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，可以说完全开放可用梯形图或指令表。尤其是可用机对系统实时进行监控。为调试和维护提供了极大的方便。系统硬件设计电梯功能要求电梯运行到指定位置后应具有手动或自动开关门的功能。利用指示灯显示电梯轿厢外的呼唤信号电梯轿厢内的指令信号和电梯的到达信号。能自动判断电梯的运行方向，并发出响应的指示信号。电梯的上行下行有台交流双速电机牵引。电机正传，电梯上升电梯反转，电梯下降。电梯轿厢门由另台小功率电机驱动。电机正传，轿厢门打开电机反转，轿厢门关闭。每层楼设有呼叫按钮轿厢内设有开关轿厢门按钮轿厢内的层面指令按电梯启动运行到站实现速度的调节。行车时，厅门和轿厢都不能开门。开门之后不能行车，有门连锁保护。平层时可自动开门手动开门，夹人时自动开门。电梯的主要组成部分曳引部分通常有曳引机和曳引钢丝绳组成。电动机带动曳引机旋转使轿厢上下运动。轿厢和厅门轿厢由轿架，轿底，轿壁和轿门组成厅门般有封闭式中分式双折中分式和直分式等。电器设备及控制装置有曳引机，选层器传动及控制柜轿厢操纵盘呼梯按钮和厅外指示器组成。其它装置对重装置补偿装置等。电梯的安全保护装置电磁制动器装于曳引机轴上，般采用直流电磁制动器，启动时通电松闸，停层后断电制动。强迫减速开关分别装于井道的顶部和底部，当轿厢驶过端站换速未减速时，轿厢上撞块就触动此开关，通过电器传动控制装置，使电动机强迫减速。限位开关当轿厢经过端站平层位置后仍未停车，此限位开关立即动作，切断电源并制动，强迫停车。行程极限保护开关当限位开关不起作用，轿厢经过端站时，此开关动作。急停按钮装于轿厢司机操纵盘上，发生异常情况时，按此按钮切断电源，电磁制动器制动，电梯紧急停车。厅门开关每个厅门都装有门锁开关。仅当厅门关上才允许电梯启动在运行中如出现厅门开关断开，电梯立即停车。关门安全开关常见的是装于轿厢门边的安全触板，在关门过程中如安全触板碰到乘客时，发出信号，门电机停止关门，反向开门，延时重新开门，此外还有红外线开关等。超载开关当超载时轿底下降开关动作，电梯不能关门和运行。其它的开关安全窗开关，钢带轮的断带开关等。交流双速电梯的主电路图是交流双速电梯的主电路图。图中为电梯专用型双速笼型异步电动机为电动机正反转接触器，用以实现电梯上下行控制为电梯高低速运行接触器，用以实现电梯的高速或者低速运行为启动加速接触器为减速制动接触器，用以调整电梯制动时的加速度与为串入电动机定子电路中的电抗和电阻，当或者与通电吸合时，电梯将进行上行或下行启动，延时后通电吸合，切除，电梯将转为上行或下行的稳速运行当电梯接收到停层指令后，断电释放，通电吸合，电机转为低速接法，接入阻抗制动，实现上升与下降的低速运行，且依次通电吸合，用来控制制动过程的强度，提高停车制动时的舒适感至平层位置时，接触全部断电释放，抱闸抱死，电梯停止运行。图主电路图门机电路抱闸电路门锁及安全运行电路图为电梯的门机抱闸门锁及安全运行电路。门电动机为他励直流电动机，可由控制其正反转。接通时，电阻与电动机电枢并联，电流由电枢左端流过滤掉了匹配对。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