点击下方卡片，关注「3D视觉工坊」公众号
选择星标，干货第一时间送达
来源：3D视觉工坊
3D视觉硬件汇总，包括结构光3D相机(支持室内外，焊接，机械臂抓取等场景)，相位偏折术、散斑、机械臂抓取和焊接软件，手持扫描仪(支持定位、重定位、稠密建图)、四足狗和小车定位和导航，底盘。点击->查看详情：
随着智能制造的迅猛推进，线结构光三维测量技术凭借其独特优势成为工业检测领域的重要工具，对推动我国智能制造装备的自主化发展具有重要的实践意义。然而，在实际工业应用中仍存在复杂环境下的激光条纹中心提取精度不足且速度不快、点云拼接效率低等问题。针对以上问题，开展基于结构光的三维重建与点云拼接技术研究，主要的工作内容如下：
（1）根据极线校正、线结构光三维重建的原理，结合具体应用需求，选择合适的硬件设备搭建结构光三维重建验证系统的硬件，并根据相机成像模型、坐标系的建立与转换、相机畸变校正、双视角视觉测量模型进行相机标定，确定了系统的软件参数。
（2）为解决Steger算法中心提取效率低下的问题，先对采集到的图像进行滤波处理消除噪声，然后用最大类间方差原理得到一个理想的最佳阈值对图像进行分割，在二值图上用边界轮廓跟踪得到确定光条的感兴趣区域，以及粗略的光条中心和线宽，最后在Hessian矩阵的基础上得到最终的亚像素中心。
（3）针对ICP配准算法对点云初始位置要求较高，若两者差异过大，配准过程易陷入局部最优的问题，先通过快速均匀下采样，减少数据量，用KD树加速检索采样后的关键点，FPFH特征结合随机采样一致性（RANSAC）方法进行粗配准，最后利用非线性最小二乘法优化的点到面ICP算法完成两个点云的精确拼接与融合。
（4）采用标准阶梯块进行平面几何特征重建，实测阶梯高度误差；其次通过标准球体重建验证曲面测量能力；最后选用具有复杂纹理特征的石膏浮雕进行细节重建测试。实验分别从平面几何特征和曲面特征两个维度验证了该三维重建系统在测量精度和曲面适应性方面的可靠性。
验证实验的结果表明，改进后的Steger算法基本保持了原算法的精度且减少边缘噪点，同时光条中心的提取速度提升 ，较传统灰度重心法和Steger算法展现出更优的提取性能；改进的ICP算法在Bunny数据集上配准时间提升 且适应度分数表现更优，显著提高了点云拼接的效率和准确性。可见本文所提出的方法在平面和曲面物体的三维重建中均表现出较高的精度，能够满足智能制造中对复杂几何特征的高精度检测需求。
第一章 绪论
1.1 研究背景和意义
近年来，随着数字图像处理和计算机视觉技术的发展，数字化已经成为人们生活不可或缺的组成部分。机器视觉替代人眼是现代制造业转型发展的需求，尤其是在连续工作的生产线、恶劣的工作环境下，该技术独具特色的优势使其在竞争激烈的领域中脱颖而出。智能化的生产工具是主体，其出现离不开数字化、网络化和智能化的技术支持。生产工具转向信息化和智能化，减少人为失误，将会提升生产效率，从根本上提高现场竞争力。
随着计算机技术和摄影测量技术的飞速发展，根据不同的应用，对三维测量系统有不同的要求，用于工业产品检验的尺寸测量对精度和灵活性要求很高。三维点云在工业领域中运用越来越多，并且能够得到意想不到的效果。双目视觉广泛应用于工业检测、工件建模、质量管控、文物数字化和人体测量等众多领域。随着科学研究的深入，三维空间数字化表征方法日益受到学术界与工业界的共同关注。该技术体系通过高精度空间坐标采集与建模，能够完整复现被测对象的几何形貌特征。在精密检测领域，如何实现微米级三维数据的高效获取与处理，已然成为当前研究的前沿方向。值得关注的是，光电传感器与图像处理技术的协同创新，结合新型高性能计算架构的应用，正推动着三维测量技术向智能化、实时化方向突破性发展，为复杂工况下的快速精准测量开辟了新的技术路径。
双目视觉，就是直接模拟人类双眼处理场景的方法，利用两台固定位置的成像设备，从不同视角同时获取同一场景的两幅图像，对所获取的图像进行去噪、立体矫正、立体匹配，最后结合标定参数计算物体的三维深度信息。双目系统可以通过不同的相机角度避免单一相机视野中的死角，提供更全面的场景信息，避免单目视觉死角。基于双目视觉的线结构光测量技术是获取目标空间3D信息的重要方法之一，它以现代光学为理论基础，融合计算机图形学、多视图几何等学科为一体，将数字图像作为信息存贮与传递的媒介，通过模式识别等技术手段对有效信息提取，实现对物体尺寸的非接触测量，速度快、精度高，而且成本低、测量结果稳定、可复制性强。
此外，高度集成化的传感器与计算机等处理器相连，利用机器视觉实现智能制造和自动化加工已然成为未来发展的必然趋势。由此，激光光条中心的快速提取技术和点云精确配准应对快速发展的制造领域中各种不同三维物体的数字化、信息化和测量需求具有重要的现实意义，需要更进一步的研究优化。
1.2 研究现状
本节主要概述了结构光三维测量技术在国内外的研究进展，简要介绍了线结构光三维测量技术的发展状况，分析了激光条纹中心提取技术的研究动态，并总结了点云配准技术的最新研究成果。
1.2.1 线结构光三维测量研究现状
随着计算机数字图像处理和各种光电传感器精度的提高，基于结构光的视觉系统得到极速发展，其使用范围广、可靠度高的优势在各类应用中逐步凸显，特别是在制造业。视觉系统可以实现自动化制造、高速检测、三维重建等功能。
2017年Beck和Froehlich通过在每个传感器前面的所需捕获空间扫描跟踪棋盘格，在几分钟内高精度校准多个不同步的RGBD传感器，在扫描过程中可以自动建立深度和彩色图像以及3D世界位置之间的大量可靠对应关系，并且应用了基于误差最小化和共面性约束的离线优化获得RGBD传感器的数据流和跟踪目标位置之间的时间同步对应关系，被输入到3D查找表中，该表在运行时用于将深度和颜色信息转换为应用程序的世界坐标系，实现了高校准精度。Erdelyi等利用地面激光扫描技术（TLS）进行形变监测，通过平面拟合算法对监测结构的选定部位点云进行近似处理，使得监测点（结构部件）的位置由数十至数百个扫描点共同计算得出，而非依赖单点测量。2018年Liberadzki等研制了一种基于结构光和多光谱分离支持的方法，用于在人体运动过程中实现高效准确的形状测量。通过结构光和多光谱分离的支持，以及单帧条纹投影和扩展相位展开方法的应用，该系统实现了多方向和并行的人体形状获取。2021年Landmann等人优化一种用于光滑、透明、吸收或半透明的物体的方法，使用红外相机立体记录方法和区域非周期性热模式投影检测，能够显著减少测量时间并显著提高测量质量，从而为可靠地测量透明物体提供了技术。2023年Braeuer-Burchardt等人开发了一个由两个单色测量摄像头、一个产生面积非周期正弦条纹图案的投影单元、两个手电筒、一个彩色摄像头、一个惯性测量单元（IMU）和一个电子控制箱组成，用于水下文化遗产的记录和测量。
国外的工业起步早，对线结构光的技术研究相较成熟，不少产品已在日常生活和制造业中使用。如图1-1所示为ArtecLeo三维扫描仪，该设备由卢森堡的Artec3D公司生产，3D点精度（高达），3D分辨率（高达），3D远距精度（高达），基于几何与纹理的数据处理算法，可以做到几何与纹理混合跟踪，自动背景移除。如图1-2所示为激光轮廓测量仪，该设备为日本的KEYENCE公司生产，使用三角反射法的激光位移计。采用线结构光投影技术，通过CMOS传感器捕捉目标表面反射的光强分布变化，可实现物体形貌的无接触式精密测量。基于条纹相位解析原理，系统可实时获取被测物的截面形态参数（如高度分布、曲率特征及轮廓尺寸），继而通过多帧轮廓数据的空间配准与三维点云重构算法，最终实现亚毫米级精度的全场景三维形貌复现。该方法突破了传统接触式测量的物理限制，为工业在线检测提供了高效可靠的解决方案。如图1-3所示为双目线结构光扫描仪，该设备为德国SICK公司生产的PINS Duo系列产品，景深 ，视场宽度 ，镜片为双远心透镜，带Scheimpflug调节功能，用于汽车与零部件、电子元件，平均速度 。
相较于国外，国内的结构光三维扫描技术起步较晚，但也在加快步伐。2021年刘昊等提出一种基于线结构光的偏移量检测方法，该方法设计带有深度信息的立体条码标识装置，根据Canny算法提取标识装置的位置信息，提出编码信息解译及中心点提取，得到了目标点间的偏移量数据，能较好地反应轨道面的不平顺状况。2022年刘祥等提出了一种线激光轮廓仪旋转扫描的测量方法，通过图像识别方法拟合线结构光的运动轨迹，进而计算轮廓仪和转台旋转中心的偏心误差，对测量数据进行三维合成和极坐标化处理，并对转台的跳动和偏心及线激光轮廓仪的倾斜误差进行补偿，实现三维形貌的在位精密测量。2023年徐尤南等针对管片拼装机工作过程中存在位姿误差和位姿检测智能化等问题，提出了一种基于线结构光双目测量系统的管片位姿测量方法，该方法减小了检测管片位姿时光照情况对检测结果的影响，但每组检测点中圆弧侧的两个检测点离管片右端点距离较远时，检测点的误差较大。2024年李阿蒙等提出了一种基于多目视觉线结构光的辊压件在线测量系统，该系统先通过多目标定原理并采用一个平面标靶来实现高精度全局标定，计算多测头测量坐标系空间位姿关系，然后采用二阶算法进行图像高精度的投影校正完成三维重建，实现辊压成形钢材生产线上运动工件表面轮廓及关键几何结构尺寸非接触下高精度快速在线测量。王志强等针对工业生产中异形工件尺寸在线测量的难题，将单目相机与线激光相结合，以突破传统测量技术在复杂几何形状、成本、避免表面损伤和测量精度方面的局限性。针对线结构光条纹中心提取的挑战，对传统的Steger算法改进提出双重调节优化算法，优化Steger算法中的二值化阈值参数和光条宽度参数，提高了在检测条纹中心时的准确性和鲁棒性。2025年史腾等提出了一种基于线结构光扫描的圆柱型筛框筛缝检测技术，采用直射式激光三角测量法采集筛框间隙轮廓信息，结合了中值滤波、双边滤波和自适应权重调整的图像预处理方法，利用基于大津法的灰度图阈值分割法提取光斑区域，最后利用Steger算法提取激光光条中心线。
目前，国内一些公司也在研制新型的结构光测量设备，如图1-4所示为海康威视的3D激光轮廓传感器，DP3000系列基于激光三角测量原理，通过硬件内置的高精度算法，实时输出高帧率、微米级精度的3D点云数据或深度数据。单轮廓点数3200Pixels，扫描帧率1.3K-19KHz，线性度 ，最高精度可达0.05像素。如图1-5所示为思看科技的SIMSCAN掌上3D扫描仪，轻巧便携，可随时随地获取精准的三维数据，不论是狭小空间，还是复杂环境，都可精准捕捉。它的景深 ，基准距 ，最高分辨率 ，广泛应用于航空航天、汽车制造、能源重工等领域。
1.2.2 激光条纹中心提取研究现状
如何精准、完整地提取投射到物体表面的线结构光是视觉测量的关键问题，而结构光的中心线提取是重中之重。中心线提取方法主要有：极值法、灰度重心法、曲线拟合法、Steger算法。
极值法是一种基于灰度分布的激光条纹中心提取方法，其通过检测图像中光条截面的灰度极大值位置来确定中心线。梅峻华和赖磊捷提出了一种融合极值法和灰度重心法的结构光光条中心提取算法，先对感兴趣的光条中心及其附近区域进行灰度增强，然后利用极值法找到各行列的极大值，对这些极值利用8邻域比较去噪算法，初步确定部分光条中心位置，接着利用灰度重心法计算部分光条中心位置，最后对于整条光条中心从全局角度进行多项式曲线拟合。程鑫等提出了一种基于光条分割的Hessian矩阵定位和高斯曲线拟合的算法，用极值法初步定位光条，结合Hessian矩阵对激光光的中心进行定位，最后利用高斯曲线准确拟合出激光光的中心，该算法的检测精度达到亚像素级，并且鲁棒性高。
灰度重心法是一种基于图像灰度分布的质心定位方法，通过计算图像区域内像素灰度值的加权平均值来确定目标物体的几何中心位置。卜民众等提出一种基于空间灰度重心推进的激光中心提取方法，该方法基于激光条纹空间灰度重心向前推进，结合八邻域判定法进行光条空间区域的选取，接着对选取的区域进行新的空间灰度重心坐标提取，采取 准则剔除异常中心点，最终获得激光中心坐标信息。孙彦超等提出一种法向邻域加权灰度重心的光条中心提取法，采用双边滤波进行图像预处理，骨架细化操作后利用法向邻域加权的灰度重心模型提取激光条纹亚像素中心，与Steger法相比，该方法运行时间减少了 ，实时性更好；与灰度重心法相比，该方法残差降低了 ，准确度更高，稳定性更佳。
曲线拟合法是一种基于数学建模的光条中心提取技术，其思想是通过建立光条纹灰度分布的数学模型，实现对中心线的亚像素级精确定位。吴庆华等提出了一种双频曲线拟合的亚像素中心提取方法，该方法先采用二次阈值法自动分割光条区域，利用灰度重心法获取光条纹中心初始位置，然后用移动直线拟合初始位置得到光条曲线的局部法线，最后在法线方向上进行双频曲线拟合，得到光条纹中心的亚像素坐标。张瑞峰和刘畅根据干涉条纹图灰度值分布规律，对干涉条纹R值图进行高斯低通滤波去除噪声，然后在滤波后的图像中选取法线方向的一列像素值，得出灰度分布曲线，最后截取邻近峰值的一段图像，对增、减两个区间进行分段曲线拟合，求得两段曲线拟合函数的交点即为干涉条纹中心。马梦华提出基于边缘提取和曲线拟合的轴承内部缺陷激光检测方法，根据滤波需求对滤波器尺寸进行选取，并根据图像的复杂程度，分别对其进行一维以及二维滤波处理，然后对导数符号二值分布图的中线上的像素点坐标进行提取，从而标记出原始衍射条纹图像的中心线。
基于Hessian矩阵的Steger算法，是由学者Steger先提出的光条中心提取算法。为了解决Steger算法运算量大、提取效率低的问题，王志永等提出了基于改进Steger算法流程的线激光中心提取方法，先通过滤波和形态学方法对图片进行预处理去除噪声，其次将灰度化图像进行阈值分割，降低图像复杂度，最后通过提取感兴趣区域、粗略估算光条宽度降低算法冗余度，再运用Steger算法对感兴趣区域内光条进行中心提取，改进后的Steger算法流程与传统Steger算法相比较，有效地提高了光条纹中心提取效率。邓仕超等采用波峰波谷阈值分割的方法对预处理过的图像进行阈值分割，通过设置最小矩形面积和最小长宽比查寻感兴趣区域，提取感兴趣区域以减少算法的冗余计算，最后对感兴趣区域用改进后的Steger算法进行中心提取，保留了传统Steger算法的精度和有效提高了Steger算法的运算速度。
1.2.3 点云配准研究现状
随着三维传感技术的持续迭代，点云数据已发展为三维空间信息表征的核心载体。点云配准作为多视角数据融合的关键环节，其技术内涵可划分为刚体与非刚体两种范式：前者限定于旋转变换矩阵 与平移向量 的刚体变换空间，后者则需考虑仿射变换或弹性形变等复杂空间映射关系。刚体配准通过求解最优刚体变换参数（旋转矩阵与平移向量），使源点云与目标点云在重叠区域实现最大程度的空间对齐。从技术流程维度，三维点云配准体系可解构为两大阶段：粗配准与精配准。
粗配准作为三维点云配准的初始阶段，旨在解决点云空间位姿完全未知条件下的初始变换估计问题。该技术通过特征匹配或全局搜索策略，快速求解源点云与目标点云间的近似刚体变换参数，在无先验位姿约束的场景下，为精配准阶段提供满足收敛条件的初始解。由于该阶段的算法设计需满足实时性约束，通常采用低复杂度特征描述子（如FPFH、SHOT）结合随机采样验证（RANSAC）机制实现，对配准精度仅需满足后续优化流程的收敛条件，而非直接达到最终测量精度要求。
叶锦华等针对随机采样一致性（RANSAC）算法对含有噪声的点云数据进行平面拟合时效果不佳和容易产生误识别的问题，通过基于密度的噪声应用空间聚类算法改变RANSAC算法初始点集合的选样策略，并使用主成分分析法（PCA）计算点云各点法向量，以点到平面距离以及点的法向量与平面法向量夹角两个约束条件同时作为RANSAC算法平面拟合模型内点判定的准则，拟合结果均接近理论值且内点距离标准差优于RANSAC算法。孙鹏针对海量地面三维激光扫描点云数据处理中，基于随机采样一致性算法的多目标提取方法无法顾及不同类别目标分离且效率低的问题，提出了一种基于改进RANSAC算法的点云结构化目标提取，通过设置单目标距离和几何属性判据，在八叉树节点内采用迭代思想提取点云中的多种类目标，其次依据提取结果的区域连通性对不同目标进行重组与分离，在点云结构化目标提取方面具有一定的高效性和鲁棒性。金泽会等提出一种通过KD-tree加快特征三角形匹配过程的配准方法，先使用单木位置构建特征三角形，并以几何约束条件剔除等腰、等边以及高度共线的三角形，利用KD-tree快速搜索源点云与目标点云之间的同名特征三角形，根据对应同名点计算转换参数，从而实现林地点云配准，配准效率与RMSE分别平均提升 、，且算法在含有一定比例单木位置漏检测与误检测时，RMSE均稳定在 ，具有可行性和有效性。王嘉瑞等提出一种基于特征板的制孔多视点云拼接方法，实现孔壁完整三维形貌重建与检测，结合机械臂搭建实验平台，对常用钛、铝及复合材料的试件模拟原位检测，结果显示各平均误差分别为 、、，验证了配准算法的可靠性，并对比传统单视与该方法检测结果，体现该方法的鲁棒性。
目前国内外最常用的精确拼接方法为由Besl等提出的迭代最近点算法，配准结果精确度较高，对于两片点云的初始位置要求较为严格，否则容易陷入局部收敛且会影响配准速度。黄际玮和陆安江提出一种基于特征点与改进ICP的点云配准方法。新方法对原始点云进行体素栅格滤波，利用ISS算法分别提取源点云与目标点云的特征点，使用快速点特征直方图（FPFH）进行描述，并结合采样一致性算法（SAC-IA）求出初始变换，最终在粗配准基础上引入法向量约束改进ICP算法，完成点云精配准。改进算法可为精配准提供较为理想的初始位置，有效提高了配准的精度与速度。孙瑞等提出一种基于改进SAC-IA和ICP的快速高效点云配准算法。通过对待配准点云进行特征超体分割，对分割后的点云进行特征点提取，并进一步采用RANSAC方法去除错误匹配特征点，优化粗配准，最后采用双向KD-tree搜索优化ICP算法完成精配准。与经典SAC-IA和经典ICP算法相比，提出的算法可有效减少经典算法配准时间的 ，使最终的配准误差降低了 量级。
1.3 论文研究内容和章节安排
本文研究工作聚焦于激光条纹中心高精度提取算法和点云配准技术两大核心问题，构建了一套可移动式线结构光三维扫描重建系统，并对系统测量误差进行了定量化评估与成因分析。本文主要结构安排如下：
第一章，研究背景及意义。系统阐述了线结构光三维测量技术的演进脉络及其在精密工程领域的应用价值，聚焦于光条特征提取与点云空间对齐两大核心问题。通过对比分析国内外技术体系的发展路径，从亚像素级光条定位方法、多源点云配准策略展开研究现状综述。
第二章，相机成像基础。首先系统阐述了相机成像的数学模型，建立了多坐标系转换关系并深入分析了视觉测量原理，重点探讨了相机标定的关键技术。在此基础上，详细介绍了极线校正算法、移动平台标定方法以及三维点云重建技术。通过理论推导，构建三维重建数学模型，并对系统核心组件进行了详细介绍。
第三章，激光条纹中心提取。主要分析了光条特点及影响光条中心提取精度的主要因素、图像预处理方法和激光条纹中心提取算法。为解决传统Steger算法提取速度慢的问题，提出了一种基于边界搜索改进Steger中心提取算法，并进行了实验验证与对比。
第四章，点云配准拼接。研究了点云拼接原理、点云数据预处理的方法，粗配准和精配准算法。对传统的ICP算法对点云初始位置要求较高，若两者差异过大，配准过程易陷入局部最优的问题进行改进，通过斯坦福兔子数据集进行实验验证与分析。
第五章，线结构光三维重建实验。围绕三维重建系统的标定、精度验证，确保测量数据的准确性。通过标准阶梯块和陶瓷球进行误差分析，验证了系统的测量稳定性与可靠性。最后以石膏物体为实验对象，进一步验证了系统在复杂曲面测量中的适用性。
第六章，总结与展望。对线结构光三维重建系统的研究工作进行了全面总结，并分析了当前系统存在的技术瓶颈，同时对该领域的未来发展方向进行了展望。
第二章 相机成像基础
成像的过程和人眼相似，其中镜头等同于晶状体，传感器等同于视网膜，相机通过镜头将场景中的光线聚焦到传感器，形成图像。相机标定是实现高精度测量的关键程序之一，相机内外参数信息会直接影响后面三维坐标求取结果的准确性。本章主要对相机标定、极线校正、三维重建原理以及硬件选择进行分析研究。
2.1 相机标定
在线结构光三维重建中，需要确定工业相机的参数信息，即求工业相机的内外参数与畸变系数，这一过程被称为相机标定，内参是相机的固有属性，不会随着环境而变化，有镜头焦距、像元尺寸和畸变系数，外参是相机与外界间的关系，如工业相机与工业相机之间的位姿关系（旋转与平移关系）。
2.1.1 相机成像模型
针孔相机模型是最简化的相机模型（图2-1），其核心思想是光线通过一个无限小的孔（针孔）投射到图像平面上，形成倒立的二维图像。
空间中的某点 ，投影点 ，两点连线通过光心，三点共线。光在均匀介质中直线传播，最后成像是倒立的。焦距 是光心到成像平面的距离。
2.1.2 坐标系的建立及转换
相机成像实际是从二维图像中获取物体的三维信息，也就是世界坐标到图像像素坐标之间的转换，如图2-2所示。实物转换成图像需要经过坐标系的转换，将三维世界物体的某一点映射成像素坐标系的某一个像素点，转换关系见式(2-1)。
其中，：像素坐标系，：图像坐标系，：相机坐标系，：世界坐标系。
式中， 和 为比例因子， 表示 旋转矩阵， 表示 的平移向量， 为相机内参， 为相机外参。
2.1.3 相机畸变
透镜制造误差、透镜和成像平面不完全平行对成像过程中光线传播会产生新的影响。针孔成像是理想的情况，但在实际中相机会存在非线性畸变。相机的畸变主要有径向畸变和切向畸变。畸变引入会导致图像点发生位置偏差，故需要借助畸变模型来保证相机标定的精度。
（1）径向畸变
径向畸变通常是由于镜头的光学特性引起的，它主要影响图像边缘区域的直线，使其看起来弯曲。特别是当光线通过镜头边缘时，由于折射率的变化导致成像点偏离理想位置。径向畸变可以分为桶形畸变和枕形畸变两种（图2-3）。
针对径向畸变校正，将畸变后的点视为原先点在 处的泰勒展开：
式中，，， ...为径向畸变系数，。
（2）切向畸变
切向畸变主要是由于相机镜头相对于成像平面的倾斜或非平行引起的畸变类型。切向畸变引发的几何失真主要表现为非轴向倾斜区域的线性特征偏离理想空间映射关系，导致成像系统的几何保真度与视觉感知一致性显著降低。此类畸变会使得场景中的直线特征在镜头切平面内呈现非线性弯曲形变，进而对基于边缘检测的尺寸测量精度及图像语义解析的可靠性造成系统性偏差。切向畸变可用式(2-3)描述：
式中， 和 是切向畸变系数。
结合径向畸变和切向畸变，非线性畸变矫正的表达式为：
式中， 和 为联合矫正的坐标， 是理想坐标。
2.1.4 双视角视觉测量模型
双目视觉根据摆放的左右相机的光轴位置可分为平行式和非平行式。
1 平行式
平行双目视觉系统的核心结构特征体现为双光轴严格平行配置与成像平面共面性约束，并确保各像素行在水平维度保持几何对齐，见图2-4。
设 和 分别为空间点 在左右相机中的投影，即在图像坐标系中的 和 ，视差 。两个相机的投影中心的连线的距离为 ，也叫做基线。空间点 在成像平面中的投影点在 轴和 轴上是一样的，只在 轴上水平平移了一个距离， 点与其在左右成像点构成一个三角形，由相似三角关系可以得到空间点的三维坐标：
（2）非平行式
实际应用中的平行模型往往无法达到光轴完全平行及平面共面的状态，所以非平行式（图2-5）更贴近实际使用情况。
设空间点 在图像坐标系为 ，，在相机坐标系的点为 、，、 分别是左右相机的焦距。根据相机坐标的变换关系有：
（此处原文为 OCR 乱码，无法识别）
取相机的内部参数和相机间的相对位置是关键步骤。
（1）单相机标定
张正友标定法该方法具有较高的精度、简便的操作和易于获取的靶标等优点，因此在摄像机标定领域得到了广泛应用。假定棋盘格的所在平面为 ，空间的任一点的世界坐标为 ，与其对应的像素坐标为 ，世界坐标和像素坐标对应的齐次坐标分别为 和 。根据相机模型得到如下关系：
式中， 表示缩放因子， 表示相机内参矩阵， 表示旋转矩阵， 表示平移向量。令单应性矩阵为
将上式展开则有如下关系：
又因为 和 是正交单位阵 的列向量，满足 ，。 为缩放因子，对于单应性求解不会改变齐次坐标的值，将公式改写为：
由上式可得：
令 ，代入 可得：
是一个对称矩阵，将 表示成列向量的形式 于是有
再联系单应性矩阵 和内参矩阵 ，元素之间满足两个线性方程约束，有
若有 张含棋盘格标定板图像，得到至少 个方程，可以解出唯一的向量 ，进而可以求出相机内参。
解出内参，再利用单应性矩阵 解出外参。
上述结果均基于理想化假设条件推演，未考虑噪声及外界干扰因素的综合影响。然而实际应用环境中必然存在各类噪声干扰，为此，在工程实践中常采用极大似然估计法对系统参数进行迭代优化，从而有效提升标定结果的鲁棒性和准确性。假设采集了 张棋盘格标定板图像，每张图像中包含了 个特征点，建立优化函数为：
式中， 为投影点图像像素坐标， 为计算得到的投影点图像像素坐标。
左右相机标定
在双视角测量模型中，除需完成各独立相机的内参标定（如焦距、畸变系数等）外，还需通过外参标定建立相机间的空间位姿关联。该过程需解算两相机坐标系间的刚体变换参数，具体包括旋转矩阵 （表征方向关系）和平移向量 （描述位置偏移），从而实现多视角数据的空间统一与联合解析。设点 为世界坐标系中的任意三维空间点，其在左、右相机坐标系中的坐标分别记为 与 。若以左相机坐标系为参考基准，右相机坐标系相对于左相机坐标系的变换由旋转矩阵 和平移向量 描述。同时，点 在世界坐标系中的位姿可通过以下两组变换关系表达：
式中，、 表示点 相对于左相机的旋转矩阵和平移向量，、 表示点 相对于右相机的旋转矩阵和平移向量。可得左右相机的坐标转换关系为：
其中：
§2.2 极线校正
相机机械结构的安装误差会导致两镜头光轴无法完全平行，极线校正技术通过图像重映射手段实现几何误差补偿，实现了硬件缺陷的数字化补偿。这一过程将立体匹配简化为一维搜索问题，显著提升了匹配效率和精度。校正可以简化复杂的匹配问题，在平行极线搜索匹配点提高视差值的计算效率。极线校正原理图见图2-6。
假定 为一个三维空间点，成像平面上的投影点分别是 和 ，以及 和 ，其中 和 是各自相机的光心。基线 是指两个相机光心之间的连线。右相机的光心 在左相机成像平面上的投影点 被称为左极点，同样地，左相机的光心 在右相机成像平面上的投影点 被称为右极点。连接点 、、 的平面称为极平面， 与 的连线定义为左极线 ， 与 的连线定义为右极线 。
Bouguet算法的主要目标是通过优化双目标定获得的内外参数，实现两幅图像的极线校正，并尽可能扩大双目系统的共有视场范围。具体实现过程中，算法利用标定得到的相机参数对图像进行几何变换，使校正后的图像满足极线约束条件。
（1）将旋转矩阵 在两个摄像机之间平分。具体来说，将右侧摄像机的图像平面旋转到左侧摄像机的旋转平面的旋转矩阵 分解为两个半旋转矩阵 和 ，使得每个摄像机只旋转一半。
（2）旋转后，摄像机设置为共面对准而非行对准。因此，构造一个矩阵 ，将左摄像机极点变换到无穷远处并使极线水平对准。矩阵 可以表示为：
（3）向量 由平移矩阵 获得：
（4）向量 和向量 正交，可通过 与主光线方向的乘积表示：
（5）向量 由向量 与向量 的向量积获得到：
（6）变换矩阵 分别与分解旋转矩阵 和 相乘，得到校正的左右旋转矩阵，从而实现行对准。
2.3 线结构光三维重建原理
在实际应用中，待测物体的尺寸往往大于激光条纹的宽度，因此需要配合辅助装置使线结构光能够扫描待测物体表面，同时工业相机采集图像。本节主要阐述移动平台标定和多帧图像三维重建。
2.3.1 移动平台标定
激光和相机通常被固定，待测物体随平台一起移动。测量过程中，被测物体与传感器之间的相对位姿发生变化。由于平台的运动，激光扫描仪在每一帧采集的数据都是基于其局部坐标系的。这种相对运动会引入额外的平移和旋转，这些运动必须被精确测量和补偿，以确保数据的准确性。为了实现数据的准确对齐，需要将不同帧的数据从局部坐标系转换到统一的全局坐标系中。如果没有进行适当的标定，这些数据将无法正确对齐，从而导致三维重建结果出现错位或失真。通过系统的标定过程，可以识别并补偿这些误差，进而提高扫描数据的重建精度。对激光扫描仪与移动平台之间的相对运动进行精确测量和补偿是在线激光扫描系统中一个至关重要的步骤。这不仅涉及到数据对齐的准确性，也直接关系到最终重建结果的质量。因此，对运动误差的标定和补偿是提高在线激光扫描系统性能的关键技术之一。
将标定板放在移动平台上，连续采集移动中的图像，计算移动平台在两个不同时间点之间的位移（即“步长”）。已知的三维空间点及其在二维图像中的投影位置，可以估计相机的姿态信息。利用3D点和2D投影点的对应关系，采用特定的优化算法（如PnP方法），可以得到相机在世界坐标系中的旋转矩阵和平移向量，并进一步将旋转矩阵转换为旋转向量，从而全面描述相机的空间位置和朝向。通过Rodrigues将旋转向量转换为旋转矩阵，这样就可以使用旋转矩阵来变换三维点。然后，通过计算这两个位置的差值来估计移动平台的位移。
式中， 是旋转向量， 是旋转角度， 是单位矩阵。逆变换通过式(2-32)完成。
2.3.2 多帧图像三维重建
用激光线提供辅助特征（见图2-7），降低匹配难度，增强鲁棒性。左右相机已经行立体矫正后，激光线在图像中已经是行相等，此时只需要逐行去匹配左右图像中提取到的光条中心就可以完成匹配。通过激光线扫描完整的被测物体，加以移动平台计算出的步长获取整个物体的光条数据。
2.4 硬件选择
线结构光三维测量系统的精度在很大程度上取决于硬件性能，因此合理选型至关重要。基于第一章阐述的测量原理，本研究构建了如图2-8所示的实验平台，其核心硬件包括MCU、工业级相机与配套镜头、线激光发射器、步进电机驱动模块、单片机控制板以及一维精密移动平台。
（1）工业级相机
作为线结构光三维测量系统的核心感知部件，工业相机的选型对测量效果具有决定性影响。实验中选择相机时，主要从传感器类型、性价比及曝光时间等关键因素进行考量。本研究选用维视公司生产的MV-HS510GC型工业相机（如图2-9所示，具体参数详见表2-1）。
表2-1 MV-HS510GC相机的参数信息
（2）镜头
选用维视BT-23C0814MP5型镜头（如图2-10，具体参数见表2-2）。该镜头具备大通光孔径、低畸变率和高性能等特点，能够与MV-HS510GC工业相机实现良好匹配，满足实验测量需求。
表2-2 维视镜头参数信息
（3）激光器
线激光器的性能直接影响物体表面激光条纹的质量，进而决定条纹中心提取的精度。基于功率、波长和均匀性等关键参数的综合分析，选用功率 、中心波长 的红色一字线激光器（如图2-11所示）。
4）电机控制板
为实现移动平台的精确控制，采用17HS4401系列步进电机与丝杆滑台的组合方案，STM32F103C8T6作为核心控制芯片，最终的电机控制板如图2-13所示。
（5）驱动器
在步进电机驱动器的选型过程中，本研究重点考察了额定电流与细分精度等关键参数，最终确定采用DM542系列驱动器（如图2-14所示）。
选择完备适的硬件，实验平台的搭建如图2-15所示。
§2.5 本章小结
本章系统性地介绍了相机成像的基础理论与关键技术，主要包括以下内容：首先探讨了相机标定的关键组成部分，涵盖了相机成像的数学模型、不同坐标系间的定义与变换关系、镜头畸变的补偿方法、基于双视角的立体视觉测量框架，以及标定过程中所依据的理论基础和实现机制，为三维重建奠定了精确的视觉测量基础。其次，探讨了极线校正技术，有效提升了立体匹配的精度。在线结构光三维重建部分，重点分析了移动平台标定和多帧图像三维重建方法，确保动态扫描的稳定性和数据完整性。此外，还对系统硬件选择进行了说明，为实际应用提供了参考依据。
第三章 激光条纹中心提取
本章围绕激光条纹中心提取这一核心问题展开研究，首先系统分析了影响光条中心提取精度的主要因素，包括噪声干扰、光强分布不均等关键问题，并探讨了图像预处理中常用的滤波方法及其效果。在此基础上，深入研究了灰度重心法、极值法和Steger算法等经典激光条纹中心提取算法的原理与特点，重点针对传统Steger算法在复杂环境下提取速度不高的问题，提出了一种改进方案。该方案通过引入摩尔边界搜索等策略，有效提升了算法提取速度。最后，通过对比实验验证了改进算法的有效性。
3.1 光条特点及影响光条中心提取的因素
当激光线投射到物体表面时，相机捕捉到的光条在图像中的灰度值分布通常呈现出一个峰值，并向两侧逐渐衰减，即这种灰度分布的形状与高斯函数（正态分布）非常相似，即中心强度最高，向两侧对称衰减。当线激光以合适的强度和高度照射到目标物体表面时，物体上会出现连续或间断的亮线，如图3-1所示。这些亮线在成像系统中通常会集中分布在某个特定方向上，可能表现为单侧或双侧的分布形式。光条的形态会随被扫描物体的外形和高度变化而改变，即便在非连续状态下，各光条之间也能保持互不重叠的特性。
线结构光三维测量系统主要由激光发射装置、图像采集设备和数据处理单元三部分构成（如图3-2所示）。该系统工作原理为：激光源产生线性光束照射至被测物体表面形成特征光带，经标定获得摄像机空间坐标与成像平面转换关系后，图像传感器获取变形光条的数字图像，通过解析图像中光带中心线的像素坐标，即可重构物体表面的三维形貌信息，最终实现非接触式三维轮廓测量。
线结构光凭借其优异的测量精度和环境适应性，已成为视觉检测技术中的重要手段。激光线结构光在工业测量中表现尤为突出，其光强分布特性使其具有独特的优势。理论上，激光光带在横截面上的光强呈现典型的高斯分布特征，这一特性为光带中心定位提供了理论基础。通过分析光带截面的灰度分布曲线，可以准确识别峰值位置，从而实现光带中心线的精确定位。但在实际工程应用中，由于多物理场耦合作用，光带辐射强度会发生非线性畸变，导致中心定位精度下降。影响光带质量的关键因素可归纳为三类：（1）光源特性方面，激光器固有发散角导致光斑厚度非均匀性、输出功率波动以及环境杂散光（如太阳辐射、二次散射效应）引发的光场干扰；（2）系统噪声层面，包括环境电磁干扰、图像传感器暗电流噪声、模数转换量化误差等随机复合噪声，这些干扰信号具有时空不可重复特性；（3）被测物表面属性差异，其反射率受材料光学特性（色度、表面粗糙度、微观结构）影响呈现空间非均匀性，尤其在曲面突变区域会出现光带断裂、弥散等现象，此时光斑能量分布显著偏离理论模型不再满足标准高斯分布。在对光条中心进行精确提取之前，必须对获取的图像执行一系列预处理操作。
3.2 图像预处理
在线结构光三维测量中，为实现高信噪比光带图像的有效获取，需实施图像预处理流程以抑制环境噪声及多源干扰的影响。该处理过程通过空域滤波算法（如各向异性扩散）消除随机噪声干扰，结合自适应阈值分割技术增强光带边缘对比度，同时运用形态学运算修复因表面散射导致的光条断裂现象。预处理技术的核心在于建立符合中心提取算法要求的理想光斑模型，通过消除CCD暗电流噪声、环境杂散光干扰等非理想因素，确保后续三维重建的几何精度满足亚像素级测量需求。常见的图像滤波有以下几种：高斯滤波、均值滤波、双边滤波和中值滤波。
高斯滤波
高斯滤波是一种线性平滑滤波技术，主要用于消除高斯噪声并平滑图像。其核心在于依据高斯函数的权值分布特性，对图像像素进行加权平均运算，从而在降噪的同时保留更多有用信息。二维高斯函数公式：
式中， 为方差，、 分别是高斯分布沿 轴、 轴的均值。 决定模板的权重值，以 ，，模板大小为 为例，二维高斯滤波函数曲线图如图3-3(a)所示，模板示意图如图3-3(b)所示。高斯函数线性操作满足叠加原理，计算高效；各向同性保证各方向平滑程度一致，避免方向性偏差。高斯核与图像逐点相乘并求和，逐个像素处理。高斯滤波有效抑制噪声，但对椒盐噪声效果较差， 较大时会导致边缘模糊。
（2）均值滤波
均值滤波也是一种线性平滑滤波技术，其核心思想是通过邻域像素的平均值替代中心像素值，从而减少局部像素的突变。函数表达式如式(3-2)所示：
以 的模板为例，在图像处理过程中，通过连续移动滤波器模板来覆盖并处理每一个像素（如图3-4所示）。均值滤波方法简单，其效果显著依赖于所选用的模板尺寸。该技术通过均匀化像素的灰度值来实现平滑效果，邻域内所有像素对中心像素的贡献相同，无论距离远近。因此，对于噪声干扰较为显著的图像，这种方法可能不是最佳选择。
（3）双边滤波
双边滤波是一种非线性滤波，在高斯滤波框架基础上引入双重权重机制，采用加权平均的方法，使用边缘像素亮度值的加权平均代表某个像素强度，从而抑制图像噪声。由像素位置欧式距离决定的模板权值为 ，由像素值的差值决定的模板权值为 ，、 分别为空间域上的高斯核函数的标准差和像素值域上的高斯核函数的标准差，两个模板权值公式为：
式中， 表示模板窗口的其他系数坐标， 表示图像在点 的像素值， 表示模板窗口的中心坐标点， 表示 对应的像素值。两个模板相乘得到双边滤波的权重函数：
双边滤波的公式可表示为：
双边滤波的实现依赖于两个关键的权重因素：空间权重和强度权重。空间权重依据高斯函数来衡量像素间的空间接近程度；而值域权重则评估像素亮度的差异。这种滤波技术实际上是两个二维高斯滤波器的叠加：一个作用于空间域，另一个作用于值域。在图像的平坦区域，空间权重占主导地位，有助于平滑处理；而在边缘区域，值域权重则更为重要，有助于保留边缘细节。双边滤波器在图像处理中虽然能够实现优异的平滑效果，但仍存在两方面局限性：首先，其核心算法中的值域核函数对噪声较为敏感，容易影响权值系数的稳定性；其次，由于需要同时计算空间域和像素值域的权重参数，导致该算法具有较高的计算复杂度。
4）中值滤波
中值滤波是一种非线性图像降噪方法，其核心原理是通过滑动窗口遍历图像，将窗口内像素的灰度值排序后取中位数代替中心像素值。相较于均值滤波等线性方法，仅需确定窗口尺寸，无需调节复杂参数，不进行加权平均运算，能有效消除离群噪声点，避免线性滤波导致的边缘模糊现象。但是排序算法时间复杂度为 ，大窗口效率下降，窗口过大会导致纹理细节模糊化，对服从正态分布的连续噪声抑制效果弱于均值滤波。
对于一个 的窗口，其中值滤波的结果就是窗口内9个数据排序，取中间的那个作为输出，如图3-5所示。
3.3 激光条纹中心提取算法研究
光条中心定位作为三维重建和工业检测中的关键技术环节，其精度直接影响后续测量结果的可靠性。在工程实践中，光条横截面灰度分布常因以下干扰因素呈现非理想形态：①材料表面反射特性差异导致光强分布畸变；②激光光源散斑效应引起的噪声干扰；③环境光扰动造成的对比度下降。这些非线性干扰使得实现亚像素级精度的中心定位成为提升三维测量精度的关键技术瓶颈。当前主流解决方案可分为两大技术路线：传统的光条中心线提取算法与基于深度学习的中心线提取算法，本文将对其技术原理及发展现状进行对比分析。
3.3.1 传统的光条中心线提取算法
（1）灰度重心法
灰度重心法的原理是沿着图像行（列）坐标方向取光条在横截面上的光强权重质心坐标作为该行或该列的光条中心点。某一横截面上的灰度分布如图3-6所示。
对于给定的图像 ，若沿行方向进行中心点提取，第 行非0灰度值分布范围为 ，则该行的灰度重心坐标 可通过以下方式计算得出：
式中， 表示第 行第 列像素点的灰度值。灰度质心法处理速度较快，当光条形状接近水平或垂直时，该方法的提取精度较高，能够实现亚像素级的中心点提取精度，但这种方法也有其局限性。当处理具有复杂形态（如倾斜或弯曲）的光条纹图像时，传统的灰度质心法在定位精度方面存在明显局限性。
（2）基于Hessian矩阵的Steger算法
Steger算法该算法通过逐像素计算图像的海森矩阵，利用矩阵特征向量确定光条纹的局部法线方向。沿法线方向进行二阶泰勒展开，最终通过求解极值点实现光条中心的高精度定位。Hessian矩阵可表示为：
式中， 表示二维高斯函数， 表示光条图像，， 和 分别表示 和 卷积后的偏导。
在Hessian矩阵的特征值中，具有最大绝对值的特征值对应的特征向量代表了光条在点 处的法线向量。假设在点 ，Hessian矩阵的最大绝对值特征值对应的特征向量是 。在点 处沿法线方向将灰度函数进行二阶泰勒展开则有：
式中，、 表示图像 与对应的二维高斯函数卷积的结果，计算如下：
当光条法向方向上的泰勒展开式的一阶导数为0，即 ，则有：
如果 ，则点 可以确定为光条中心点。Steger算法可实现亚像素级的高精度提取，同时具备一定的鲁棒性。该方法的局限性在于，其对图像中每个像素点需进行五次二维高斯核卷积运算，导致计算量相当大。因此不太适合对实时性要求较高的应用场景。
3.3.2 基于深度学习的中心线提取算法
深度学习展现出卓越的学习效能，能够有效应对传统方法在复杂环境中因噪声干扰而遇到的挑战，具备较强的适应能力。基于深度学习的目标提取方法因其强大的特征表征能力，已被广泛应用于计算机视觉、遥感监测、医学影像等多个领域，用于高效准确地提取各类物体的特征目标。李玥华等将光条区域划分为多个光条横截面，并通过灰度质心法对每个光条横截面的区域进行初步估算；然后将这些区域的像素值输入一个经过训练的三层反向传播神经网络（BPNN），以获得亚像素级别的中心坐标。与Steger算法相比，这种方法不仅在精度上有所提升，而且在处理速度上也实现了显著的改进。郭雁蓉等利用广泛使用的卷积神经网络（CNN）来实现光条中心的提取，提出了一种两阶段的编码-解码CNN结构：第一阶段的网络专注于光条的目标检测，而第二阶段的网络则专注于中心线的精确提取，能够有效地处理中心线提取过程中可能出现的断裂问题，并且在速度上相较于灰度质心法和Hessian矩阵法展现出显著的优势。崔奥宇等提出了一种基于全卷积神经网络（FCN）的CAG中心线提取方法，先利用基于Hessian矩阵的Frang滤波器去除大部分伪血管噪声，获得血管截面中心亚像素点；然后将初步提取的中心线作为数据集作为测试结果的评价标准；采用FCN模型分割数据集，将低层特征信息融合高层信息，对融合后的特征图进行反卷积操作，具有较高的精度，可有效提取中心线。
3.4 改进的算法与实验分析
Steger算法通过海森矩阵的二阶微分特性，结合特征向量方向估计，能实现亚像素级高精度定位，而且能够有效处理倾斜、弯曲及分叉光条，抗噪能力优化。但是，运算量大，提取速度上有所不足。针对上述问题本文提出了一种改进算法（改进算法流程如图3-7所示）：首先对采集到的图像进行滤波处理消除噪声，然后用最大类间方差原理得到一个理想的最佳阈值对图像进行分割，在二值图上用边界轮廓跟踪得到确定光条的感兴趣区域（ROI），以及粗略的光条中心和线宽，最后在Hessian矩阵的基础上得到最终的亚像素中心。
3.4.1 图像预处理及阈值分割
本文先对图3-1进行灰度化，采用高斯滤波对图像进行加权预处理，之后对图像分割将图像内的对象与周围背景区分开来，确保对象区域的像素表现出统一的特征，并与背景区域形成鲜明对比。这一过程在众多应用领域中至关重要，包括物体识别、行为跟踪、图像修饰以及医学影像诊断等。实现图像分割的技术多种多样，涵盖了阈值分割、边缘识别、区域增长以及图割等方法。Otsu算法基于类间方差最大化原理，通过分析图像灰度直方图，能够自适应确定最优分割阈值。利用Otsu算法确定各行的最优分割阈值（见图3-8），从而构建出每行的阈值集合G。
基于最大类间方差原理计算集合 得到最佳阈值 。为减少对无光条区域的误分割，同时保留光强较弱的光条细节，最佳阈值可以适当小于 。利用最佳阈值对图像进行分割，分割后的效果如图3-9所示。
3.4.2 感兴趣区域检索
（1）边缘跟踪
对于数字图像中的某一像素点 ，其定义的摩尔邻域是指与该像素存在直接边邻接或顶点对角连接的所有邻近像素集合（图3-10）。该概念在基础四方向邻域（垂直方向的上下像素、水平方向的左右像素）基础上，进一步包含四个对角线方向（左上、左下、右上、右下）的像素单元，从而构成包含八个方位像素的邻接体系。这种全向邻接关系在图像处理领域也常被称为扩展邻域或八向邻域系统，用以区分仅包含正交方向相邻像素的四邻域结构。
摩尔邻域跟踪算法的核心理念是：在一幅由黑色像素构成的数字图案中，背景为白色像素的网格；首先需要确定一个黑色像素作为起始点。找到起始像素的方法有多种：可以从网格的左上角出发，图像进行逐列逐行扫描，按照从上至下、从左到右的顺序遍历，直至检测到第一个黑色像素点为止，这个像素就作为起始像素。下面是对摩尔边界跟踪规则的详细解释：
初始化起始点：选择图像中标记为1（通常表示前景或目标区域）的最左上角的点作为起始点，记为 。找到 的西邻居（即左边的点），记为 。由于 是最左上角的点， 必然是背景点（通常标记为0）。从 开始，按顺时针方向检查 的8个邻居点。存储 的位置，以便在步骤5中使用。
初始化变量： 将设置为 ，将 设置为 。
寻找下一个边界点：从 开始，按顺时针方向检查 的8个邻居点，记为 、、……、。找到第一个标记为1的邻居点，记为 。
更新变量，将 更新为 ，将 更新为 。
重复步骤3和4，直到 再次等于 。当算法停止时，找到的 点序列就是有序的边界点集合。（摩尔边界跟踪算法前几步见图3-11）
（2）光条区域检索
图3-12为光条的搜索示意图，其中灰色区域代表激光光条区域（区域外缘即为轮廓边界），箭头方向表示搜索路径。先从图像左上角开始从上到下，从左到右遍历，每次找到一个区域第一个不为0的点时开始进行边界跟踪。
光条纹在采集的图像中占比较小，且线激光两端区域为无效区域，为降低计算量并排除干扰，采用感兴趣区域来定位光条纹区域。基于光条的特性，在对二值图像进行搜索时，可以改进搜索策略，跳过不含光条的区域，从而提高效率。边界跟踪会获取每一个轮廓得到像素坐标，最终得到一个点集，具体步骤为：
先对图像进行灰度化，滤波，选择合适的阈值分割图像。
由图像的左上角开始搜索，先自上而下，后自左而右地进行搜索。
当搜索到非0像素值的坐标点时，开始进行顺时针跟踪搜索。如果8个邻域皆为0像素，则判定为噪点且不保存坐标。从噪点继续自上而下，后自左而右地进行搜索，直到找到像素值非0像素的点。如果找到返回步骤3的起始步骤进行判别，如果没有发现满足条件的像素，则继续搜索到结束。
对非0像素点进行8邻域搜索，如果存在任一非0像素则记为起始点，并保存坐标信息。
从起始点进行边界跟踪（边界跟踪规则同摩尔边界跟踪），对搜索到的边界点保存坐标信息，同时记录并更新当前的最大列数 ，直到边界搜索结束。
未达到最后一列时，从 列开始步骤2，继续寻找新的轮廓边界。
3.4.3 提取中心线
采集的图像光条如果大致呈垂直分布，所以采用一种行向查询（列查询同理）轮廓点集方法来识别每行的光条最左和最右的像素点列坐标，计算其平均值作为粗略的中心列坐标、左右轮廓线的列坐标差值作为宽度（计算所有光条宽度的取均值作为所求光条宽度），见图3-13。
高斯函数的标准差 是影响提取精度的关键参数。 值过大会导致光条纹图像过度平滑，丢失细节信息； 值过小则可能无法充分提取图像信息。所以 的选择可根据光条纹的宽度进行调整，设置高斯卷积核为 ，其中 是轮廓所求得到的平均光条宽度。
利用初步获取的粗略中心点及其周边像素信息，构建Hessian矩阵并求解其最大特征值及对应特征向量。随后，沿法线方向实施二阶泰勒展开，最终实现光条纹中心位置的亚像素级精确定位。
Steger算法提取光条中心需要用到二维高斯函数卷积，可以利用二维高斯函数的可分解特性，即图像与二维高斯函数进行卷积操作等同于先分别与两个一维高斯函数进行卷积，可以优化算法的性能。
3.4.4 本文改进光条中心提取算法的评价
实验中，选用功率 ，中心波长 的红色激光；图像分辨率为 ；软件环境为WIN11，Visual Studio 2022在X64、DeBug模式下用OpenCV4.8进行编程提取光条中心。对图3-1光条进行中心线提取，并将提取结果以红线的形式标注在原图像中。分别用灰度重心法、Steger算法和本文改进算法进行光条中心提取，效果如图3-14所示，并从提取速度和准确性进行对比。
（1）中心提取速度分析
分别采用灰度重心法、传统Steger算法以及本文改进的Steger算法进行光条纹中心提取，并统计每种算法的耗时。表3-1展示了三种算法在相同实验环境下的提取时间对比（运行10次取均值）。实验结果表明，在相同条件下，灰度重心法的提取速度最快，本文算法比传统Steger算法速度提升 ，而传统Steger算法由于计算复杂度较高，耗时最长。
表3-1 中心提取时间
（2）中心提取准确性对比
应用场景中，由于环境干扰因素多样且光条形态复杂多变，导致其中心位置难以精确测定。此外，在仿真建模过程中，对倾斜或弯曲光条横截面理想高斯光强分布的模拟也面临显著挑战。在未知真实偏差未知时，用残差 或 代替真实偏差，均方差计算公式表示为：
由表3-2数据可知，本文算法在X坐标轴上的RMSE比传统Steger算法低0.183，在Y坐标轴上的RMSE略逊色于传统Steger算法。但本文算法的边缘效果比传统Steger算法好，在X、Y坐标轴上的RMSE表现均优于灰度重心法。
表3-2 三种算法提取的光条中心误差值
实验结果表明，相较于传统重心法，本算法在精度方面较好，尤其在处理弯曲光条时表现突出。同时，其运行效率较Steger算法具有明显优势，在测量精度与计算速度两个维度均展现出较好的综合性能。
3.5 本章小结
本章深入剖析了光条图像处理的核心技术体系，对传统结构光光条中心提取方法的特点及其应用场景进行了系统性比较与评估。本文提出了一种融合摩尔边界思想的改进Steger光条中心提取算法，将摩尔边界跟踪原理引入到传统Steger算法中，通过摩尔边界思想实现ROI区域的智能识别，快速得出粗略中心及其邻域。这一改进显著减少了图像中非激光光条区域的无效搜索范围，从而大幅提升了光条中心提取的运算效率。实验表明，该方法在兼顾效率与精度的同时，较传统灰度重心法和Steger算法展现出更优的提取性能。
第四章 点云配准拼接
点云配准作为三维重建中的关键环节，其核心目标是通过空间变换实现多视角点云数据的精确对齐与融合。本章将系统阐述点云配准的完整技术流程，主要包括：（1）拼接原理；（2）点云预处理；（3）配准算法研究。为解决ICP算法对点云初始位置要求较高，若两者差异过大，配准过程易陷入局部最优的问题，本文提出了一种改进的ICP算法，最后通过实验分析验证可行性。
4.1 点云拼接原理
通过相邻点云的匹配，得出变换矩阵（见图4-1），点云的拼接步骤如下：（1）通过计算相邻局部点云之间的空间变换关系，建立点云对的配准矩阵。如图4-1所示，对于序列点云 至 ，依次计算相邻点云对的变换矩阵（、，……，），其中每个变换矩阵 表示从点云 到 的刚体变换。（2）选定一个目标坐标系作为全局参考系，通过矩阵运算实现坐标统一化处理。（3）所有经过坐标变换的点云在统一坐标系下进行空间融合，最终形成完整的三维点云模型。
§4.2 点云预处理
点云采集过程中，受限于传感器精度、操作条件及环境干扰等因素，原始数据常存在离散分布点和异常噪声。这种数据缺陷主要由多源因素引发：首先，测量设备固有误差；其次，物体表面特性突变及多视角数据配准过程易产生畸变；再者，采样密度的不均匀性会导致数据分布异常。在数据处理流程中，滤波预处理作为基础环节具有决定性作用，其核心任务在于根据后续应用需求，针对性消除干扰信号、填补数据缺失区域并优化数据密度。有效的预处理能显著提升配准精度、特征辨识度以及三维重建质量。各种场景的滤波方法主要有：去除噪点、下采样、规则滤波。
4.2.1 去除噪点
点云数据通常包含大量的三维点，其中部分点可能是由于传感器误差、环境干扰或其他因素引入的离群点。去除噪点的滤波方法一般有：统计滤波、半径滤波等。
点云统计滤波是用于去除点云数据中噪声点的技术之一，其是一种基于邻域特征分析的滤波技术，该方法通过计算点云中各样本点的空间分布特性来识别并剔除异常数据点，在点云预处理过程中具有重要应用价值。具体包括以下几个步骤：
1）邻域搜索：对于点云中的每个点 ，在一个指定的邻域半径 ，或最近邻个数 内，找到该点的邻域点集合 。
2）计算点 到其邻域点的平均距离：
式中， 表示邻域点的数量。
3）统计分析：计算所有点的平均距离 和标准差
式中， 为点云中的总点数。
4）判断离群点：设 为倍数因子，若点 的平均距离不满足 ，则认为点 为离群点。
点云半径滤波的基本思想是检查点云中每个点的邻域（即以该点为中心，半径为 的球体内）内的点的数量。如果邻域内的点数少于某个预设的阈值，该点将被视为孤立点或噪声点，并从点云中移除。具体实现步骤如下：
1）选择半径（）：确定用于定义邻域的半径。这个半径值取决于应用需求和点云数据的特性。较小的半径适用于去除非常接近的噪声点，而较大的半径可以用于平滑点云数据。 2）选择最小邻域点数阈值：确定邻域内必须存在的最小点数。这个值通常根据点云的密度和应用需求来设置。 3）遍历点云：对点云中的每个点，计算其邻域内的点的数量。 4）移除孤立点：如果一个点的邻域内点的数量少于或等于预设的阈值，则将该点从点云中移除，保留核心点和边界点。 5）重复处理：重复上述步骤，直到没有新的点被移除，或者达到预设的迭代次数。
4.2.2 下采样
点云下采样是通过精简点云数据集中的点数来降低数据复杂度的技术手段，提高处理速度，减少计算资源的消耗，同时尽量保留点云数据中的关键特征和整体结构。下采样是一种常用的预处理技术，主要方法有：点云体素滤波、均匀下采样等。
点云体素滤波思想主要就是采用体素化方法对初始点云数据进行空间划分，并从中提取栅格化特征点。体素化下采样的步骤如下：
1）分别计算X、Y、Z三个坐标方向上的最小值 、、 和最大值 、、。
2）由点云坐标的最值去创建最小包围盒，定义长（）宽（）高（），且满足以下条件：
3）令体素网格的长宽高分别为 、、， 为体素小栅格的边长，则有：
式中，等式右侧的“[]”表示向下取整。
4）每个在体素小栅格内的索引 在点云中表示为：
5）先对索引 中的元素进行升序排序，再计算每个体素单元的质心。然后用这些质心来代表相应体素单元内的所有点，从而获得经过滤波处理的点云数据。
点云均匀采样是一种从原始点云数据中选择一个代表性子集的方法，目的是在减少点的数量的同时，尽量保持点云数据的空间分布均匀性。此外，均匀采样是按照固定间隔从有序点云中提取点，始终从第一个点开始依次选择，而非随机选取。由于采样结果依赖于点的存储顺序，这种方法更适用于有序点云的降采样任务。最远点采样是较为常见的一种，其实现步骤如下：
1）初始点选择：从数据中随机选取一点 作为起始点。 2）迭代采样：在每一步中，迭代计算待选点与已选点集之间的最小距离，将具有最大距离值的点纳入已选点集中。 3）终止条件：重复上述过程，直到达到所需的采样点数。
4.2.3 规则滤波
点云指定规则滤波是指根据自定义的规则或条件对点云数据进行筛选，保留符合要求的点，剔除不符合要求的点。这种方法通常用于去除噪声、提取特定区域或特征点，或者根据点云的属性（如强度、颜色、法向量等）进行过滤。以下是常见的规则滤波方法：直通滤波、平面滤波。
直通滤波根据指定维度（如X、Y或Z轴）的数值范围对点云进行筛选，它保留落在设定范围内的点，同时剔除范围外的点，常用于截取点云中的特定区域或去除不需要的部分。滤波范围公式可表示如下：
平面滤波是用于识别和提取点云中的平面特征或者去除接近平面的，需要从复杂的点云数据中分离出平面部分，如地面、墙壁或其他平坦表面。平面滤波先根据点云数据的特性和应用需求选择合适的平面检测算法，如先用随机采样一致性（RANSAC）算法完成平面拟合，然后剔除平面上/下方的点。算法的基本原理如下：
1）随机选取并标记N个点云用以计算平面方程：
2）假定一个点到平面的距离 ，如果有点小于 则其为内点，统计所有的内点距离。 3）重复执行步骤1）和2），如果新拟合的平面包含的内部点数量超过之前记录的数量，则更新平面参数以及记录的最大内部点数量。 4）重复以上步骤 次，直到找出内点数最多的平面参数。
4.3 配准算法
点云配准是将两个或多个从不同视角或时间获取的点云数据集在空间中对齐的过程。点云配准的目标是找到一个变换矩阵，使得源点云和目标点云在三维空间中的对应点尽可能重合。
4.3.1 粗配准
粗配准是一种在源点云和目标点云初始空间关系不确定的场景，旨在实现两者的初步对齐。该方法注重计算速度，对精度要求较低。
RANSAC算法最早由Fischler等在1987年提出，其是一种迭代算法，用于从包含离群点的数据中估计数学模型参数，算法核心思想是：（1）从输入数据中随机选取确定模型参数所需的最少元素，计算模型参数；（2）根据预设阈值，筛选出符合该模型的元素，判定其为内点；（3）多次重复上述过程，最终选择内点数量最多的模型作为最优解。RANSAC算法用于点云平面拟合的过程如下：
1）从点云中随机选取三个点构成平面。 2）计算其他点到该平面的距离，根据阈值判断是否为内点。 3）若内点数量超过设定值，则保存该平面及其匹配点。 4）多次迭代后，选取内点最多的平面作为最优解，直至无可匹配点。采集到正确的n个点击计算正确模型的概率为：
式中， 表示内点在数据中的比例， 表示迭代次数。进而可得出迭代次数：
采样一致性算法（SAC-IA）是一种基于点云特征的粗配准方法。输入源点云和目标点云以及FPFH特征值，SAC-IA初始配准过程如下：
1）从源点云中选取s个样本点并且样本点距离大于预设定的最小阈值 。 2）在目标点云中紧邻搜索与源点云的FPFH值相似的点。 3）通过SVD分解计算出样本点集与其对应点的变换矩阵，采样式(4-10)最小误差函数进行误差计算。
式中， 表示第 组对应点的样本点变换结果与目标点云中对应点距离， 是预设定值。
§4.3.2 精配准
目前最常用的精确拼接方法为由Besl等提出的迭代最近点算法，配准结果精确度较高，对于两片点云的初始位置要求较为严格，否则容易陷入局部收敛且会影响配准速度，因此需要通过粗配准来为ICP提供较好的点云初始位置。
迭代最近点算法（ICP）的核心思想是通过优化变换参数来最小化两组点云的空间差异。具体而言，给定源点云 和目标点云 ，通过求解最优旋转矩阵 和平移向量 ，使得定义的误差度量函数 达到最小值：
式中， 表示 中的一点， 表示与 的对应点。ICP算法流程如下：
1）在源点云 中取一点 。 2）在目标点云找到与 对应的点 ，使其得 。 3）计算 、，使得 最小。 4）用变换矩阵对 进行变换，得到新点集：。 5）计算 与目标点集 的对应点 的平均距离：
6）终止条件为当前距离 小于预设阈值，若不满足则继续执行步骤2）的迭代计算，直至达到收敛要求。
§4.4 改进的算法与实验分析
ICP算法以拼接误差阈值为依据，计算最优的旋转和平移矩阵，然而该算法对点云初始位置要求较高，若两者差异过大，配准过程易陷入局部最优，导致失败。针对以上问题，本文提出了基于ICP的改进算法，主要流程（图4-2）如下：①通过快速均匀下采样，减少数据量。②用KD树算法检索采样后的关键点，FPFH特征结合随机采样一致性（RANSAC）方法获取ICP的初始变换矩阵。④利用非线性最小二乘法优化的点到面ICP算法完成两个点云的精确拼接与融合。
为验证点云拼接的准确性，本文选用斯坦福大学公开的Bunny数据集，选取其中 、 视角的初始点云（图4-3）进行实验。
4.4.1 数据预处理
大规模点云数据集处理效率低下的问题，本文采用降采样技术对原始点云进行预处理，通过降低点云密度来提升计算性能，为后续分析提供优化基础。使用快速均匀下采样的方法进行数据预处理，通过设置采样步长实现等距降采样，减少点云数量。指定步长，每隔一定数量点采样一个点，确保了点云在空间上的均匀分布，避免了重要特征的丢失同时可以显著降低数据量。以Bunny初始 视角为例，图4-4(a)为初始点云，(b)降采样后的点云。
4.4.2 FPFH特征描述子
KD-Tree是一种空间划分树，把整个空间划分为特定的几个部分，然后在特定空间部分内进行相关搜索操作。三维KD-Tree的本质就是对三个维度的数据点不断构建平衡二叉树。如图4-5所示，KD-Tree采用递归空间划分策略，在每一层级上通过垂直于坐标轴的超平面对子节点进行空间分割，分割维度的选择遵循特定的规则。根据数据特征选择选取当前维度数据的中值作为分割阈值，依据此分割维度和阈值将数据集划分为两个子空间：左侧子空间存储不大于阈值的数据点，右侧子空间则保存大于阈值的数据点。
这种划分方式确保了每个节点的数据都能被均匀分配到两个子树中。对三维点云，KD-tree的平均搜索复杂度为 ，远优于暴力搜索的 。
快速点特征直方图（FPFH）通过简化特征直方图（SPFH）的计算，降低复杂度优化了计算效率，利用点云中的法向量和几何信息，生成33维的特征向量，可以用于识别和匹配点云中的关键点。FPFH特征描述子，用于描述三维点云数据的局部几何特征，在保持PFH核心鉴别能力的同时，降低了算法的复杂度，显著缩短了计算时间。该算法实现如下：
1）计算点 与其 邻近点 之间的特征元素，获取简化的点特征直方图。 2）重新确定 的 邻域，用相邻点的SPFH的值进行加权生成FPFH，计算公式如下：
基于FPFH特征描述子获取点云对应关系实现如下：
1）构建KD-Tree，对源点云和目标点云的法向量进行计算。 2）对每个点使用KD-Tree进行近邻搜索，计算FPFH特征描述子。 3）根据FPFH特征描述子，对源点云和目标点云之间的对应点进行匹配。
最终的FPFH特征描述子的点云对应关系如图4-6所示。
4.4.2 RANSAC粗配准
FPFH特征是一种用于增强点云特征匹配精度的局部几何特征描述方法。它通过分析点与其邻域点法向量之间的关系来刻画局部几何特性。结合RANSAC算法，FPFH能够通过特征匹配确定两个点云之间的最优配准矩阵。改进步骤如下：
1）在源点云 和目标点云 中，以随机在 中选取不共线的3点 作为子集。获取其的FPFH描述子，通过FPFH特征匹配搜索目标点云 中的对应点，设为 ，即 为具有相似描述子特征的点对。 2）由特征点对计算刚性变换矩阵 。 3）用变换矩阵 对 未采样点进行变换，得到 ，并计算 与 对应点的欧氏距离，将距离小于设定阈值点作为采样一致性点集 并记录点数据及点数。 4）重复以上步骤，直至达到预先设置的收敛标准。以记录到的内点数最多的点集 所对应的转换矩阵作为配准结果。
求得变换矩阵（包括旋转矩阵平移向量） 为：
4.4.3 点到面ICP精配准
非线性最小二乘法优化的点到面ICP算法是一种通过最小化源点云和目标点云之间的点到面距离来实现高精度点云配准的算法。ICP算法的迭代过程中，传统方法通过非线性最小二乘法求解位姿变换参数。相比之下，采用点到面的误差度量方式能够将非线性优化问题转化为线性求解，从而大幅降低了计算复杂度，提高了算法执行效率。该方法以点云数据与其对应切平面间的欧氏距离平方和作为优化目标函数，通过最小化该目标函数来实现空间配准的优化过程，表达式为：
式中， 表示目标点云中对应点处的法向量， 表示源点云中的点， 表示目标点云中与 相对应的点。实现步骤如下：
1）将RANSAC算法估计的初始变换矩阵作用于源点云，实现初步的空间对齐。 2）构建KD-tree数据结构以提升点云匹配效率，通过设置K近邻参数计算点云法向量，并将几何信息与法线特征进行融合。 3）采用基于点到面距离度量的ICP算法进行精配准，运用非线性优化方法迭代求解刚体变换参数，直至配准误差达到收敛阈值。
§4.4.4 实验结果与分析
本文实验平台为VS2022+PCLL13，操作系统为Windows11，Intel(R)Core(TM)i7-13700H 2.40 GHz 16GB。适应度分数是衡量点云配准精度的指标，分数越低表示配准结果越精确。为进一步比较配准性能，选取 与 的Bunny点云图进行测试，3种方法的配准适应度分数见表4-1。
表4-1 配准适应度分数与时间
由表4-1可知：本文方法的适应度分数显著低于ICP和SAC_IA+ICP的适应度分数，配准时间最少。各算法的最后配准结果如图4-7所示，红色为目标点云，绿色为源点云，蓝色为配准后的点云。
综上看，本文方法的配准耗时和适应度分数均表现最好。本文提出的改进ICP算法通过引入快速均匀下采样、高效的KD树检索、FPFH特征与RANSAC方法以及非线性最小二乘法优化，显著提高了点云拼接的效率和准确性。
§4.5 本章小结
本章系统性地研究了点云配准与拼接的关键技术，构建了完整的处理流程。首先通过点云预处理（包括去噪、下采样和规则滤波）优化原始数据质量；其次深入分析了配准算法的两个关键阶段，基于特征匹配的粗配准和基于迭代优化的精配准；随后提出了改进的配准算法，融合RANSAC粗配准和非线性最小二乘优化的精配准方法；最后通过系统的实验验证，证实了该算法在配准精度和效率上的显著提升。本章研究成果为多视角点云数据的精确对齐与融合提供了可靠的技术方案。
第五章 线结构光三维重建实验
在完成了实验硬件选型及配套软件开发平台的搭建工作，基于上述章节的理论研究和技术开发，本文设计并实现了完整的线结构光三维重建实验方案。通过图5-1所示的系统流程，对三维重建精度进行了实验验证，并对系统鲁棒性进行了全面评估。
5.1 系统需求与搭建
针对本文设计的双视角结构光系统进行了相机标定实验，实验中采用规格为 的圆点阵列标定板，该标定板具有以下特征参数：单个圆点直径为 ，相邻圆心间距为 ，精度达到 ，整体外形尺寸为 。在标定过程中，将标定板分别置于相机视野范围内的多个不同方位进行图像采集。图5-2(a)展示了左相机获取的16组标定板图像样本，图5-2(b)则对应呈现了右相机同步采集的16组标定板图像数据。标定的重相机投影误差见图5-3，红色为左相机重投影误差，蓝色为右相机重投影误差。
通过上述标定步骤后得到两个相机的参数信息，如表5-1所示。
表5-1 相机标定参数
针对非严格平行且存在相对倾角的双目相机系统，需基于标定获取的相机内外参数对左右视图的绝对相位图像实施立体校正处理。图5-4与图5-5分别展示了立体校正前后的图像对比效果。
§5.2 三维重建结果与精度评估
为进一步评估测量系统的误差，本文设计了两组实验：
（1）阶梯块三维重建
使用各台阶高度分别为 、、 和 的阶梯块作为重建对象，具体如图5-6所示。
如图5-7所示，为了方便测量阶梯块的高度差，将四个阶梯面分割出来。如图5-8所示，分别对四个阶梯面和测量底面进行平面拟合。
为实现阶梯结构相邻面间高度差的精确测量，本研究采用以下技术流程：首先通过区域分割算法从原始点云中提取目标阶梯面（图5-7中白色区域），随后基于最小二乘法对各独立面进行平面方程拟合，最终通过计算相邻拟合平面间的法向距离实现高度差量化分析。标准阶梯块的高度测量精度可能受到多种环境与物理因素的影响，如热胀冷缩、磨损等，常温下使用千分尺对平面不同位置多次测量取平均值作为测量的实际值，高度测量数据见表5-2。
表5-2 阶梯块高度测量数据（单位：mm）
从表5-2可以看出，高度最大测量误差为 ，最小误差为 ，符合预期。
（2）球体三维重建
本文使用南昌鼎晟公司生产的公称直径 哑光陶瓷球进行了曲面三维重建，陶瓷球的出厂检测报告数据为：陶瓷球平均直径 、球圆度 。图5-9展示了三个不同的视图：(a)是陶瓷球的实际照片，(b)是重建后的点云图，(c)则是对球体表面进行拟合的结果。
根据表5-3的数据，该球体的实际测量平均值为 ，得到的三维重建曲面拟合结果为 ，实验测量误差为 ，在可接受范围内。
表5-3 陶瓷球测量数据（单位：mm）
5.3 石膏物体重建实验
为验证所提算法在复杂曲面物体三维重建中的有效性，本研究选取具有精细表面特征的石膏浮雕作为实验对象进行三维扫描重建实验。图5-10(a)是石膏浮雕的实物图，(b)是石膏浮雕三维重建后的点云图，(c)是石膏浮雕处的点云放大图。
从图5-10(c)中的局部点云图中可以看出，虽然石膏浮雕有一些区域缺少点云，但是石膏整体重建效果良好。实验结果表明，本研究构建的三维重建系统能够有效实现复杂形貌物体的高精度三维重构，展现出良好的工程适用性。
5.4 本章小结
本章通过三组对照实验系统评估三维重建系统的性能表现。首先采用标准阶梯块进行平面几何特征重建，实测阶梯高度误差；其次通过标准球体重建验证曲面测量能力；最后选用具有复杂纹理特征的石膏浮雕进行细节重建测试。三组实验数据综合表明，该系统在平面尺寸测量、曲面重构精度以及复杂形貌还原能力等方面均达到预期技术指标，充分验证了系统在复杂场景下的鲁棒性与适用性。
第六章 总结与展望
6.1 总结
线结构光三维测量系统因其非接触、高精度和快速测量等特点而备受关注。本研究聚焦于双视角线结构光扫描的三维重建方法，重点探讨了激光条纹中心提取和点云配准拼接两项关键技术。主要研究工作包括以下几个方面：
（1）在相机标定部分，详细分析了相机成像模型、坐标系建立与转换、畸变校正、双视角测量模型以及标定原理，为后续三维重建提供了精确的视觉参数基础。通过极线校正技术优化立体匹配，有效提升了测量精度。在线结构光三维重建原理部分，重点探讨了移动平台标定和多帧图像三维重建方法，确保动态扫描的稳定性和点云数据的完整性。最后还介绍了硬件选型相关内容，为系统搭建提供了实践指导。整体内容层次分明，从理论模型到实际应用，形成了完整的技术体系。
（2）系统研究了激光条纹中心提取的关键技术，主要内容包括：首先分析了影响光条中心提取精度的主要因素；其次介绍了图像预处理方法，为后续处理提供高质量数据；重点探讨了激光条纹中心提取算法，涵盖传统算法和基于深度学习的现代方法；最后提出了一种改进的中心提取算法，详细阐述了其实现流程（包括图像预处理、阈值分割、感兴趣区域检索和中心线提取）并通过实验验证了算法的有效性。从问题分析到方法改进，形成了完整的研究闭环，为三维重建提供了精确的条纹中心数据基础。
（3）研究了三维点云处理的关键技术，主要内容包括：首先详细介绍了点云预处理方法，涵盖噪点去除、下采样和规则滤波等步骤，为后续处理提供高质量点云数据；其次深入探讨了点云配准算法，包括粗配准和精配准两个关键环节；随后阐述了点云拼接技术；最后提出了一种改进的点云配准算法，具体包含数据预处理、RANSAC粗配准、非线性最小二乘法优化的点到面ICP精配准等步骤，并通过实验验证了算法的有效性和精度。从基础处理到算法改进，形成了完整的点云处理技术体系，为三维重建提供了精确的点云配准解决方案。
本文的创新点主要有：
（1）提出了一种基于摩尔边界跟踪的改进Steger光条中心提取算法。该算法将摩尔边界跟踪原理与传统Steger方法相结合，实现了以下关键改进：首先，利用摩尔边界思想智能识别感兴趣区域；其次，快速定位粗略中心及其邻域范围。这种改进方案有效缩小了图像处理中的无效搜索区域，实验结果表明，该方法在保持精度的同时显著提升了光条中心提取的运算效率。
（2）针对传统ICP算法对点云初始位置敏感、易陷入局部最优的问题，本研究提出了一种改进的点云配准算法。该算法通过以下创新性改进显著提升了配准性能：首先采用快速均匀下采样降低数据规模；其次结合KD树检索与FPFH特征描述，利用RANSAC方法获取优化的初始变换矩阵；最后引入非线性最小二乘法优化的点到面ICP算法实现精确配准。实验结果表明，相较于传统ICP和SAC_IA+ICP方法，本算法在配准精度和鲁棒性方面均展现出显著优势：不仅适应度分数明显降低，且计算时间最短。特别是在大位姿差异情况下，本算法仍能保持稳定的配准性能，有效避免了局部最优问题，为复杂场景下的点云配准提供了可靠的解决方案。
6.2 展望
本研究聚焦于线结构光三维测量系统的核心算法优化，重点突破了光条中心亚像素定位与多视角点云高精度配准两项关键技术，并基于理论分析构建了完整的硬件实验平台，实现了从原理验证到实际测量的闭环研究。然而，受研究周期与实验条件限制，现有系统在以下方面仍存在提升空间：
（1）动态测量适应性：当前光条提取算法对高速运动场景的鲁棒性需进一步验证。 （2）复杂材质普适性：高反光/吸光表面的测量精度稳定性待增强。 （3）系统集成度：硬件模块的紧凑化设计与实时性优化尚未完全实现。 （4）运动控制：考虑使用线激光摆动代替导轨移动，减少误差，同时侧面增加激光获取更完整的待测物体数据。 （5）优化后的点云配准耗时较长，考虑通过FPGA实现KD-tree构建流水线提升搜索速度。
本文仅做学术分享，如有侵权，请联系删文。
3D视觉工坊中秋国庆双节专属课程福利重磅来袭！为回馈新老学员一路支持，本次活动特推出重磅折扣福利，所有课程统一享8折特惠，其中10余门课程加入知识星球可一次性全部购买学习(限时福利仅需279元)！
中秋国庆双节八折特惠
中秋国庆专属8折优惠
微信扫码领取，限时三天内使用
3D视觉工坊所涉及课程的包括但不限于：工业3D视觉、自动驾驶、SLAM、具身智能、扩散模型、无人机、大模型和3D视觉基础等。
专属打包福利
上图中的：ROS2、相机标定、线结构光、3D缺陷检测、激光-视觉-IMU-GPS融合SLAM、VINS-Fusion、模型部署、3D目标检测、深度估计、多传感器融合这10门课程，除各自单独购买享8折外，也支持一次性全部购买，限时福利仅需279元，扫描下方二维码加入一次性全部解锁！
活动咨询
