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，因为是个对开放现故障时，通过报警回路报警或安全回路实现抱闸停车保护。起动，停车多数变频器不能适应上电运行功能，所以应对控制系统加入保护功能。当需要开机运行时，按下起动按钮，其输出继电器便吸合，置于电源与变频器之间的常开触点闭合，将三相动力电接入变频调速回路中当减速停车，并实现机械抱闸制动后，可以将变频器与动力电源脱开，按下停止按钮，使继电器失电，其常开触点断开，变频器便与动力电源脱开。图外部接线梯形图及编程语言二上提升，下放在控制回路中利用正转继电器的常闭触头控制反转继电器的线圈利用反转继电器的常闭触头控制正转继电器的线圈。从而达到互锁作用。其动作过程如当要下放矿车或送工人到井下时，按下下降按钮，继电器吸合，其常开触点闭合，常闭触点断开。此时变频器与端相连，电机反转下放重物。同时断开继电器回路，形成下降闭锁当按下上升按钮时，吸合，断开回路，形成上升闭锁。此时与相连，电机正转上提煤车。当按下停止按钮时，所有继电器常闭触头闭合，为下次提升做准备。三工频与变频转换工变频转换系统可使电机转速需在工频运行或变频出现故障时进行自由切换。正常工作状态，为变频调速运行。此时继电器得电，失电置于变频器与电机之间的常开触点闭合，跨过变频器，连接电机与三相动力电源的常开触点断开。变频器接入调速回路，并接受操作台控制信号及反馈信号，进行调速控制。当变频器出现故障或需要对电机进行点动调节时，按下工频按钮，使断开，闭合，电机进入工频状态。这样便于检修和故障排除。梯形图及编程语言系统抗干扰措施可编程控制器的主要应用场合是工业现场，工作环境中各种干扰对系统设备的正常运行存在着严重的影响。所以在本系统中也不例外，有必要考虑系统的抗干扰措施。抗干扰的主要措施有数据采集采用屏蔽电缆，所有屏蔽电缆层汇线接地，多芯电缆中的备用芯线也要端接地这样可扩大屏蔽作用，并抑制芯线间干扰。必要时可采用带有屏蔽层的输入和输出信号电缆。数据采集采用屏蔽电缆，所有屏蔽电缆层汇线接地，多芯电缆中的备用信号回路汇线接地，输入信号电缆输出信号电缆和电力电缆都要分开敷设，不能扎在起，信号电缆接线端子均安装在柜体下侧。数据采集采用屏蔽电缆，所有屏蔽电缆层汇线接地，多芯电缆中的备用所有机柜操作台等均需保护接地，台柜内需有独立的直流地机壳安全地电缆屏蔽地接地端子，与结构内部未接地电路板在电气上隔离。电源柜动力柜变频柜进线方式均为下进下出。数据采集采用屏蔽电缆，所有屏蔽电缆层汇线接地，多芯电缆中的备用引至柜的电缆要尽量远离那些会产生电磁干扰的装置。数据采集采用屏蔽电缆，所有屏蔽电缆层汇线接地，多芯电缆中的备用同电平等级的信号才能用条多芯电缆传输。因此对数字信号和模拟信号，在任何情况下，都必须分开电缆进行传输。低电平信号线应与其它信号线分开。尽量缩短模拟量信号线的长度，并采用双芯屏蔽线作为信号线。数据采集采用屏蔽电缆，所有屏蔽电缆层汇线接地，多芯电缆中的备用保证柜良好的通风环境，在设备现场，要充分考虑周围环境的影响，尽量不要将安装在多尘有油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