一种基于多摄像头识别基坑深度的方法与流程

1.本发明涉及建筑工程领域，特别涉及一种基于多摄像头识别基坑深度的方法。


背景技术：

2.现阶段施工项目现场对基坑深度的识别，主要是通过人眼目测及搭配测量仪器，如盒尺、卷尺等完成的。测量完成后，再进行数据记录，最终达到基坑深度的识别。在识别过程中，基坑深度的识别是通过人为完成的，这就造成项目成本的增加，当然也很难保证识别数据的准确性、实时性。


技术实现要素：

3.本发明的目的是提供自动识别基坑深度，减少了现场施工人员实时测量的一种基于多摄像头识别基坑深度的方法。
4.本发明的目的是这样实现的：一种基于多摄像头识别基坑深度的方法包括以下步骤：
5.s201：采集并获取得到配对的双摄像头数据，包括摄像头的位置参数，摄像头的视频及双摄像头标定矫正；
6.s202：对获取的视频数据进行预处理，包括提取关键帧和帧图像预处理；
7.s203：利用训练好的深度语义faster rcnn分割网络，分割并得到机坑部分；
8.s204：利用边缘检测算法图像处理技术，获取机坑的上下边沿，并对需要测量部分的位置进行修正；
9.s205：利用双目摄像头成像原理，预测需要测量部位的深度，并估算出机坑的深度；
10.s206：综合s204和s205中的摄像头机坑深度信息和测量的位置信息，可视化的反馈测量的部位以及预估的高度。
11.优选的，所述双摄像头属于统一型号，具有相同的参数信息。
12.优选的，所述双摄像头标定矫正中标定即测量得到摄像头相机的内外参数，较正是指对双摄像头采集图像的位置进行较正，使较正后的两张图像处于同一平面且相互平行，同时得出相机间的基本距离为b。
13.优选的，所述提取关键帧为每间隔10分钟双摄像头各取一帧图像；所述帧图像预处理包括图片大小处理和归一化。
14.优选的，所述faster rcnn分割网络分割并得到机坑部分具体步骤包括：
15.步骤a、在已有数据集的基础上，训练一个基于深度学习的机坑侧墙检测器；
16.步骤b、将双目摄像头帧图像放入训练好的机坑侧墙检测器中，得到机坑侧墙的范围；
17.步骤c、通过加权平均等方式，取机坑范围的中断作为要测量的帧图像中的机坑高度。
18.优选的，所述边缘检测算法图像处理技术具体步骤包括：
19.a、将步骤s203中，侧墙检测器得到的导致机坑侧墙区域部分图像转换到hsv颜色空间，利用机坑侧墙的颜色属性，提取出机坑的大致范围；
20.b、利用轮廓提取方法计算得到机坑侧墙的进一步区域，并获取侧墙的上下边界，录用上下边界的大致距离加权，进一步修正需要测量的机坑高度部分；
21.优选的，所述步骤s205中双目摄像头成像原理如下：
22.设p＝(x，y，z)，其在双摄像头图像平面的投影点分别为(x
r
，y
r
)，(x
l
，y
l
)；由相似三角形的原理可得：
[0023][0024]
解得：
[0025][0026][0027][0028]
其中，b:双摄像头之间的基准距离；
[0029]
f:两个相同摄像头的焦距；
[0030]
d＝x
l
‑
x
r
:双摄像头之间的视差；
[0031]
x，z:三维空间中x轴方向和z轴方向；
[0032]
x，y，z:p点在三维空间中的坐标。
[0033]
与现有技术相比，本发明的有益之处在于：利用施工现场监控摄像头人工智能算法自动识别基坑深度，可实时监测基坑开挖深度，并可根据图纸设计要求设置自动预警值，保证了基坑开挖的准确性，防止基坑超挖；施工现场监控设备自动值守，减少了人工进行基坑深度的测量，从而减少人员投入，节省了成本；无需人工进行测量，基坑深度，避免了作业人员与开挖机械的交叉作业，保证了人身安全，减少了安全事故的发生。
附图说明
[0034]
图1为本发明的流程图。
[0035]
图2为本发明的双目摄像头成像原理图。
[0036]
其中，，b:双摄像头之间的基准距离；f:两个相同摄像头的焦距；
[0037]
d＝x
l
‑
x
r
:双摄像头之间的视差；x，z:三维空间中x轴方向和z轴方向；x，y，z:p点在三维空间中的坐标。
具体实施方式
[0038]
如图1所示，一种基于多摄像头识别基坑深度的方法包括以下步骤：
[0039]
s201：采集并获取得到配对的双摄像头数据，包括摄像头的位置参数,包括摄像机的焦距f和双摄像头之间的基准距离b，以及进行摄像头的视频及双摄像头标定矫正，保证
双摄像头的像平面重合，使得后续深度估计准确；
[0040]
s202：对获取的视频数据进行预处理，包括提取关键帧和帧图像预处理，目标是从视频数据中提取出用于深度估计的帧图像；
[0041]
s203：利用训练好的深度语义faster rcnn分割网络，分割并得到机坑部分，初步得出需要测量的机坑深度部分区域；
[0042]
s204：利用边缘检测算法图像处理技术，获取机坑的上下边沿，并对需要测量部分的位置进行修正，这一步是为了利用传统图像处理方法补充深度语义网络的不足，进一步确定需要测量的深度部分，得出像平面中需要测量的两个点；
[0043]
s205：利用双目摄像头成像原理，预测需要测量部位的深度，并估算出机坑的深度；
[0044]
s206：综合s204和s205中的摄像头机坑深度信息和测量的位置信息，可视化的反馈测量的部位以及预估的高度。
[0045]
上述双摄像头属于统一型号，具有相同的参数信息。
[0046]
上述双摄像头标定矫正中标定即测量得到摄像头相机的内外参数，较正是指对双摄像头采集图像的位置进行较正，使较正后的两张图像处于同一平面且相互平行，同时得出相机间的基本距离为b。
[0047]
上述提取关键帧为每间隔10分钟双摄像头各取一帧图像；所述帧图像预处理包括图片大小处理和归一化。
[0048]
上述faster rcnn分割网络分割并得到机坑部分具体步骤包括：
[0049]
步骤a、在已有数据集的基础上，训练一个基于深度学习的机坑侧墙检测器；
[0050]
步骤b、将双目摄像头帧图像放入训练好的机坑侧墙检测器中，得到机坑侧墙的范围；
[0051]
步骤c、通过加权平均等方式，取机坑范围的中断作为要测量的帧图像中的机坑高度。
[0052]
上述边缘检测算法图像处理技术具体步骤包括：
[0053]
a、将步骤s203中，侧墙检测器得到的导致机坑侧墙区域部分图像转换到hsv颜色空间，利用机坑侧墙的颜色属性，提取出机坑的大致范围；
[0054]
b、利用轮廓提取方法计算得到机坑侧墙的进一步区域，并获取侧墙的上下边界，录用上下边界的大致距离加权，进一步修正需要测量的机坑高度部分；
[0055]
上述步骤s205中双目摄像头成像原理如下：
[0056]
设p＝(x，y，z)，其在双摄像头图像平面的投影点分别为(x
r
，y
r
)，(x
l
，y
l
)；由相似三角形的原理可得：
[0057][0058]
解得：
[0059][0060]
[0061][0062]
其中，b:双摄像头之间的基准距离；
[0063]
f:两个相同摄像头的焦距；
[0064]
d＝x
l
‑
x
r
:双摄像头之间的视差；
[0065]
x，z:三维空间中x轴方向和z轴方向；
[0066]
x，y，z:p点在三维空间中的坐标。
[0067]
实施列一：若双摄像头系统中，b＝0.2m,f＝0.008m,摄像头的清晰度为300dip，则一像素的长度约为为8
×
10
‑5米；机坑深度部分的上端点p1在双摄像头图像中的坐标分别为(100，100)和(50，100)，下端点p2在双摄像头图像中的坐标分别为(500，400)和(495，400)，则
[0068][0069][0070][0071][0072][0073]
则
[0074]
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。