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，可以说完全开放中中中大大大大大可得南北车道车流规模逻辑运算结果小中大表东西方向绿灯时间长度控制南北车流规模东西车流规模小吧中大小中小小中中中中大大大中可得东西绿灯时长逻辑运算结果小中大表南北方向绿灯时间长度控制东西车流规模南北车流规模小吧中大小中小小中中中中大大大中可得南北绿灯时长逻辑运算结果小中大以上车辆的计数和车流量的比较及绿灯时间长度控制全部由完成。在个红绿灯周期中，每当东西或南北绿灯亮之前，都以高速计数器内部计数器中采集的数据，即道路中高速计数器的计数值减去内部计数器中的计数值，作为该道路的车辆滞流量其他通道同理，然后判定该道路的车流规模，进而判定东西南北的车流规模，最后根据以上阐述的智能控制原则，调整绿灯时长。绿灯时长输出后，内部计数器立即清零并继续计数，高速计数器在原有的车辆滞流量基础上继续计数，为下个红绿灯周期做准备。当然，以上的车流规模与绿灯时间长度都可以方便地依据道路与季节变化情况而改变。具体梯形图从略。程序调试及模拟由于本次设计是基于三菱的，所以使用三菱官方程序调试软件，模拟软件使用三菱。因为程序复杂，想次性成功是不可能的，从个个问题到研究解决再到模拟成功，经过了漫长的时间，也有着各种各样的问题。调试虽然是枯燥无味的，但是完成了却能学到很多东西。结论将用于交通信号灯的控制，主要是因为其可靠性高,功能强大。而且其定时计数资源丰富，可以方便地实现对多组交通灯的时序控制。同时本身具有通讯联网的功能。若将同地区附近的联网，则可以实现交通信息的共享和智能实时控制。根据实测各十字路口之间的距离车流量和车速等，合理确定各路口信号灯之间的时差。从而大大缩短车辆的等待时间，提高公路的利用率，实现对交通状况的科学化管理。本设计是对个比较典型的十字路口交通信号灯的控制系统进行了程序设计。实践结果表明，该程序运行情况良好实现了预期目标。本设计的优点是扩展性能良好，能方便的加入左转红灯黄灯，人行道灯等等，缺点是占用点数较多。但作为次毕业设计，更多的是提出种理论，为解决日益严重的交通拥堵问题提出了种可行的方案，起到了抛砖引玉的效果。致谢作为毕业设计，也是大学四年生活的个句号，完成它既有种收获感，又有种失落感。当我写下这段时，回首这两个月来的勤奋努力，心中别有番滋味当它终于完工的时候，我不禁想起了很多人，很多事，尤其是辛勤培养我的老师们，谢谢你们,尤其感谢我毕业设计指导老师，毕业设计中遇到的种种问题，是由他不辞辛劳的帮我解答，这篇论文的完成与他的悉心指导是分不开的。感谢身边所有的朋友与同学，谢谢你们四年来的关照与宽容，与你们起走过的缤纷时代，将会是我生最珍贵的回忆。感谢我的父母，没有你们，就没有我的今天，你们的支持与鼓励，永远是支撑我前进的最大动力。最后对老师，同学和家人再次致以我最衷心的感谢,参考文献廖常初基础及应用北京机械工业出版社，郭宗仁可编程控制器应用系统设计及通信网络技术北京人民邮电出版社，王也仿可编程控制器应用技术北京机械工业出版社，王永华现代电气及可编程控制技过滤掉了匹配对。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