CN101673397A - 一种基于lcd的数码相机非线性标定方法 - Google Patents

Abstract

本发明属于测量标定技术领域，涉及一种用单个数码相机拍摄一组基于LCD的图像进行相机内外参数求解的标定过程，特别是一种基于LCD的数码相机非线性标定方法，该方法设计并编程绘制标定表，标定表具有不同大小的圆形标记点，把标定表显示在液晶显示器屏幕上，然后以数码相机，绕光轴旋转的方式对其拍摄图像，再利用拍摄得到的几幅图像计算相机的内外参数；利用液晶显示器完整的纯平面性以及圆点易于检测中心定位高和亚像素边缘轮廓提取图像中的亚像素轮廓边缘，再采用非线性优化方法获得数码相机参数的标定结果，其具有定标方法简便易行，使用设备小巧灵便，标定精度好，质量好，优化程度强等优点。

Description

一种基于LCD的数码相机非线性标定方法

技术领域：

本发明属于测量技术领域，涉及一种用单个数码相机拍摄一组基于LCD的图像进行相机内外参数求解的标定方法，可以应用于摄影测量和计算机视觉的现场标定。

背景技术：

三维重建是从相机获取的二维图像信息出发，计算出物体的三维位置、形状等几何信息，并由此重建和识别场景中的物体。三维重建的关键是如何将二维图像上的点与空间物体表面某点的三维几何位置相对应。而这种对应关系是由相机成像的几何模型决定的，这些模型的参数称为相机参数，计算这些参数的过程称为相机标定。

目前，在计算机视觉和摄影测量领域已经提出了多种相机标定方法，其中的自标定方法仅需要建立图像之间的对应，非常灵活，但它的鲁棒性不高，不宜用于实时性要求较高的场合。传统的相机标定方法基于特定的标定物，例如标定块、平面标定板等，经过图像处理的手段，利用一系列数学变换和计算方法，求取相机的内外参数。该类标定方法可以使用于任意的相机模型，标定精度高，但标定过程复杂，需要高精度的已知结构信息，而实际应用中许多情况下无法满足这些要求。在传统的标定方法中，由Tsai提出的基于径向排列约束的“两步法”是应用较多，精度较高的标定方法，但是仅仅考虑了径向畸变，对于切向畸变较大的场合(如鱼眼镜头)就不再适用。在此基础上，张正友提出了基于平面标定板的标定方法，该方法只需利用对平面棋盘格模板在不同角度拍摄的一组图像即可进行标定，具有较高的标定精度。但根据张正友文献(A flexible new technique for cameracalibration.Technical Report，MSR-TR-98-71，Microsoft Research，1998)中的实验数据，当平面模板上的特征点坐标存在5％的误差，则镜头一阶径向畸变系数的标定误差会达到20％以上；即使平面模板上的特征点坐标存在1％的随机误差，一阶径向畸变系数也会有5％左右的标定误差；而当平面模板的平面度有1％的误差时，会导致10个像素左右的主点标定误差。而要制作高平面度的标定板，制作困难，成本较高。

随着液晶显示技术的不断进步和价格的降低，纯平液晶显示器(LCD)作为计算机的一种新型外设越来越普及，已经进入到千家万户，而且由于当今的LCD制造工艺已经成熟，已达到非常高的几何精度，LCD面板的平面度已达到工业级，即使消费级的LCD面板，其平面度偏差也小于0.05μm。因此，人们开始采用LCD作为标定物进行标定。现有基于LCD的相机标定方法大都建立在Noma提出的方法(Noma T，Otani H，Ito T，et al.New System of Digital Camera Calibration，DC-1000[C].ISPRS Symposium，Corfu，2002)，即分别从LCD的4个角点和中心点的前上方向LCD中心拍摄(至少5幅图像)。这种方法拍摄角度(与LCD屏幕法线方向的夹角)较大并要求标定图案尽量占满像幅。由于液晶显示器存在一定的观察屏幕视角，即用户可以从不同的方向清晰地观察屏幕上所有内容的角度。LCD观察屏幕视角一般在60°-170°范围，其观察屏幕视角的大小取决于LCD显示器的质量，质量越高，观察屏幕视角就越大。由于观察屏幕视角的存在，对LCD显示器拍摄时，拍摄角度过大，会产生色彩失真，图像不清晰，影响图像的拍摄质量。

发明内容：

本发明的目的在于克服现有技术中存在的缺点，寻求设计一种对数码相机参数进行求解的基于LCD的非线性标定方法。

为了实现上述目的，本发明提出了一种基于LCD的数码相机非线性标定方法：首先设计并编程绘制标定表，标定表具有不同大小的圆形标记点，把标定表显示在液晶显示器屏幕上，以数码相机绕光轴旋转的方式对其拍摄图像；其次利用亚像素边缘提取算法提取图像中的轮廓，用最小二乘椭圆拟合方法获取椭圆亚像素中心；然后利用稳定的图像点与空间点对应算法确定图像点与空间点对应；最后求解相机的内外参数初值，并利用非线性优化方法获得数码相机参数的标定结果。该方法利用了液晶显示器完整的纯平面性以及圆点易于检测、中心定位高的优点。

本发明方法的实现包括绘制标定表并拍摄图像、获取特征圆点圆心的亚像素图像坐标、图像点与空间点对应以及相机参数计算四个步骤；所述的绘制标定表并拍摄图像过程，利用圆点易于检测、中心定位高的优点，设计具有不同大小圆形特征点的标定表，其中5个大圆的直径大于其它各圆直径，不对称分布的5个大圆点所处的位置区分其各自的身份，并用于标定表坐标轴的确定和其它各圆点的定位与身份识别；把编程绘制的标定表显示在液晶显示器屏幕上，利用数码相机绕光轴旋转的方式对其拍摄几幅图像，标定表上的圆点成像后为椭圆；LCD显示屏的观察屏幕视角为60°-170°，从不同角度对屏幕进行拍摄的图像清晰度不同，从而影响图像边缘的提取精度，进而影响标定精度；数码相机的光轴垂直于LCD屏幕，采用数码相机绕光轴旋转对其拍摄，仅获取3幅图像即可进行高精度的标定；获取特征圆点圆心的亚像素图像坐标，先把拍摄得到的彩色图像转化为灰度图像，再采用高斯滤波对图像进行平滑处理，抑制噪声，改善图像质量；然后用亚像素边缘轮廓检测算法检测图像中的边缘轮廓；最后采用最小二乘椭圆拟合法提取图像中所有的椭圆目标，得到椭圆中心坐标即圆点中心的图像坐标；亚像素边缘检测算法是先用像素级边缘检测算子Canny算子定位图像中像素级的边缘点位置，再利用正交Fourier-Mellin矩(OFMM)算子的低径向阶与旋转不变特性，在已检测的像素级边缘位置上进一步定位亚像素级边缘位置；采用基于亚像素的边缘轮廓检测算法，使得图像边缘的定位精度达到亚像素级，提高了椭圆中心定位精度，进而提高数码相机标定的精度；图像点与空间点对应过程是根据两圆心之间的距离以及两两圆心连线的平行性识别标定表上不对称分布的5个大圆，然后利用识别出的5个大圆确定其它各小圆的位置，比较计算出的图像点与识别出的图像点，从而确定各个图像点与空间点的对应；采用的图像点与空间点的对应算法只要识别出5个大圆的圆点坐标，利用5个大圆的定位作用自动建立图像中其它被识别出的图像点与其空间点坐标之间的对应；在某些点不可见或没有被提取时建立图像点与空间点的对应；相机参数计算过程分为考虑镜头畸变或不考虑镜头畸变两种状态情形进行模拟计算；先计算相机参数及畸变系数的初值，再对相机参数进行优化；采用绕光轴旋转的方式拍摄图像，相机成像投影模型不存在平移向量；计算相机内外参数的投影公式为：

$s\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=K\left[\begin{array}{cccc}{r}_1& r_2& r_3& 0\end{array}\right]\left[\begin{array}{c}{x}_w\\ y_w\\ 0\\ 1\end{array}\right]---\left(1\right)$

其中，s为一个比例系数，[u v]^T为空间点在图像坐标系下的像点非齐次坐标，K为相机内参数矩阵，r₁，r₂，r₃分别为旋转矩阵R的3个列向量，[x_w y_w 0]^T为点在世界坐标系下的坐标。

本发明对相机参数及畸变系数的初值进行计算时，先根据各点的像点坐标与空间点坐标之间的对应，求解单应性矩阵H；然后根据旋转矩阵列向量的单位正交性约束，计算相机的内参数；实际成像过程中镜头带有不同程度的畸变，理想针孔模型不能准确描述成像几何关系，要使模型更客观的反映相机的成像过程，引入反映畸变影响的修正系数；非线性畸变主要包括径向畸变、离心畸变和薄棱镜畸变等；由各种因素造成的镜头畸变，通过数学上的处理，最后汇总描述为径向畸变和切向畸变，其中占主导地位的是径向畸变；同时考虑径向畸变和切向畸变，建立由针孔线性模型计算出来的图像点坐标的理想值与实际的图像点坐标之间的非线性畸变模型，从而计算出各畸变系数。

本发明对相机参数优化时，利用最大似然估计法对内外参数求精，给定标定表的n幅图像，每幅图像上m个圆点，优化模型为：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left|\right|m_{\mathrm{ij}}-\hat{m}(K,k_1,k_2,p_1,p_2,R_i,M_j)\left|\right|}^2---\left(2\right)$

其中m_ij是检测到的第i幅图像上第j个点的图像坐标，k₁、k₂是径向畸变系数，p₁、p₂切向畸变参数，R_i是第i幅图像对应的旋转矩阵，M_j是第j个点的空间坐标，

是第i幅图像上第j个点根据式(1)的反投影坐标；最大似然估计通过最小化式(2)获得，属非线性最小化问题，再通过Levenberg-Marquardt算法进行求解。

本发明与现有技术方法相比，图像幅数大为减少，图像质量高，标定图案无需占满整个屏幕；把标定表显示在液晶显示器屏幕上进行标定，LCD机身小巧，便于携带；价格便宜；几何变形趋近完美，保真性能好；编程绘制各种图案并显示在液晶显示器屏幕上，简单方便，并能达到高的标定精度等优点。

附图说明：

图1为本发明设计使用的标定表。

图2为本发明涉及的理想二阶模型。

具体实施方式：

下面通过实施例并结合附图对本发明做进一步的说明。

实施例1：

本实施例的具体过程和步骤包括：

1.绘制标定表并拍摄图像

本实施例所用标定表如图1所示，在其上分布N行M列易于识别的特征圆点，其中5个特征圆点的直径明显大于其它特征圆点的直径，不对称分布的5个大圆点所处的位置能够区分它们各自的身份；另外，这5个大圆还用于标定表坐标轴的确定和其它各圆点的定位与身份识别；取标定表左上角特征点的圆心为原点，以标定表较长的一条边为x轴，向右为正；以较短的一条边为y轴，向下为正；以数码相机绕光轴旋转拍摄的方式对标定表拍摄几幅图像，拍摄过程中焦距保持不变。

2.特征圆点圆心的亚像素图像坐标获取

首先把拍摄得到的彩色图像转化为灰度图像；再采用高斯滤波对图像进行平滑处理，从而抑制噪声，改善图像质量；然后应用Canny边缘检测算子，提取图像中像素级的轮廓，再用Fourier-Mellin矩算子寻找亚像素级边缘，利用亚像素级的轮廓边缘进行椭圆拟合可以提高椭圆中心定位精度；最后采用最小二乘椭圆拟合方法提取图像中所有的椭圆目标，设定阈值检测出需要的椭圆目标，其中5个大圆成像后得到的椭圆的周长明显大于其它圆成像后得到的椭圆的周长。拟合得到的椭圆中心的坐标，即为标定表上特征圆中心的图像坐标。

基于正交Fourier-Mellin矩的亚像素边缘检测算法如下：

图像f(x，y)的OFMM的p阶q次表达式为：

$O_{\mathrm{pq}}=\frac{1}{2\mathrm{\π}\·\frac{1}{2(p+1)}}\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}f(x,y)Q_p\left(r\right)e^{-\mathrm{iq\ψ}}\mathrm{\Δx\Δy}---\left(3\right)$

其中f(x，y)表示图像在像素(x，y)时的灰度值，

表示归一化系数，Q_p(r)是在图像上半径为r的单位圆内阶数为n的多项式，q＝0，±1，±2，....表示循环的谐波次数，Q_p(r)e^-iqψ表示卷积运算的核函数。

把单位圆内图像逆时针旋转ψ角度的变换公式为：

O′_pq＝O_pqe^-iqψ    (4)

用三个基本参数(l，k，h)代表理想灰度阶跃模型，如图2所示。其中l表示从中心点到边缘的距离，h表示背景灰度值，k表示背景与边缘的阶跃值。ψ是x轴与垂直于边缘的线段的角度(即当图像逆时针旋转ψ角度后，x轴垂直与所求边缘)。三个基本参数是通过对图像上每个点的OFMM运算，即用核函数对图像加权并在单位圆上进行积分而得到。

旋转后根据积分定义可知：

$\∫{\∫}_{x^2+y^2\≤1}{f}^{\′}(x,y)\mathrm{ydydx}=0---\left(5\right)$

其中f′(x，y)表示旋转后的边缘。旋转角度的计算公式为：

$\mathrm{\ψ}=\arctan \left(\frac{\mathrm{Im}[{2O}_{01}+O_{11}]}{\mathrm{Re}[{2O}_{01}+O_{11}]}\right)---\left(6\right)$

由旋转后不同阶次的OFMM矩可以推导出图2的各个参数：

$\left\{\begin{array}{c}h=\frac{1}{\mathrm{\π}}\{O_{00}-k[\arcsin \sqrt{1-l^2}-l\sqrt{1-l^2}\left]\right\}\\ k=\frac{{2O}_{01}^{\′}+O_{11}^{\′}}{2{(1-l^2)}^{\frac{3}{2}}}\\ l=\frac{3}{5}\left(\frac{{4O}_{10}+O_{20}}{{2O}_{01}^{\′}+O_{11}^{\′}}\right)\end{array}\right.---\left(7\right)$

从而计算出边缘的精确位置：

$\left[\begin{array}{c}{x}_s\\ y_s\end{array}\right]=\left[\begin{array}{c}x\\ y\end{array}\right]+\frac{2l}{N}\left[\begin{array}{c}\cos \left(\mathrm{\ψ}\right)\\ \sin \left(\mathrm{\ψ}\right)\end{array}\right]---\left(8\right)$

其中，(x，y)表示图2的圆心坐标，(x_s，y_s)为图像的亚像素坐标。在使用模板与图像进行卷积时，得到的矩参数是图像N×N个像素区域内的矩参数，因此在计算精确位置时，还应该在l的基础上减小N/2。

由于矩方法是对图像上的每个点都要在模板范围内进行卷积，所以运算量较大，为此在进行OFMM方法进行边缘检测时，首先使用Canny算法对边缘进行初始定位，然后采用计算出OFMM各阶次的7×7模板对图像进行卷积运算。这样不但可以提高运行效率而且可以达到精确定位的目的。

3.图像点与空间点对应

本实施例采用的图像点与空间点的对应法，只要识别出5个大圆的圆点坐标，就可以利用5个大圆的定位作用自动建立图像中其它被识别出的图像点与其空间点坐标之间的对应；即使在某些点不可见或没有被提取的情况下，仍能建立其图像点与空间点的对应，算法有足够的鲁棒性；算法步骤如下：

(1)首先判断5个大圆是否全部被提取出，如果全部提取，则继续到第2步；否则，图像不符合要求，结束算法；

(2)5个大圆的识别，计算图像上两两大圆中心之间的距离，距离最小的1号和2号圆分为第一组；利用1号和2号连线与3号和4号连线平行，把3号和4号两圆分为第二组；剩下的一个即为5号大圆；另外，计算1号和2号两圆分别到3号和4号两圆的距离差，离3号和4号距离差的绝对值较大的为1号，另一个为2号；然后，计算3号和4号到1号圆的距离，距离较小的为3号，距离较大的为4号；至此，五个大圆被全部识别；

(3)根据求出的5个大圆确定中心点像素坐标，并根据圆心点间的距离从中心点开始逐层向外，计算其它特征点的坐标；

(4)比较识别出的图像坐标和计算出的图像坐标，从而确定图像点和空间点的对应。

4.不考虑镜头畸变时相机参数计算

三维空间点X在相机成像平面上的投影用理想针孔模型描述齐次坐标表示为：

$s\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=K\left[R\right|t]\left[\begin{array}{c}{x}_w\\ y_w\\ z_w\\ 1\end{array}\right],K=\left[\begin{array}{ccc}\mathrm{\α}& \mathrm{\γ}& u_0\\ 0& \mathrm{\β}& v_0\\ 0& 0& 1\end{array}\right]---\left(9\right)$

式中：s为一个比例系数；[x_w y_w z_w]^T为X在世界坐标系下的坐标；[u v]^T为X在图像平面上的像点坐标；R和t分别为从世界坐标系到相机坐标系的旋转变换矩阵和平移变换向量；K为相机内参数矩阵；(u₀，v₀)为图像平面的主点坐标；α，β分别为图像在u轴和v轴的焦距参数；γ为图像扭曲参数，表示图像两坐标轴偏斜度。

本实施例所用的标定表是平面的，所以标定表上的圆心点的世界坐x_i＝[x_i y_i 0]^T，即z分量为0，本方法中采用绕光轴旋转拍摄图像的方式，不存在相机的平移，由(9)式可得

$s\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=K\left[\begin{array}{cccc}{r}_1& r_2& r_3& 0\end{array}\right]\left[\begin{array}{c}{x}_w\\ y_w\\ 0\\ 1\end{array}\right]=K\left[\begin{array}{ccc}{r}_1& r_2& 0\end{array}\right]\left[\begin{array}{c}{x}_w\\ y_w\\ 1\end{array}\right]---\left(10\right)$

式中：r₁，r₂，r₃分别为旋转矩阵R的3个列向量，式(10)可以写成

$s\stackrel{\stackrel{\·}{\·}}{m}=H\stackrel{\stackrel{\·}{\·}}{M}---\left(11\right)$

式中： $\stackrel{\stackrel{\·}{\·}}{m}={\left[\begin{array}{ccc}u& v& 1\end{array}\right]}^T;$ H＝K[r₁ r₂ 0]； $\stackrel{\stackrel{\·}{\·}}{M}={\left[\begin{array}{ccc}{x}_w& y_w& 1\end{array}\right]}^T,$ 从式(11)看出，3×3的矩阵H联系了标定表上的圆点圆心的空间信息和图像信息。

矩阵H根据图像点与空间点的对应，利用非线性最小化方法进行求解，令H＝[h₁ h₂ h₃]，可以得到

[h₁ h₂ h₃]＝K[r₁ r₂ 0]    (12)

根据旋转矩阵列向量r₁，r₂的单位正交性，可以得到以下约束方程

$\left.\begin{array}{c}{h_1}^T{K}^{-T}{K}^{-1}{h}_2=0\\ {h_1}^T{K}^{-T}{K}^{-1}{h}_1={h_2}^T{K}^{-T}{K}^{-1}{h}_2\end{array}\right\}---\left(13\right)$

根据设计的标定表，每次拍摄的图像能够建立足够的图像点与空间点的对应，从而可以求出矩阵H，进一步得到2个线性约束方程，而矩阵K中有5个未知量需要标定，那么如果有n幅图像，就可以得到2n个线性方程；当n≥3时，就可以根据式(13)求解出K中的5个未知量；然后根据式(12)可以进一步求出每次拍摄时相机相对于世界坐标系的外部参数

$\left.\begin{array}{c}{r}_1=\mathrm{\λ}{K}^{-1}{h}_1,r_2=\mathrm{\λ}{K}^{-1}{h}_2\\ r_3=r_1\×r_2\end{array}\right\}---\left(14\right)$

式中：λ＝1/||K^-1h₁||＝1/||K^-1h₂||；至此，得到了所有的内外参数。

5.考虑镜头畸变时相机参数计算和参数优化

由于实际的成像过程是一个复杂的光学过程，实际的镜头并不是理想的，带有不同程度的畸变，所以理想针孔模型不能准确地描述成像几何关系；为了使模型更客观地反映相机的成像过程，引入了反映畸变影响的修正系数；描述非线性畸变可用如下公式：

$\hat{x}=x+{\mathrm{\δ}}_x(x,y)---\left(15\right)$

$\hat{y}=y+{\mathrm{\δ}}_y(x,y)$

其中，

为由针孔线性模型计算出来的图像点坐标的理想值；(x，y)是实际的图像点坐标，δ_x与δ_y是非线性畸变值，它与图像点在图像中的位置有关。非线性畸变主要包括径向畸变、离心畸变和薄棱镜畸变等；由各种因素造成的镜头畸变，通过数学上的处理，最后可以汇总描述为径向畸变和切向畸变，其中占主导地位的是径向畸变；本发明中所用的畸变模型为：

δ_x(x，y)＝x[k₁r²+k₂r⁴]+[2p₁xy+p₂(r²+2x²)]

                                            (16)

δ_y(x，y)＝y[k₁r²+k₂r⁴]+[p₁(r²+2y²)+2p₂xy]

其中 $r=\sqrt{x^2+y^2},$ k₁、k₂是描述径向畸变的两个系数，p₁、p₂为需要标定的切向畸变的两个参数。

利用最大似然估计的方法对内外参数求精，给出标定表的n幅图像，每幅图像上m个圆点，优化模型为：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left|\right|m_{\mathrm{ij}}-\hat{m}(K,k_1,k_2,p_1,p_2,R_i,M_j)\left|\right|}^2$

最大似然估计通过最小化式(2)获得，这是一个非线性最小化问题，通过Levenberg-Marquardt算法进行求解。

实施例2：

该实施例采用分辨率为4256×2848的FinePix S5Pro数码相机；焦距为24mm的AF Nikkor光学镜头；华硕X81H32SE-SL笔记本电脑，液晶显示器屏幕尺寸为14.1英寸，分辨率1280×800，点距为0.2375mm；标定程序以VC++6.0和OpenCV为编写工具，在WindowsXP系统上运行；设计的标定表如图1，小圆直径4.75mm，大圆直径9.50mm，圆心间隔20.425mm。

首先将标定表显示在液晶显示器LCD上，用数码相机绕光轴对LCD(光轴垂直于LCD屏幕)中的标定表旋转拍摄4幅图像，利用拍摄得到的图像进行标定实验。得到的标定结果为：

$K=\left(\begin{array}{ccc}4758.140618& 0.123779& 2165.616056\\ 0.000000& 4756.541528& 1442.751051\\ 0.000000& 0.000000& 1.000000\end{array}\right)$

k₁＝-0.11068985        k₂＝0.23840439

p₁＝-3.93080791×10^-4  p₂＝7.30140317×10^-4

为了检验实验结果的准确性，计算三维空间点的重投影误差：利用标定得到的参数，对标定表上的三维空间点做投影变换，从而得到在该参数条件下标定表特征圆点的像素坐标

为

分别计算

和实际图像中提取出的对应特征点的像素坐标m_i之间的平均误差(mean)，最大误差(max)和标准偏差(stddev)；表1给出了该组图像以像素为单位的重投影误差。

表1四幅图像的重投影误差(单位：像素)

另外，对标定表绕光轴旋转拍摄3幅图像，对拍摄得到的图像进行实验，得到的标定结果及重投影误差分别如下：

$K=\left(\begin{array}{ccc}4739.320421& 0.125847& 2166.149635\\ 0.000000& 4737.752253& 1442.595073\\ 0.000000& 0.000000& 1.000000\end{array}\right)$

k₁＝-0.11095357        k₂＝0.26004455

p₁＝-4.14503813×10^-4  p₂＝6.56706343×10^-4

表2三幅图像的重投影误差(单位：像素)

从上述表格可以看出重投影平均误差在0.04个像素附近波动，当图像幅数较少时，也能实现高精度标定。在相机参数确定以后，可以利用光学三角形原理计算出空间点的三维坐标，利用本实施例标定得到的参数，对间距精确值为60mm的两个点的三维坐标进行反求，100次测量实验得到的这两个点间的平均距离为60.01745mm，相对误差均值为0.02908％。重投影误差分析及三维空间点的反求结果与实际数据的比较，验证了本发明方法的可行性及高的标定精度。

Claims (3)

1、一种基于LCD的数码相机非线性标定方法，包括绘制标定表并拍摄图像、获取特征圆点圆心的亚像素图像坐标、图像点与空间点对应和相机参数计算四个过程；其特征在于绘制标定表并拍摄图像：利用圆点易于检测、中心定位高的优点，设计具有不同大小圆形特征点的标定表，其中5个大圆的直径大于其它各圆直径，不对称分布的5个大圆点所处的位置区分其各自的身份，或用于标定表坐标轴的确定和其它各圆点的定位与身份识别；把编程绘制的标定表显示在液晶显示器屏幕上，利用数码相机进行拍摄，得到标定表的图像，标定表上的圆点成像后为椭圆；LCD显示屏的观察屏幕视角为60°-170°，从不同角度对屏幕进行拍摄的图像清晰度不同，并影响图像边缘的提取精度，进而影响标定精度；数码相机的光轴垂直于LCD屏幕，采用数码相机绕光轴旋转对其拍摄获取3-4幅图像即可进行高精度的标定；获取特征圆点圆心的亚像素图像坐标：先把拍摄得到的彩色图像转化为灰度图像，再采用高斯滤波对图像进行平滑处理，抑制噪声，改善图像质量；然后用亚像素边缘轮廓检测算法检测图像中的亚像素边缘轮廓；最后采用最小二乘椭圆拟合法提取图像中所有的椭圆目标，得到椭圆中心坐标即圆点中心的图像坐标；采用基于亚像素的边缘轮廓检测算法，使得图像边缘的定位精度达到亚像素级，提高椭圆中心定位精度，进而提高数码相机标定的精度；图像点与空间点对应：根据两圆心之间的距离以及两圆心连线的平行性识别标定表上不对称分布的5个大圆，然后利用识别出的5个大圆确定其它各小圆的位置，比较计算出的图像点与识别出的图像点，从而确定各个图像点与空间点的对应；采用的图像点与空间点的对应算法只要识别出5个大圆的圆点坐标，利用5个大圆的定位作用自动建立图像中其它被识别出的图像点与其空间点坐标之间的对应；在某些点不可见或没有被提取时建立图像点与空间点的对应；相机参数计算：分为考虑镜头畸变或不考虑镜头畸变两种状态情形进行模拟计算，先进行相机参数及畸变系数的初估再对相机参数进行优化。

2、根据权利要求1所述的基于LCD的数码相机非线性标定方法，其特征在于亚像素边缘检测算法是先用像素级边缘检测算子Canny算子定位图像中像素级的边缘点位置，再利用正交Fourier-Mellin矩(OFMM)算子的低径向阶与旋转不变特性，在已检测的像素级边缘位置上进一步定位亚像素级边缘位置。

3、根据权利要求1所述的基于LCD的数码相机非线性标定方法，其特征在于对相机参数及畸变系数进行初估时，利用非线性方法求取相机内参数及畸变系数的初值，先根据各点的像点坐标与空间点坐标之间的对应，求解单应性矩阵H；然后根据旋转矩阵列向量的单位正交性约束，计算相机的内参数；实际成像过程中镜头带有不同程度的畸变，理想针孔模型不能准确描述成像几何关系，要使模型更客观的反映相机的成像过程，引入反映畸变影响的修正系数；非线性畸变主要包括径向畸变、离心畸变和薄棱镜畸变等；由各种因素造成的镜头畸变，通过数学上的处理，最后汇总描述为径向畸变和切向畸变，其中占主导地位的是径向畸变；同时考虑径向畸变和切向畸变，建立由针孔线性模型计算出来的图像点坐标的理想值与实际的图像点坐标之间的非线性畸变模型，从而计算出各畸变系数。

Images