蓄能器在流体动力系统中非常有用，它用来储存能量消除脉冲。

此系统采用的是气囊过滤掉了匹配对。

接下来我们要用透视矩阵来进行两幅图像的无缝拼接。

无缝拼接算法直接影响最后配准效果。

看下面的图，容易发现拼接后的图像里找不到境界线了。

那就说明拼接达到了所要求的点上。

图图像拼接融合后的效果本次进行了次的随机抽取四对匹配对，并用高斯消元方法求出了透视矩阵。

然后次反复上次的随机抽取和计算透视矩阵的过程，同时记录每次求出的矩阵所满足的匹配对数，随后选择满足的匹配对最多的透视矩阵，并且输出在屏幕上，下面图就是最后结果。

图最终结果本次所得到的内点透视矩阵所满足的匹配对数的个数为。

接下来我们要进行测距。

两个通用摄像头的内参数矩阵是已经求出来了，还有两幅图像的算法过滤后得到了正确匹配对集。

我们从这匹配对集中选择目标所包含的特征匹配对。

我们把它看成主点，也就是说这点代替了目标。

虽然模板匹配方法也不错的选择，但是选择目标所包含的特征匹配点作为主要靠擦的点，然后计算距离，这是个很好的方法，这样可以节省跑程序的时间。

而且这主点的坐标是已经知道的。

所以不需要利用求坐标的函数。

图代码看上面图的红色标记的变量里存放着最终正确地匹配对。

我们在这个变量里选择目标人物图像所包含的特征点作为我们要考擦得主点。

通过编程实现主点的选取和距离的测量。

上面这两个是通过上面的摄像头标定后得到的。

可以看出两个摄像头的是在定程度上可以看成相同的。

通过已选取的特征匹配对确定主点在左右两幅图像中的坐标。

由此可以计算，。

和是主点在左右两幅图像上从该点到该摄像头的光心轴的距离。

上面的这公式是来自于针孔摄像机模型中获得的。

为摄像头到目标的距离，为焦距，为两个左右摄像头之间的距离。

由此可以进行目标到摄像头的距离检测。

为了提高精度可以选取其他点作为主点，这样得出来的距离值互不样，因为摄像机的内外参数及畸变系数影响了最后计算。

所以，我们要进行平均运算。

这样得出来的正是正确地距离。

，为摄像头的个像素的实际距离。

本实验所用到的摄像头的横向有效取图像的距离为毫米，除以，。

通常情况下和是样的值，这是从工厂上生产出来的时候制定好的。

所以。

本次编程计算出来的结果为。

实际距离为，这样下来，误差有点大，但这误差还是可以接受的。

本章小结通过基于的摄像头标定得到了相关的摄像头内外参数。

实现了基于的物体测距。

这章的研究内容离不开互联网，互联网上有很多好的资料，虽然资料很多，但有些零散，不过，还是通过自己的努力步步自己扛着学来的。

开始，研究怎么样用来进行相机标定是个很苦的事情，说真的，没少走弯路，最后，在老师和张伟波学长和张泳学长的帮助下最终完成了这次的相机标定以及测距。

所得到的结果虽然没有那么漂亮，但对我来说已经是很大的进步了。

通过这次的学习和研究，我学到了怎么样去学知识，怎么样思考问题。

最后回头想想那些吃苦通宵翻论文的日子，感觉酸酸的，不过，最后还是很开心的。

第五章总结以及未来的展望现在几年来基于的图像处理技术飞速的发展，而且很多国家力图研究先进的技术。

很多有名的高效渐渐地要求和鼓励学生用来做相关的研究工作，因为是个对外