CN106683139A - 基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法 - Google Patents
基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法 Download PDFInfo
- Publication number
- CN106683139A CN106683139A CN201710089832.9A CN201710089832A CN106683139A CN 106683139 A CN106683139 A CN 106683139A CN 201710089832 A CN201710089832 A CN 201710089832A CN 106683139 A CN106683139 A CN 106683139A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- genetic algorithm
- parameter
- internal reference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002068 genetic effect Effects 0.000 title claims abstract description 33
- 238000012937 correction Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 241000208340 Araliaceae Species 0.000 claims description 21
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 21
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 21
- 235000008434 ginseng Nutrition 0.000 claims description 21
- 241000251468 Actinopterygii Species 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 15
- 239000000729 antidote Substances 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 238000005316 response function Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000006978 adaptation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明涉及一种基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法，属于计算机图形学、数字图像处理以及人工智能算法技术领域。鱼眼相机标定系统包括顺序连接的畸变校正模块、特征检测模块和鱼眼相机参数标定模块。图像畸变矫正方法包括图像预处理、哈里斯角点检测和遗传算法逼近内参、外参三个步骤。本发明能减少标定参数，且提高标定内参、外参的精度。
Description
技术领域
本发明涉及一种基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法，属于计算机图形学、数字图像处理以及人工智能算法技术领域。
背景技术
鱼眼图像畸变矫正有许多方法，其中文献(基于双经度模型的鱼眼图像畸变矫正方法[J].仪器仪表学报,2015,02:377-385)提出了运用双经度球面模型转化为平面模型的方法，利用鱼眼图像的桶形畸变特点，实现快速畸变矫正。然而，矫正后的图像虽然在中间部位还原为正常图像，但是在两极拉伸严重。文献(应用经纬映射的鱼眼图像校正设计方法[J].工程图学学报,2010,06:19-22)提出的经纬度模型矫正，是双经度矫正的一种改进，该方法同样具有快速矫正的特点，但是面对大于180度的鱼眼相机，矫正图片的拱形畸变较为严重，在双极处未得到很好的还原。
摄像机标定有许多经典的方法，文献(A flexible new technique for cameracalibration[J].IEEE Transactions on pattern analysis and machineintelligence,2000,22(11):1330-1334.)【一种灵活的新型摄像机标定技术】中提出的张正友标定法是被运用最为广泛的一种方法，其运用单幅标定板拍摄多幅图像，建立空间点到图像的数学关系式，可以达到普通相机的精确标定。然而对于畸变严重的鱼眼图像，张正友标定法利用极大似然法逼近内参、外参及畸变系数等多个参数，精度大幅下降。并且，在目前商业化生产线的条件下，通过相机拍摄多幅图像的方法效率较低。
发明内容
为了克服鱼眼图像畸变、标定方法复杂和标定参数不精确这几个缺点，提出了一种基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法。本发明仅需对单幅图像进行标定，并且，运用基于小孔成像对比矫正法对图像进行预处理，能减少标定参数，并且利用鲁棒性高、收敛性好的遗传算法进行参数寻优，从而达到提高标定内参、外参精度的要求。这对于鱼眼图像矫正、鱼眼相机标定的研究与实际应用的开发都具有重要的理论与实际意义。
本发明为解决其技术问题采用如下技术方案：
一种基于遗传算法的鱼眼相机标定系统，包括顺序连接的畸变校正模块、特征检测模块和鱼眼相机参数标定模块；
所述畸变校正模块：对图像进行预处理，用于消除原鱼眼图像的畸变；
所述特征检测模块：进行四边形拟合，哈里斯角点检测；用于提供稳定的特征点；
所述鱼眼相机参数标定模块：将理论内参作为初始值，由畸变校正模块输出的已预处理图像作为输入，并且以特征检测模块计算出的特征点作为参数，最后利用遗传算法逼近得出准确的摄像机内参、外参。
一种基于遗传算法的鱼眼相机标定系统的图像畸变矫正方法，包括以下步骤：
(1)图像预处理
在汽车的前后左右分别安装一个鱼眼摄像机，摄像机光轴与地面呈45度，标定场中标定板分别安置在距离汽车的前后左右，标定板中的方块面积为60cm*60cm，之后4个相机分别拍摄一副图像；
利用小孔成像对比法分别对4幅图像进行畸变矫正；
(2)哈里斯角点检测
在图像预处理之后，对图像中标定板先进行四边形拟合，四边形拟合运用了矢量数据压缩算法；然后利用哈里斯角点检测，分别检测4幅矫正图中的角点；
(3)遗传算法逼近内参、外参
[1]寻优参数设定；
[2]适应度函数定义；
定义F为每组摄像机参数的适应度函数，其为空间中的点通过内外参数映射到二维平面与图像中角点的曼哈顿距离之和与阈值D的差值：其中D是常数，根据经验设定，n是一副图像中检测角点总数，Gi(f′x,f′y,u′0,v′0)为空间中的第i点通过当前内参映射到二维平面的坐标，Hi为图像中对应的第i个哈里斯角点；
[3]遗传算法求解过程；
遗传算法求解过程包含：选择、交叉、变异三个部分，
通过不断地进行选择-交叉-变异的操作，直到达到预先设定的最大迭代数M代或高于预先设定阈值后，停止迭代，输出最终代的最优摄像机内参，之后通过该最优内参、空间点坐标和图像中的角点计算得到外参即为最优外参。
步骤(2)中对图像中标定板进行四边形拟合，具体步骤如下：
1)图像转化为灰度图，并进行二值化处理，二值化阈值设定为210；
2)多边形轮廓提取；
3)利用矢量数据压缩算法逼近多边形，若多边形有4个顶点，判断为标定板；
4)运用哈里斯角点检测提取角点。
步骤(3)设定适应度函数具体过称如下：利用空间中的点、图像中的角点和第i组内参计算出第i组外参，再利用空间中的点和第i组内、外参映射到二维平面，将此二维平面中的每个点与原图像中的对应的角点求曼哈顿距离，用参数D减去曼哈顿距离之和。
步骤(3)中所述遗传算法求解过程选择部分，具体过程如下：首先根据定义的适应度函数F计算种群中每组摄像机内参的适应度：F1,F2,F3...FN,保存适应度最高的一组参数，用于替代下一代种群中适应度最低的一组参数，同时用前代种群中的最优参数替代当前组适应度最低的参数。
本发明的有益效果如下：
由于本发明中的图像矫正法不依赖于球体模型，也不局限于鱼眼相机的最大入射角度，在双极点还原度较高，并且利用反向映射法，无需进行双线性插值。与此同时，本发明对图像进行预处理，减少了畸变参数的测定，为之后的摄像机标定提高了效率以及精度。
与经典的张正友标定法相比，针对单幅标定图像，利用遗传算法逼近摄像机内参、外参，可以得到较高的精度，并且在标定流程上也更为简便，为生产提供了很大的便利。同时，利用寻优高效的遗传算法，仅需利用标定图像中极少的特征点，简化了标定物。
附图说明
图1为鱼眼相机标定系统结构图。
图2为鱼眼相机标定方法流程图。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
整个鱼眼相机标定系统如图1所示，其中包含三个处理模块，分别为畸变校正模块、特征检测模块和鱼眼相机参数标定模块。
(1)畸变校正模块：对图像进行预处理，主要包括利用小孔成像对比矫正法进行畸变矫正；用于消除原鱼眼图像的畸变，减少在鱼眼相机参数标定模块中的畸变系数的计算；
(2)特征检测模块：四边形拟合，哈里斯角点检测；用于提供稳定的特征点，作为鱼眼相机参数标定模块中的期望参考点；
(3)鱼眼相机参数标定模块：该模块将理论内参作为初始值，由畸变校正模块输出的已预处理图像作为输入，并且以特征检测模块计算出的特征点作为参数，最后利用遗传算法逼近得出准确的摄像机内参、外参，达到精确标定鱼眼相机的目的。
本发明涉及到单幅鱼眼图像的鱼眼图像矫正技术和遗传算法的寻优方法如图2所示，包括以下步骤：
1.图像预处理
在汽车360度全景环视系统的标定流程中，汽车的前后左右分别安装一个鱼眼摄像机，摄像机光轴与地面呈45度，标定场中标定板分别安置在距离汽车的前后左右，标定板中的方块面积为60cm*60cm，之后4个相机分别拍摄一副图像。
利用小孔成像对比法分别对4幅图像进行畸变矫正，其主要原理如下：
小孔成像的物理模型为Rp＝f*tan(θ)，其中，Rp是成像点离图像中心的距离，f是焦距，θ是入射角。鱼眼成像的物理模型为Rf＝f*sin(θ/2)，其中，Rf是鱼眼图像中成像点离图像中心的距离，f是焦距，θ是入射角。由两式比较得出以下等式， 其中，xp和yp分别代表小孔成像图中成像点到中心的横向及纵向距离，xf和yf分别代表鱼眼图像中成像点到中心的横向及纵向距离，λ为小孔成像图中成像点距中心的欧式距离与焦距的比值；f为焦距，可以通过式子求得，其中image_width鱼眼图像宽度，单位是像素，FOV是横向最大入射角。以上等式是采用的反向映射的方式列写，因此不必对图像进行双线性插值。我们将小孔成像图像中的点依次与鱼眼图像中的点对应，将鱼眼图像中的点填充到小孔成像图中，达到畸变矫正的目的。
2.哈里斯角点检测
在图像预处理之后，利用哈里斯角点检测，分别检测4幅矫正图中的角点。由于光照及畸变矫正的原因，安置在汽车四周边缘的标定板可能会显示模糊，最终检测边缘角点失败，因此要对图像中标定板进行四边形拟合，四边形拟合主要运用了矢量数据压缩算法，具体操作如下：
1)图像转化为灰度图，并进行二值化处理，二值化阈值设定为210；
2)多边形轮廓提取；
3)利用矢量数据压缩算法逼近多边形，若多边形有4个顶点，判断为标定板；
4)而后运用哈里斯角点检测提取角点。
运用此方法可以避免其他物体和光照的干扰，提高角点检测在各个环境中的适应度。
3.遗传算法逼近内参、外参
[1]寻优参数设定
由于摄像机的外参是通过世界坐标点、图像坐标点和内参计算得到，因此，严格意义上来讲，需要逼近的参数只有4个内参，即fx、fy、u0和v0，其中，fx为横向焦距像素距离、fy为纵向焦距像素距离、u0为光心在图像中的横坐标、v0为光心在图像中的纵坐标。利用摄像机厂家提供的理论内参作为遗传算法逼近的初始值：f/dx、f/dy、cx和cy，其中f是理论焦距，dx,dy分别是像素的理论长和宽，cx,cy分别是图像中心的横坐标和纵坐标。
由于焦距偏移及光心偏移都不会过大，故对其变化范围进行约束：fx∈(f/dx-5,f/dx+5)，fy∈(f/dy-5,f/dy+5)，u0∈(cx-3,cx+3)，v0∈(cy-3,cy+3)
[2]适应度函数定义
为利用遗传算法求解摄像机参数，需要定义适应度函数。定义F为每组摄像机参数的适应度函数，其为空间中的点通过内外参数映射到二维平面与图像中角点的曼哈顿距离之和：其中D是常数，根据经验设定，在360度全景环视系统中设为100，n是一副图像中检测角点总数，在此设为8，Gi(f′x,f′y,u′0,v′0)为空间中的第i点通过当前内参映射到二维平面的坐标，Hi为图像中对应的第i个哈里斯角点。
具体过称为：利用空间中的点、图像中的角点和第i组内参计算出第i组外参，再利用空间中的点和第i组内、外参映射到二维平面，将此二维平面中的每个点与原图像中的对应的角点求曼哈顿距离，用参数D减去曼哈顿距离之和设定为我们的适应度函数。
[3]遗传算法求解过程
遗传算法求解过程主要包含：选择、交叉、变异三个部分。
遗传算法将一组摄像机内参称为一个基因，而每次寻优过程中的多组摄像机内参称为一代种群，根据适应度函数每次迭代通过种群不断的选择-交叉-变异，产生下一代更适应(更优)的种群以达到寻优的目的。
(1)初始种群产生，根据[1]中定义的摄像机初始参数及其约束范围，根据以下方法产生初始种群：设定每代种群规模为N(即每代种群中包含N组摄像机内参，在此设定为30)，在每组摄像机内参约束范围内，随机选取参数，作为初代种群。
(2)选择，首先根据[2]中定义的适应度函数F计算种群中每组摄像机内参的适应度：F1,F2,F3...FN,保存适应度最高的一组参数，用于替代下一代种群中适应度最低的一组参数，同时用前代种群中的最优参数替代当前组适应度最低的参数。
(3)交叉，针对(2)中产生的一代种群，按照一定的概率选择2组摄像机内参进行单点交叉，交叉概率设定为0.9。
(4)变异，为了增加种群的多样性以及防止寻优过早收敛，从第二代之后引入变异计算。设变异概率λ为0.05，那么有N*λ个变异基因。从第二代开始，将(2)中得到的新一代种群中适应度排名靠后的N*λ组参数，对每组参数随机选择一个参数进行变异，变异设定在参数约束范围之内。
通过不断地进行选择-交叉-变异的操作，直到达到预先设定的最大迭代数M代(M设定为80)或高于预先设定阈值(阈值设定为95，即适应度函数值)后，停止迭代，输出最终代的最优摄像机内参，之后通过该最优内参、空间点坐标和图像中的角点计算得到外参即为最优外参。
Claims (5)
1.一种基于遗传算法的鱼眼相机标定系统，其特征在于，包括顺序连接的畸变校正模块、特征检测模块和鱼眼相机参数标定模块；
所述畸变校正模块：对图像进行预处理，用于消除原鱼眼图像的畸变；
所述特征检测模块：进行四边形拟合，哈里斯角点检测；用于提供稳定的特征点；
所述鱼眼相机参数标定模块：将理论内参作为初始值，由畸变校正模块输出的已预处理图像作为输入，并且以特征检测模块计算出的特征点作为参数，最后利用遗传算法逼近得出准确的摄像机内参、外参。
2.根据权利要求1所述的基于遗传算法的鱼眼相机标定系统的图像畸变矫正方法，其特征在于，包括以下步骤：
（1）图像预处理
在汽车的前后左右分别安装一个鱼眼摄像机，摄像机光轴与地面呈45度，标定场中标定板分别安置在距离汽车的前后左右，标定板中的方块面积为60cm*60cm，之后4个相机分别拍摄一副图像；
利用小孔成像对比法分别对4幅图像进行畸变矫正；
（2）哈里斯角点检测
在图像预处理之后，对图像中标定板先进行四边形拟合，四边形拟合运用了矢量数据压缩算法；然后利用哈里斯角点检测，分别检测4幅矫正图中的角点；
（3）遗传算法逼近内参、外参
[1]寻优参数设定；
[2]适应度函数定义；
定义F为每组摄像机参数的适应度函数，其为空间中的点通过内外参数映射到二维平面与图像中角点的曼哈顿距离之和与阈值D的差值：，其中D是常数，根据经验设定，n是一副图像中检测角点总数， 为空间中的第i点通过当前内参映射到二维平面的坐标， 为图像中对应的第i个哈里斯角点；
[3]遗传算法求解过程；
遗传算法求解过程包含：选择、交叉、变异三个部分，
通过不断地进行选择-交叉-变异的操作，直到达到预先设定的最大迭代数M代或高于预先设定阈值后，停止迭代，输出最终代的最优摄像机内参，之后通过该最优内参、空间点坐标和图像中的角点计算得到外参即为最优外参。
3.根据权利要求2所述的基于遗传算法的鱼眼相机标定系统的图像畸变矫正方法，其特征在于，步骤（2）中对图像中标定板进行四边形拟合，具体步骤如下：
图像转化为灰度图，并进行二值化处理，二值化阈值设定为210；
多边形轮廓提取；
利用矢量数据压缩算法逼近多边形，若多边形有4个顶点，判断为标定板；
4）运用哈里斯角点检测提取角点。
4.根据权利要求2所述的基于遗传算法的鱼眼相机标定系统的图像畸变矫正方法，其特征在于，步骤（3）设定适应度函数具体过称如下：利用空间中的点、图像中的角点和第i组内参计算出第i组外参，再利用空间中的点和第i组内、外参映射到二维平面，将此二维平面中的每个点与原图像中的对应的角点求曼哈顿距离，用参数D减去曼哈顿距离之和。
5.根据权利要求2所述的基于遗传算法的鱼眼相机标定系统的图像畸变矫正方法，其特征在于，步骤（3）中所述遗传算法求解过程选择部分，具体过程如下：首先根据定义的适应度函数F计算种群中每组摄像机内参的适应度： ,保存适应度最高的一组参数，用于替代下一代种群中适应度最低的一组参数，同时用前代种群中的最优参数替代当前组适应度最低的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710089832.9A CN106683139B (zh) | 2017-02-20 | 2017-02-20 | 基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710089832.9A CN106683139B (zh) | 2017-02-20 | 2017-02-20 | 基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106683139A true CN106683139A (zh) | 2017-05-17 |
| CN106683139B CN106683139B (zh) | 2023-09-26 |
Family
ID=58861118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710089832.9A Active CN106683139B (zh) | 2017-02-20 | 2017-02-20 | 基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106683139B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107644444A (zh) * | 2017-09-07 | 2018-01-30 | 广东工业大学 | 一种基于压缩感知的单图像相机标定方法 |
| US10417911B2 (en) | 2017-12-18 | 2019-09-17 | Ford Global Technologies, Llc | Inter-vehicle cooperation for physical exterior damage detection |
| US10600234B2 (en) | 2017-12-18 | 2020-03-24 | Ford Global Technologies, Llc | Inter-vehicle cooperation for vehicle self imaging |
| CN110942434A (zh) * | 2019-11-22 | 2020-03-31 | 华兴源创(成都)科技有限公司 | 一种显示面板的显示补偿系统及方法 |
| US10628690B2 (en) | 2018-05-09 | 2020-04-21 | Ford Global Technologies, Llc | Systems and methods for automated detection of trailer properties |
| CN111445534A (zh) * | 2020-04-03 | 2020-07-24 | 北京四维智联科技有限公司 | 一种用于全自动泊车的相机高精度自动标定方法及装置 |
| US10745005B2 (en) | 2018-01-24 | 2020-08-18 | Ford Global Technologies, Llc | Inter-vehicle cooperation for vehicle self height estimation |
| CN111612812A (zh) * | 2019-02-22 | 2020-09-01 | 富士通株式会社 | 目标物检测方法、检测装置和电子设备 |
| CN111862234A (zh) * | 2020-07-22 | 2020-10-30 | 中国科学院上海微系统与信息技术研究所 | 双目相机自标定方法及系统 |
| CN112419207A (zh) * | 2020-11-17 | 2021-02-26 | 苏宁金融科技(南京)有限公司 | 一种图像矫正方法及装置、系统 |
| CN112862895A (zh) * | 2019-11-27 | 2021-05-28 | 杭州海康威视数字技术股份有限公司 | 一种鱼眼摄像头标定方法、装置及系统 |
| CN112967345A (zh) * | 2021-03-09 | 2021-06-15 | 北京百度网讯科技有限公司 | 鱼眼相机的外参标定方法、装置以及系统 |
| US11351917B2 (en) | 2019-02-13 | 2022-06-07 | Ford Global Technologies, Llc | Vehicle-rendering generation for vehicle display based on short-range communication |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150093042A1 (en) * | 2012-06-08 | 2015-04-02 | Huawei Technologies Co., Ltd. | Parameter calibration method and apparatus |
| CN104881866A (zh) * | 2015-04-30 | 2015-09-02 | 长安通信科技有限责任公司 | 一种扩展小孔成像模型的鱼眼相机矫正与标定方法 |
| CN104899852A (zh) * | 2014-03-03 | 2015-09-09 | 西南科技大学 | 一种基于遗传算法及支持向量机的微小颗粒检测系统标定方法 |
| CN105631844A (zh) * | 2014-10-28 | 2016-06-01 | 上海大学 | 一种摄像机标定方法 |
| JP2016218815A (ja) * | 2015-05-22 | 2016-12-22 | 株式会社明電舎 | ラインセンサカメラのキャリブレーション装置及び方法 |
-
2017
- 2017-02-20 CN CN201710089832.9A patent/CN106683139B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150093042A1 (en) * | 2012-06-08 | 2015-04-02 | Huawei Technologies Co., Ltd. | Parameter calibration method and apparatus |
| CN104899852A (zh) * | 2014-03-03 | 2015-09-09 | 西南科技大学 | 一种基于遗传算法及支持向量机的微小颗粒检测系统标定方法 |
| CN105631844A (zh) * | 2014-10-28 | 2016-06-01 | 上海大学 | 一种摄像机标定方法 |
| CN104881866A (zh) * | 2015-04-30 | 2015-09-02 | 长安通信科技有限责任公司 | 一种扩展小孔成像模型的鱼眼相机矫正与标定方法 |
| JP2016218815A (ja) * | 2015-05-22 | 2016-12-22 | 株式会社明電舎 | ラインセンサカメラのキャリブレーション装置及び方法 |
Non-Patent Citations (4)
| Title |
|---|
| 任贝等: "基于遗传算法的摄像机标定", 《吉林大学学报（信息科学版）》 * |
| 任贝等: "基于遗传算法的摄像机标定", 《吉林大学学报（信息科学版）》, vol. 31, no. 4, 31 July 2013 (2013-07-31), pages 432 - 436 * |
| 林慧英等: "基于图像畸变矫正的摄像机标定方法", 《吉林大学学报（工学版）》 * |
| 林慧英等: "基于图像畸变矫正的摄像机标定方法", 《吉林大学学报（工学版）》, vol. 37, no. 2, 31 March 2007 (2007-03-31), pages 433 - 437 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107644444B (zh) * | 2017-09-07 | 2020-04-03 | 广东工业大学 | 一种基于压缩感知的单图像相机标定方法 |
| CN107644444A (zh) * | 2017-09-07 | 2018-01-30 | 广东工业大学 | 一种基于压缩感知的单图像相机标定方法 |
| US10417911B2 (en) | 2017-12-18 | 2019-09-17 | Ford Global Technologies, Llc | Inter-vehicle cooperation for physical exterior damage detection |
| US10600234B2 (en) | 2017-12-18 | 2020-03-24 | Ford Global Technologies, Llc | Inter-vehicle cooperation for vehicle self imaging |
| US10745005B2 (en) | 2018-01-24 | 2020-08-18 | Ford Global Technologies, Llc | Inter-vehicle cooperation for vehicle self height estimation |
| US10628690B2 (en) | 2018-05-09 | 2020-04-21 | Ford Global Technologies, Llc | Systems and methods for automated detection of trailer properties |
| US11351917B2 (en) | 2019-02-13 | 2022-06-07 | Ford Global Technologies, Llc | Vehicle-rendering generation for vehicle display based on short-range communication |
| CN111612812B (zh) * | 2019-02-22 | 2023-11-03 | 富士通株式会社 | 目标物检测方法、检测装置和电子设备 |
| CN111612812A (zh) * | 2019-02-22 | 2020-09-01 | 富士通株式会社 | 目标物检测方法、检测装置和电子设备 |
| CN110942434B (zh) * | 2019-11-22 | 2023-05-05 | 华兴源创(成都)科技有限公司 | 一种显示面板的显示补偿系统及方法 |
| CN110942434A (zh) * | 2019-11-22 | 2020-03-31 | 华兴源创(成都)科技有限公司 | 一种显示面板的显示补偿系统及方法 |
| CN112862895A (zh) * | 2019-11-27 | 2021-05-28 | 杭州海康威视数字技术股份有限公司 | 一种鱼眼摄像头标定方法、装置及系统 |
| CN112862895B (zh) * | 2019-11-27 | 2023-10-10 | 杭州海康威视数字技术股份有限公司 | 一种鱼眼摄像头标定方法、装置及系统 |
| CN111445534B (zh) * | 2020-04-03 | 2023-04-21 | 北京四维智联科技有限公司 | 一种用于全自动泊车的相机高精度自动标定方法及装置 |
| CN111445534A (zh) * | 2020-04-03 | 2020-07-24 | 北京四维智联科技有限公司 | 一种用于全自动泊车的相机高精度自动标定方法及装置 |
| CN111862234A (zh) * | 2020-07-22 | 2020-10-30 | 中国科学院上海微系统与信息技术研究所 | 双目相机自标定方法及系统 |
| CN111862234B (zh) * | 2020-07-22 | 2023-10-20 | 中国科学院上海微系统与信息技术研究所 | 双目相机自标定方法及系统 |
| CN112419207A (zh) * | 2020-11-17 | 2021-02-26 | 苏宁金融科技(南京)有限公司 | 一种图像矫正方法及装置、系统 |
| CN112967345A (zh) * | 2021-03-09 | 2021-06-15 | 北京百度网讯科技有限公司 | 鱼眼相机的外参标定方法、装置以及系统 |
| CN112967345B (zh) * | 2021-03-09 | 2024-04-26 | 阿波罗智联(北京)科技有限公司 | 鱼眼相机的外参标定方法、装置以及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106683139B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106683139A (zh) | 基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法 | |
| CN107292921B (zh) | 一种基于kinect相机的快速三维重建方法 | |
| CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
| CN105654476B (zh) | 基于混沌粒子群优化算法的双目标定方法 | |
| CN106651767A (zh) | 一种获取全景图像的方法及装置 | |
| CN109584290A (zh) | 一种基于卷积神经网络的立体图像匹配方法 | |
| CN105865462B (zh) | 带有深度增强视觉传感器的基于事件的三维slam方法 | |
| CN111899164B (zh) | 一种针对多焦段场景的图像拼接方法 | |
| CN111028281B (zh) | 基于光场双目系统的深度信息计算方法及装置 | |
| CN108230242B (zh) | 一种从全景激光点云到视频流的转换方法 | |
| CN112270698B (zh) | 基于最邻近曲面的非刚性几何配准方法 | |
| CN112929626B (zh) | 一种基于智能手机影像的三维信息提取方法 | |
| CN113159466A (zh) | 一种短时光伏发电功率预测系统及方法 | |
| CN110111375A (zh) | 一种Delaunay三角网约束下的影像匹配粗差剔除方法及装置 | |
| CN114973071A (zh) | 基于长短期时序特征的无监督视频目标分割方法及系统 | |
| CN114332355A (zh) | 一种基于深度学习的弱光多视图几何重建方法 | |
| CN113936031A (zh) | 一种基于机器视觉的云影轨迹预测方法 | |
| CN112561807B (zh) | 一种基于卷积神经网络的端到端径向畸变校正方法 | |
| CN111325218B (zh) | 基于光场图像的Hog特征检测与匹配方法 | |
| CN116109540B (zh) | 基于粒子群优化灰度曲线匹配的图像配准融合方法和系统 | |
| CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
| CN116362318B (zh) | 基于自适应深度修正的纯视觉三维目标检测方法和系统 | |
| CN108921884A (zh) | 基于改进sift的光学与sar影像配准方法、设备及存储介质 | |
| CN107492080A (zh) | 免定标便捷的单目镜头图像径向畸变矫正方法 | |
| CN104200469B (zh) | 一种视觉智能数控系统的数据融合方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |