📐 基于投影几何学习的工业视觉测量方法

项目概述

本项目致力于研究在透视畸变条件下，从视觉观测中恢复真实物理尺寸的方法，旨在打通投影几何与真实几何之间的映射关系，实现基于低成本视觉传感器的高精度尺寸测量。

🔍 问题背景

在工业视觉测量中，目标物体在图像中通常存在：

• 透视畸变（foreshortening effect）
• 视角依赖的几何变形
• 图像特征与真实尺寸之间的非线性映射关系

传统基于解析几何建模的方法存在以下问题：

• 对相机位姿敏感
• 泛化能力较弱
• 在噪声和复杂环境下稳定性不足

⚙️ 方法框架

我们提出一种几何约束下的学习型测量方法，将经典几何建模与数据驱动方法相结合：

1. 平面重建

• 基于 RANSAC 提取参考平面
• 构建平面坐标系，实现空间归一化
• 将三维问题转化为结构化二维问题

2. 透视归一化

• 利用单应性变换（Homography）进行视角校正
• 将图像映射到近似俯视视角

3. 特征提取

• 基于目标检测模型（如 YOLO）获取：
  • 投影位置
  • 投影姿态（yaw）
  • 投影尺寸（长宽）

4. 学习型逆映射

构建如下映射关系：

$\text{投影几何} \rightarrow \text{真实几何}$

• 输入：投影空间中的几何特征
• 输出：真实物理尺寸与姿态
• 模型：轻量级回归网络（如 ResMLP）

🧠 核心思想

不同于显式推导复杂投影模型，本项目将问题建模为：

一个受几何约束的逆映射学习问题

其中：

• 几何结构提供物理约束
• 神经网络负责拟合非线性误差

从而在保证物理合理性的同时，提高模型的表达能力与鲁棒性。

📊 实验结果

• 实现约 2 mm 级测量精度
• 在不同相机位姿下具有良好泛化能力
• 在噪声与不完整观测条件下表现稳定

🚀 主要贡献

• 提出“几何建模 + 学习补偿”的统一测量框架
• 将复杂透视误差转化为可学习的映射问题
• 验证了数据驱动方法在工业测量任务中的有效性

📌 关键词

工业视觉测量 · 几何重建 · 透视畸变补偿 · 误差拟合 · 数据驱动建模