基于微透镜阵列型光场相机的多目标快速测距方法 下载: 1293次
1 引言
随着计算机科学领域在高精尖技术支持下取得巨大发展,计算机视觉领域的研究也获得了巨大的进步。在计算机视觉领域,光场成像技术应用非常广泛。光场成像系统有多种不同的实现方式,其中包括像机阵列[1-3]、微透镜阵列(MLA)[4-5]、掩模[6-7]、物镜阵列[8]等。其中MLA光场相机最符合成本效益,因而被广泛地应用于学术研究及商业领域[9]。
国内外的专家学者对MLA光场相机进行研究时,研究重点为深度恢复、超分辨率及三维重建等方面。在光场相机深度获取的研究过程中,国内外相关研究报告所提到的评价参数大多为实测距离,但MLA光场相机的光学透镜组部件位于光场相机内部,对距离进行实际测量时,由于测量点位置的不确定性,即使使用精度相当高的激光测距,测量结果仍存在较大误差。现阶段在光场相机的测距研究方面,国内外研究文献非常少[10],而双目的测距方法多用于远距离目标的测距,且采集的图像信息分辨率非常高[11]。所以对MLA光场相机的测距研究在三维空间深度获取、三维重建等方面具有重要的意义。
为给深度获取实验数据提供较为准确的评价参数,本文提出一种为光场相机深度处理服务的多目标测距算法,通过一次拍照即可完成多目标物的测距工作,且算法结构简单、时间短、效率高。
2 LYTRO相机成像模型与深度分辨率
2.1 LYTRO相机的成像模型
光场相机中的光场,是指空间中所有光线光辐射函数的总体[12]。光场包含位置信息(
令物体入射光在主透镜成像面的坐标为(
如
定义
定义
由此便可构建光场成像模型。
2.2 LYTRO相机图像景深分辨率
为增加LYTRO相机的测距范围及测距精度,提高相机的图像景深分辨率是十分必要的。LYTRO相机深度提取的原理是基于主镜像面上同一点在不同微像中存在的视差[14]。如
根据相似三角形定理
式中:
对于两微透镜交会视场中一般位置的点,若成像后的视差记为
要从原始光场图像得到
则像方深度分辨率为
3 LYTRO相机快速测距算法
LYTRO相机快速测距算法主要分为图像预处理及算法实现两个步骤。算法实现过程又分为直接测距算法、相对测距算法优化、融合算法三个部分,具体算法结构如
3.1 图像预处理
MLA光场相机有两个限制问题,低空间分辨率和窄基线。低空间分辨率限制了光场相机的通用性和适用性,而窄基线限制了深度估计的范围和精度。本文对数据进行预处理,有效地增加深度估计的范围和精度,使得测距精度大幅提高。
3.1.1 通过点扩展函数对图像进行超分辨处理
LYTRO相机对原始图像进行拍摄,获取的结果如
按照文献[
15]的方法,对原始图像进行超分辨处理,结果如
3.1.2 图像重聚焦
使用文献[
5]的方法,通过设置不同的
图 5. 原始图像及局部放大图像。(a)原始图像;(b)局部放大图像;(c)局部二次放大图像
Fig. 5. Original image and local enlarged images. (a) Original image; (b) local enlarged image; (c) local two-time enlarged image
图 6. 超分辨恢复结果。(a)原始图像;(b)局部放大图像1;(c)局部放大图像2;(d)局部二次放大图像3
Fig. 6. Super-resolution recovery results. (a) Original image; (b) local enlarged image 1; (c) local enlarged image 2; (d) local two-time enlarged image 3
图 7. 重聚焦图像序列。(a)原始图像;(b)重聚焦图像序列(36张)
Fig. 7. Re-focusing image sequence. (a) Original image; (b) refocus image sequence (36 pieces)
3.2 直接测距法
直接测距法需要对目标物进行贴片处理,如
经预处理后,对目标物作标准化测量,如
式中:
算法流程如下:
1) 对本组实验目标物进行贴片处理;
2) 经过实际测量可得,
3) 用LYTRO相机对目标物进行拍照,并对照片作预处理;
4) 在重聚焦图像序列中选出贴片位置最清晰的图像(以清晰度评价函数作为选择依据);
5) 利用文献[ 13]的亚像素偏移窗口选择算法,确定贴片位置;
6) 计算贴片中灰色亮片的像素大小(
7) 测得的像素大小与距离作为测量标准值;
8) 利用三角形定理,结合测量标准值,按照(8)式,即可换算出待测目标的距离。
图 9. 贴片标准值测量。(a)距离为5 cm;(b)距离为10 cm;(c)距离为20 cm
Fig. 9. Standard value measurement of the patch. (a) Distance is 5 cm; (b) distance is 10 cm; (c) distance is 20 cm
3.3 相对测距法优化
通过对待测目标物进行预处理及超分辨处理后,目标数据的图像景深分辨率获得大幅提高,使得相对测距法的实验精度也有很大的提升。在此基础上对文献[
10]算法进行优化,实验过程如
图 10. 贴片标准值测量。(a)文献数据;(b)本文数据
Fig. 10. Standard value measurement of the patch. (a) Literature data; (b) data in this paper
文献[
10]中测得两个待测目标的距离范围始终是6550~6992 μm,与理论值
本文对实验目标图像进行超分辨处理后,通过相同的算法处理,得到两个待测目标的距离范围为6449~6465 μm,与理论值
3.4 算法验证
采用文献[
10]中的改进型拉普拉斯算子作为聚焦度评价算子对重聚焦光场图像序列进行清晰度评价,实验结果如
图 11. 算法验证。(a)文献算法结果;(b)本文算法结果
Fig. 11. Algorithm validation. (a) Results of algorithm in literature; (b) results of proposed algorithm
4 实验结果与分析
实验相机为第一代LYTRO相机,相机序列号:sn-A502390678,运行环境:Windows 8,64位操作系统,处理器:AMD Athlon(tm)×4740 Quad Core Processor 3.20 GHz。
4.1 实验1
本组实验针对少量待测目标,如
图 12. 6组待测目标图像。目标物1的距离固定为20 cm,目标物2的距离分别为(a) 25 cm;(b) 30 cm;(c) 40 cm;(d) 50 cm;(e) 60 cm;(f) 70 cm
Fig. 12. Six groups of target images to be measured. The distance of target 1 is fixed as 20 cm, and the distance of target 2 is (a) 25 cm; (b) 30 cm; (c) 40 cm; (d) 50 cm; (e) 60 cm; (f) 70 cm
表 1. 实验1数据
Table 1. Experiment 1 datacm
|
对
4.2 实验2
本组实验针对大量待测目标,如
图 13. 4组待测目标图像。(a) 3个目标物;(b) 7个目标物;(c) 10个目标物;(d) 12个目标物
Fig. 13. Four groups of target images to be measured. (a) 3 targets; (b) 7 targets; (c) 10 targets; (d) 12 targets
表 2. 实验2数据
Table 2. Experiment 2 data
|
对
5 结论
提出一种基于MLA光场相机的多目标快速测距方法。文中使用的优化算法及融合算法对测距方法的整体时间进行大幅优化,且通过一次拍照即可完成对多目标物的测距工作。少量待测物体,直接测距法精度高,速度快;数量较多的待测物体,将直接测距法与相对测距法结合,不但能够保证精度,而且时效性也会大幅提高。本文算法同样适用于运动目标的测距,在对运动目标进行测距时,可通过外接触发器对运动目标进行连续、快速地拍摄,通过对每一帧图像的分别处理完成对运动目标的测距,同时可从测距结果中获得运动目标的轨迹深度图信息,这将是下一阶段的重点研究内容。
在今后的研究学习中,在如何优化测距算法、使用融合测距算法时如何确定直接测距法的中心待测目标位置、间接测距法的最短路径、提高算法时效性等问题上,还需作进一步的研究。而对于更多数量的待测目标测距算法的研究仍是今后的研究重点。
[3] Liu YB, Dai QH, Xu WL. A real time interactive dynamic light field transmission system[C]//2006 IEEE International Conference on Multimedia and Expo, July 9-12, 2006, Toronto, Ont., Canada. New York: IEEE, 2006: 2173- 2176.
[4] Ng R, Levoy M, Brédif M, et al. Light field photography with a hand-held plenoptic camera[J]. Stanford Tech Report CTSR, 2005, 2: 1-11.
[5] Ng R. Fourier slice photography[J]. ACM Transactions on Graphics, 2005, 24(3): 735-744.
[8] Pelican[OL]. [ 2019- 02- 15]. . http://www.pelican.com/
[10] 丁江华. 基于微透镜阵列的光场图像深度估计研究[D]. 太原: 中北大学, 2017.
Ding JH. Research on depth map estimation of micro lens array light field photography[D]. Taiyuan: North University of China, 2017.
[11] 蒋晓东, 于纪言, 朱立坤, 等. 基于硬件SURF算法的自校准双目测距系统[J]. 光学学报, 2018, 38(10): 1036001.
[12] 聂云峰, 相里斌, 周志良. 光场成像技术进展[J]. 中国科学院研究生院学报, 2011, 28(5): 563-572.
[13] 孙俊阳, 孙俊, 许传龙, 等. 一种基于光场图像的聚焦光场相机标定方法[J]. 光学学报, 2017, 37(5): 0515002.
[15] 孙福盛, 韩燮. 光场相机精确色彩矢量约束下的超分辨率算法[J]. 光学学报, 2019, 39(3): 0304001.
[16] 孙福盛, 韩燮, 丁江华, 等. LYTRO相机光场图像深度估计算法及重建的研究[J]. 计算机工程与应用, 2018, 54(13): 175-180.
Article Outline
孙福盛, 韩燮. 基于微透镜阵列型光场相机的多目标快速测距方法[J]. 光学学报, 2019, 39(8): 0815001. Fusheng Sun, Xie Han. Multi-Objective Fast Ranging Method Based on Microlens Array Light Field Camera[J]. Acta Optica Sinica, 2019, 39(8): 0815001.