CN106296718A - 基于立体视觉导航系统的相机阵列快速标定方法 - Google Patents

Abstract

本发明公开了一种基于立体视觉导航系统的相机阵列快速标定方法，用于解决现有相机阵列标定方法实时性差的技术问题。技术方案是针对无人机视觉导航系统，首先将红外相机阵列与红外激光发射器组合；然后根据无人机飞行记录，通过相机阵列捕捉红外激光发射器目标，实现目标的亚像素级定位；其次由特征点匹配算法获得相机之间的相对位移和旋转矩阵；最后根据相机内参矩阵，构造相机投影矩阵。该方法可以减少标定耗时，并很好地运用无人机的飞行记录，实现实时重标定，及时检测标定精度并实时更新。

Description

基于立体视觉导航系统的相机阵列快速标定方法

技术领域

本发明涉及一种相机阵列标定方法，特别是涉及一种基于立体视觉导航系统的相机阵列快速标定方法。

背景技术

立体视觉导航是目前无人机导航领域中的热点。随着无人机的快速发展，其应用领域愈加广泛。以往，无人机主要依靠惯性导航系统和全球定位系统(GPS)进行导航，然而在导航期间，惯性系统具有累计误差，GPS信号并非总是稳定的。在一些军用领域，无人机需要具有隐蔽性好，反侦察能力强，可以对抗电磁干扰的能力。故将计算机视觉技术引入无人机导航中，将其与惯性系统和GPS进行融合，这样不仅弥补了传统导航系统的缺陷，而且增强了无人机导航系统的稳定性和抗干扰性。

相机标定是计算机视觉导航系统的关键步骤，它直接关系到系统的精度。传统方法采用已知形状和尺寸的标定板进行标定，该方法标定物质制作复杂，不适合运用在室外大场景的标定环境中。文献Shang,Yang,et al."A camera calibration method forlarge field optical measurement."Optik-International Journal for Light andElectron Optics124.24(2013):6553-6558.中，进行了无人机视觉导航系统中的相机标定的研究，该标定方法需要运用地面标志点的三维坐标，对于环境的适应性差，标定准备过程耗时，重标定过程复杂。文献Huang,Thomas S.,and Olivier D.Faugeras."Someproperties of the E matrix in two-view motion estimation."Pattern Analysisand Machine Intelligence,IEEE Transactions on11.12(1989):1310-1312.中，对根据图像进行相机姿态估计的方法进行了详细的阐述。

发明内容

为了克服现有相机阵列标定方法实时性差的不足，本发明提供一种基于立体视觉导航系统的相机阵列快速标定方法。该方法针对无人机视觉导航系统，首先将红外相机阵列与红外激光发射器组合；然后根据无人机飞行记录，通过相机阵列捕捉红外激光发射器目标，实现目标的亚像素级定位；其次由特征点匹配算法获得相机之间的相对位移和旋转矩阵；最后根据相机内参矩阵，构造相机投影矩阵。该方法可以减少标定耗时，并很好地运用无人机的飞行记录，实现实时重标定，及时检测标定精度并实时更新。

本发明解决其技术问题所采用的技术方案是：一种基于立体视觉导航系统的相机阵列快速标定方法，其特点是包括以下步骤：

(a)首先根据相机型号获取相机的内部参数，包括相机主点相机坐标p_x，p_y。相机焦距f，相机的像素尺度因子m_x，m_y，并构造相机的内参矩K：

$K=\left[\begin{array}{ccc}{\mathrm{\α}}_x& 0& x_0\\ 0& {\mathrm{\α}}_y& y_0\\ 0& 0& 1\end{array}\right]---\left(1\right)$

其中，α_x＝fm_x,α_y＝fm_y,x₀＝m_xp_x,y₀＝m_yp_y。

(b)通过无人机视觉导航系统实时捕捉并获取特征点图像坐标x₁，x₂。得到相机的对应点匹配集合。

(c)根据上述的对应点匹配集合，采用RANSAC算法估计两摄像机之间的基础矩阵F，基础矩阵的关系式表达式为：

x₂ ^-1Fx₁＝0 (2)

(d)根据相机内参矩阵约束，分解基础矩阵得到本质矩阵E。根据图像对应点坐标x₁，x₂，图像坐标的归一化表示为定义为本质矩阵的定义方程为：

根据定义式得：

x₂′^TK₂′^-TEK₁ ^-1x₁＝0 (4)

将公式(2)与公式(4)比较得到基本矩阵与本质矩阵关系为：

E＝K₂′^TFK₁ (5)

(e)根据SVD分解本质矩阵E，E表示为：

E＝[t]_xR＝SR＝Udiag(1，1，0)V^T (6)

其中，S反对称矩阵，R为旋转矩阵，在相差尺度因子的情况下确定相机矩阵的平移向量t，又有[t]_xt＝0，得

t＝U(0，0，1)^T＝u₂ (7)

$w=\left[\begin{array}{ccc}0& -1& 0\\ 1& 0& 0\\ 0& 0& 1\end{array}\right]---\left(8\right)$

R＝UWV^T或R＝UW^TV^T (9)

将其中一个相机的坐标系作为世界坐标系，则根据公式(7)和公式(9)估计出另外一个相机相对于第一个相机的旋转矩阵R和偏移矩阵t。测量出相机之间的基线距离d，则将归一化的偏移矩阵t，转化为实际偏移矩阵T

T＝dt (10)

再根据相机装置的位姿情况，从估计值中筛选出旋转矩阵R。

(f)根据相机的内参矩阵K，构造出相机矩阵P：

P＝K[R|T] (11)。

本发明的有益效果是：该方法针对无人机视觉导航系统，首先将红外相机阵列与红外激光发射器组合；然后根据无人机飞行记录，通过相机阵列捕捉红外激光发射器目标，实现目标的亚像素级定位；其次由特征点匹配算法获得相机之间的相对位移和旋转矩阵；最后根据相机内参矩阵，构造相机投影矩阵。该方法可以减少标定耗时，并很好地运用无人机的飞行记录，实现实时重标定，及时检测标定精度并实时更新。

下面结合具体实施方式对本发明作详细说明。

具体实施方式

本发明基于立体视觉导航系统的相机阵列快速标定方法具体步骤如下：

(a)首先根据相机型号获取相机的内部参数，包括相机主点相机坐标p_x，p_y。相机焦距f，相机的像素尺度因子m_x，m_y，并构造相机的内参矩K：

$K=\left[\begin{array}{ccc}{\mathrm{\α}}_x& 0& x_0\\ 0& {\mathrm{\α}}_y& y_0\\ 0& 0& 1\end{array}\right]---\left(1\right)$

其中，α_x＝fm_x,α_y＝fm_y,x₀＝m_xp_x,y₀＝m_yp_y。

(b)通过无人机视觉导航系统实时的捕捉并获取特征点图像坐标x₁，x₂。得到相机的对应点匹配集合。

(c)根据上述的对应点匹配集合，采用RANSAC算法估计两摄像机之间的基础矩阵F，基础矩阵的关系式表达式为：

x₂ ^-1Fx₁＝0 (2)

(d)根据相机内参矩阵约束，分解基础矩阵得到本质矩阵E。根据图像对应点坐标x₁，x₂。图像坐标的归一化表示为定义为本质矩阵的定义方程为：

根据定义式可得：

x₂′^TK₂′^-TEK₁ ^-1x₁＝0 (4)

将公式(2)与公式(4)比较可得基本矩阵与本质矩阵关系为：

E＝K₂′^TFK₁ (5)

(e)根据SVD分解本质矩阵E，E可以表示为：

E＝[t]_xR＝SR＝Udiag(1，1，0)V^T (6)

其中，S反对称矩阵，R为旋转矩阵，在相差尺度因子的情况下确定相机矩阵的平移向量t，又有[t]_xt＝0，可得

t＝U(0，0，1)^T＝u₃ (7)

$w=\left[\begin{array}{ccc}0& -1& 0\\ 1& 0& 0\\ 0& 0& 1\end{array}\right]---\left(8\right)$

R＝UWV^T或R＝UWTV^T (9)

将其中一个相机的坐标系作为世界坐标系，则可根据公式(7)和公式(9)估计出另外一个相机相对于第一个相机的旋转矩阵R和偏移矩阵t。测量出相机之间的基线距离d，则可以将归一化的偏移矩阵t，转化为实际偏移矩阵T

T＝dt (10)

再根据相机装置的位姿情况，从估计值中筛选出实际旋转矩阵R。

(f)根据相机的内参矩阵K，构造出相机矩阵P：

P＝K[R|T] (11)。

Claims (1)

1.一种基于立体视觉导航系统的相机阵列快速标定方法，其特征在于包括以下步骤：

(a)首先根据相机型号获取相机的内部参数，包括相机主点相机坐标p_x，p_y；相机焦距f，相机的像素尺度因子m_x，m_y，并构造相机的内参矩K：

$K=\left[\begin{array}{ccc}{\mathrm{\α}}_x& 0& x_0\\ 0& {\mathrm{\α}}_y& y_0\\ 0& 0& 1\end{array}\right]---\left(1\right)$

其中，α_x＝fm_x,α_y＝fm_y,x₀＝m_xp_x,y₀＝m_yp_y；

(b)通过无人机视觉导航系统实时捕捉并获取特征点图像坐标x₁，x₂；得到相机的对应点匹配集合；

(c)根据上述的对应点匹配集合，采用RANSAC算法估计两摄像机之间的基础矩阵F，基础矩阵的关系式表达式为：

x₂ ^-1Fx₁＝0 (2)

(d)根据相机内参矩阵约束，分解基础矩阵得到本质矩阵E；根据图像对应点坐标x₁，x₂，图像坐标的归一化表示为定义为本质矩阵的定义方程为：

${\widehat{x_2}}^{\′T}E\widehat{x_1}=0---\left(3\right)$

根据定义式得：

x₂ ^′TK₂ ^′-TEK₁ ^-1x₁＝0 (4)

将公式(2)与公式(4)比较得到基本矩阵与本质矩阵关系为：

E＝K₂ ^′TFK₁ (5)

(e)根据SVD分解本质矩阵E，E表示为：

E＝[t]_xR＝SR＝Udiag(1，1，0)V^T (6)

其中，S反对称矩阵，R为旋转矩阵，在相差尺度因子的情况下确定相机矩阵的平移向量t，又有[t]_xt＝0，得

t＝U(0，0，1)^T＝u₃ (7)

$w=\left[\begin{array}{ccc}0& -1& 0\\ 1& 0& 0\\ 0& 0& 1\end{array}\right]---\left(8\right)$

R＝UWV^T或R＝UW^TV^T (9)

将其中一个相机的坐标系作为世界坐标系，则根据公式(7)和公式(9)估计出另外一个相机相对于第一个相机的旋转矩阵R和偏移矩阵t_e测量出相机之间的基线距离d，则将归一化的偏移矩阵t，转化为实际偏移矩阵T

T＝dt (10)

再根据相机装置的位姿情况，从估计值中筛选出旋转矩阵R；

(f)根据相机的内参矩阵K，构造出相机矩阵P：

P＝K[R|T] (11)。