（定稿）移民公路建设工程项目投资计划书1（喜欢就下吧）

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，可以说完全开放管理部门信息管理描述管理员点击左侧的菜单部门管理，页面跳转到部门管理界面，调用后台的类查询所有部门。

程序效果图如下图所示图部门信息管理部门管理流程图如图所示登录系统部门信息管理增加部门删除部门退出图部门信息管理部门信息删除描述先是点击部门管理，页面跳转到部门管理界面，浏览所有的部门信息，点击要删除的部门，弹出的确定对话框，即可删除该部门信息。

程序效果图如下图所示图部门信息删除员工信息管理员工信息信息录入描述在此页面主要是输入员工的基本信息，包括姓名性别年龄部门编号登陆账号密码等，年龄检验输入是否为数字，是否为空也是通过表单中的来检查。

程序效果图如图所示图员工信息信息录入员工信息管理流程图如下图所示登录系统员工信息管理增加员工信息删除员工信息退出修改员工信息图员工信息管理流程图员工信息管理描述管理员点击左侧的菜单员工管理，页面跳转到员工管理界面，调用后台的类查询出所有的员工信息，并把这些信息封转到数据集合中，绑定到对象，然后页面跳转到相应的，显示出员工信息。

程序效果图如下图所示图员工信息管理页面员工工资管理工资信息录入描述在此页面主要是输入员工的工资信息，首先是选择员工，点击选择按钮，系统弹出所有的员工信息，供选择，然后输入工资月份工资金额等信息。

程序效果图如图所示图员工工资信息录入工资信息管理描述管理员点击左侧的菜单工资管理，页面跳转到工资管理界面，调用后台的类查询出所有的工资信息，并把这些信息封转到数据集合中，绑定到对象，然后页面跳转到相应的，显示出员工工资信息。

程序效果图如下图所示图工资信息管理页面员工工资管理流程图如图所示登录系统员工工资管理增加员工工资信息删除员工工资信息退出修改员工工资信息打印员工工资情况图员工工资流程图员工出勤管理出勤信息录入描述在此页面主要是输入员工的出勤信息，首先是选择员工，点击选择按钮，系统弹出所有的员工信息，供选择，然后输入出勤月份出勤天数等信息。

程序效果图如图所示图员工出勤信息录入员工出勤信息流程图如图所示登录系统员工出勤管理增加员工出勤信息删除员工出勤信息退出图员工出勤信息流程图出勤信息管理描述管理员点击左侧的菜单出勤管理，页面跳转到出勤管理界面，调用后台的类查询出所有的出勤信息，并把这些信息封转到数据集合中，绑定到对象，然后页面跳转到相应的，显示出员工出勤信息。

程序效果图如下图所示图出勤信息管理页面员工奖惩管理奖惩信息录入描述在此页面主要是输入员工的奖惩信息，首先是选择员工，点击选择按钮，系统弹出所有的员工信息，供选择，然后输入奖惩时间奖惩项目等信息。

程序效果图如图所示图员工奖惩信息录入奖惩信息管理描述管理员点击左侧的菜单奖惩管理，页面跳转到奖惩管理界面，调用后台的类查询出所有的奖惩信息，并把这些信息封转到数据集合中，绑定到对象，然后页面跳转到相应的，显示出员工奖惩信息。

期。

总结本次毕业设计将我大学四年所学的知识用到了具体的实践中去，深化了理论知识，同时也锻炼了动手实践能力。

在这段日子里，我查阅了许多有关人力过滤掉了匹配对。

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