工业摄影测量与机器视觉

1.2 工业摄影测量与机器视觉

1.2.1 工业摄影测量概述

摄影测量(Photogrammetry)是一门通过分析记录在胶片或电子载体上的影像，来确定被测物体的位置、大小和形状的科学，属于测绘学的分支学科。它包括航空摄影测量、航天摄影测量和近景摄影测量等。其中，近景摄影测量是指测量范围小于100米,相机布设在物体附近的摄影测量。摄影测量在工业测量和工程测量中的应用一般称为近景摄影测量或非地形摄影测量。它经历了从模拟、解析到数字方法的变革，硬件也从胶片像机发展到数字像机。本文将针对工业测量应用的数字近景摄影测量称为工业摄影测量。近年来，随着微电子和半导体技术的飞速发展，尤其是固体阵列相机和计算机硬件的发展，使得工业摄影测量已进入全数字近景摄影测量时代。

工业摄影测量的发展历史可以概括为五个不同特征的时期：基础阶段的早期；初进入数字阶段的逐步发展期；进入数字阶段的全面发展时期；稳步研究和加大推广应用的深入发展期与新近的成熟期。

1964年～1984年是工业摄影测量早期阶段，这一时期的研究成果主要是奠定了工业摄影测量的理论基础，包括图像处理算法、误差理论、CCD(Charge-coupled Device)图像传感器的研究与应用、模板匹配算法等。

1984～1988年是进入数字阶段的逐步发展期，逐渐研发出的许多摄影测量系统尽管很少能够实际应用，但在系统的设计、开发、标定等方面为后续的研发奠定了基础。1988年在日本京都召开的ISPRS(International Society for Photogrammetry and Remote Sensing)年会上，第五委员会被正式命名为近景摄影测量与机器视觉(Close Range Photogrammetry and Machine Vision)。

1988年～1992年，工业摄影测量步入全面发展时期，越来越多的研究者在此方向进行研究和系统开发，出现了许多成功的应用报道，而且应用领域大大拓宽了（如工业测量、生物立体测量、流量测量、汽车碰撞实验测量和空间探测等）。

1992年～1996年，工业摄影测量的研究和开发不再像前一阶段那样不断出现新成果和新发现，而是处于更加稳步的发展，业内更多的关注是拓展应用和成型系统的市场推广。美国GSI公司对模拟测量系统进行改造后推出了数字测量系统V-STARS，德国AICON公司推出DPA-Pro系统，一系列的会议论文集公开出版，工业摄影测量技术和研究已趋于成熟。

1996年～至今，工业摄影测量的研究及应用已步入成熟期。特别是2005年以后，摄影测量在一定程度上满足了工业、医学领域对图像实时性、几何高精度方面的要求，可用于铸件检测、人体测量、行为动作的捕捉等。研究的重点从三维点定位转为几何特征测量、全自动化和结合三维形貌测量的多种测量技术的融合，也使得工业摄影测量与机器视觉的联系越发紧密。

1.2.2 机器视觉概述

机器视觉又称计算机视觉是一门新兴的学科，它的发展得益于神经生理学、心理学与认知科学对动物视觉系统的研究，计算机视觉的研究目标是使计算机具有通过二维图像认知三维环境信息的能力。这种能力将不仅使机器能感知三维环境中物体的几何信息，包括它的形状、位置、姿态、运动等，而且能对它们进行描述、存储、识别与理解。伴随着人类对视觉认识和计算机技术的快速发展，利用计算机模拟人类的视觉系统成为科学技术发展的必然趋势。计算机视觉已经成为令人感兴趣的前沿研究领域之一。通过对人类视觉的模拟，可以帮助人类重新认识人的视觉机理，从而在许多未知问题上产生重大突破。

机器机视觉是一个相当新且发展十分迅速的研究领域，并成为计算机科学的重要研领域之一。计算机视觉始于20世纪50年代，主要工作集中在二维图像分析和识别上。60年代中期，R. Roberts的研究工作开创了以理解三维场景为目的的三维计算机视觉的研究。计算机视觉最初将二维视觉图像作为研究对象，也是对人类视觉系统模拟研究的开始。80年代初，D. Marr在麻省理工学院（MIT）人工智能实验室领导一个以博士生为主体的研究小组从事视觉理论方面的研究工作，提出了关于视觉系统的理论框架。为计算机视觉的学科发展奠定了理论基础。

D. Marr将视觉系统分为自下而上的三个阶段，即视觉信息从最初的原始数据(二维图像)到最终对三维模型的表达经历了三个阶段的处理，如图 1 2所示。

图 1 2 D. Marr视觉理论分层模型

第一阶段称之为低级视觉，抽取特征构成基元图(Primary Sketch)。基元图由二维图像中的边缘点、直线段、曲线、顶点、纹理等基本几何元素或特征组成。第二阶段称之为中级视觉，计算得到2.5维图。

2.5维图是部分的、不完整的三维信息描述。当人眼或者摄像机观察周围物体时，观察者为中心的坐标系只能得到可见表面的描述，得不到遮挡部分的描述，故称2.5维图。第三阶段为高级视觉，得到三维模型。使用2.5维图中得到的表面信息建立适用于视觉识别的三维形状描述，这个描述应该与观察者的视角无关，也就是在以物体自身为中心的坐标系中，以各种符号和几何结构描述物体的三维结构和空间关系。D. Marr视觉理论是视觉研究中迄今为止最为完整的理论框架，逐步为大多数研究者所接受，并成为这一领域的主导思想。它使机器视觉的研究有了一个比较明确的体系，并大大推动了机器视觉的研究和发展。

近十年来，随着机器视觉理论的迅速发展，它逐渐发展成一门由计算机技术、控制理论、模式识别、人工智能和生物技术等众多领域交叉综合的新学科，它在一些科技领域中卓有成效的应用，引起了学术界和工业界的极大兴趣和重视，其应用范围也日益扩大，涉及到机器人、工业检测、物体识别、医学图像分析、军事导航和交通管理等诸多领域。

1.2.3 工业摄影测量与机器视觉的联系

工业摄影测量是测绘学科的一个分支，它是通过对二维图像进行分析，测量物体在三维空间的位置、形状、大小，乃至物体的运动。摄影测量在近百年的历史中经历了模拟、解析和数字摄影测量三个阶段。

机器视觉的研究目标是使计算机具有通过二维图像认知三维环境信息的能力，这种能力将不仅使机器感知三维环境中物体的几何信息，包括它的形状、位置、姿态、运动等，而且还能对它们进行描述、存储、识别和理解。

因此，工业摄影测量与机器视觉在研究内容和目标上十分相近。摄影测量关注的是几何量测量信息，机器视觉更为关注对物体进行三维描述、识别和理解。实际上，工业摄影测量与机器视觉的理论基础是一致的，二者都是基于针孔成像原理进行研究的。由于各自学科的历史、研究内容和侧重点的不同，造成在一些方面存在着差异。

近年来，共同的理论基础、类似的处理方法和基于数字图像测量技术等固有特征，使得工业摄影测量与机器视觉学科间的交叉越来越多。摄影测量中的图像处理和特征识别方法来自机器视觉；反过来，摄影测量中的光束平差方法和误差传递理论又为机器视觉所采用。学科间的交叉与融合是当前研究领域的大势所趋。本文正是顺应这种态势，结合工业摄影测量和机器视觉理论来研究工业实用的物体三维形貌与变形测量关键技术。