CN108537846A - 相机标定方法及设备 - Google Patents

相机标定方法及设备 Download PDF

Info

Publication number
CN108537846A
CN108537846A CN201810183686.0A CN201810183686A CN108537846A CN 108537846 A CN108537846 A CN 108537846A CN 201810183686 A CN201810183686 A CN 201810183686A CN 108537846 A CN108537846 A CN 108537846A
Authority
CN
China
Prior art keywords
angle point
uncalibrated image
pixel
point
value
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
Application number
CN201810183686.0A
Other languages
English (en)
Other versions
CN108537846B (zh
Inventor
李甲
虞开稳
叶炜华
于洋
陈国军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Research Institute Of Beihang University
Original Assignee
Qingdao Research Institute Of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Research Institute Of Beihang University filed Critical Qingdao Research Institute Of Beihang University
Publication of CN108537846A publication Critical patent/CN108537846A/zh
Application granted granted Critical
Publication of CN108537846B publication Critical patent/CN108537846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/80Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85Stereo camera calibration

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种相机标定方法及设备,该方法包括:检测第一标定图像中的角点及第二标定图像中的角点。基于以所述角点为中心选取的特征像素块,计算获得所述角点的特征描述向量。基于每个角点的特征描述向量,将第一标定图像中的角点与第二标定图像中的角点进行匹配,获得第一标定图像的匹配特征点及第二标定图像中的匹配特征点。基于第一标定图像的匹配特征点和第二标定图像的匹配特征点,获得参数矩阵。本发明可以避免相近或者相似角点之间的误匹配,进一步提高了鱼眼相机的标定精度。

Description

相机标定方法及设备
技术领域
本发明属于计算机视觉领域,具体地说,涉及一种相机标定方法及设备。
背景技术
鱼眼相机具有超大的视场但同时也存在较为严重的图像畸变,从而影响用户的视觉感受以及图像信息的提取。因此,为了减少图像畸变,需要进行鱼眼相机标定。
现有技术中,对鱼眼相机进行标定过程中,鱼眼相机首先基于黑白标定板进行图像采集两幅具有共同区域的标定图像并分别提取该两幅标定图像中的角点,基于角点像素值确定任一幅标定图像的各个角点中与另一幅标定图像的任意角点相匹配的匹配特征点。然后基于两幅标定图像的匹配特征点的图像坐标,计算获得鱼眼相机的参数矩阵,实现相机标定。
但由于实际在进行特征点匹配过程中,会存在将像素值较为相近角点进行误匹配,大大提高了匹配特征点的匹配误差,从而影响了鱼眼相机的标定精度。
发明内容
有鉴于此,本发明提供了一种相机标定方法及设备,降低匹配特征点的匹配误差,提高鱼眼相机的标定精度。
为了解决上述技术问题,本发明提供了一种相机标定方法,包括:
检测第一标定图像中的角点及第二标定图像中的角点;
基于以所述角点为中心选取的特征像素块,计算所述角点的特征描述向量;
基于每个角点的特征描述向量,将所述第一标定图像中的角点与所述第二标定图像中的角点进行匹配,获得所述第一标定图像的匹配特征点及所述第二标定图像中的匹配特征点;
基于所述第一标定图像的匹配特征点和所述第二标定图像的匹配特征点,获得参数矩阵。
优选地,所述基于以所述角点为中心选取的特征像素块,计算所述角点的特征描述向量包括:
以所述角点为中心选取预设范围内的像素块作为所述角点的特征像素块;
对所述特征像素块中每一个像素点的像素值进行分区赋值,计算所述每一个像素点对应的特征值;
基于所述每一个像素点对应的特征值计算所述角点对应的特征描述向量。
优选地,所述第一标定图像及所述第二标定图像为彩色图像;所述对所述每一个像素点的像素值进行分区赋值,计算所述每一个像素点对应的特征值包括:
对所述每一个像素点的R值、G值和B值分别进行分区赋值,获得对应的区间像素值;
将所述R值、G值和B值对应的区间像素值分别赋予不同的权值,计算所述每一个像素点对应的特征值。
优选地,所述基于所述每一个像素点对应的特征值计算所述角点对应的特征描述向量包括:
统计所述不同特征值对应像素点的个数,并按照对应像素点个数的大小顺序从大到小选取预设值个特征值;
基于选取的所述特征值计算所述角点的特征描述向量。
优选地,所述基于每个角点的特征描述向量,将所述第一标定图像中的角点与所述第二标定图像中的角点进行匹配,获得所述第一标定图像及所述第二标定图像中的匹配特征点包括:
基于所述每个角点的特征描述向量,将所述第一标定图像中的角点及所述第二标定图像中的角点进行相似度计算;
根据计算获得的相似度值判断是否匹配,获得所述第一标定图像中的匹配特征点及所述第二标定图像中的匹配特征点。
优选地,所述基于所述每个角点的特征描述向量将所述第一标定图像中的角点及所述第二标定图像中的角点进行相似度计算包括:
基于所述每个角点的特征描述向量将所述第一标定图像中的角点及所述第二标定图像中的角点按照相似度计算公式进行相似度计算;
所述相似度计算公式为:
其中,F1(k)表示所述第一标定图中的任一角点的特征描述向量,F2(k)表示所述第二标定图中的任一角点的特征描述向量,所述k为所述特征描述向量的任一分量,n表示所述特征描述向量的维度;所述p(F1,F2)为所述第一标定图中的任一角点与所述第二标定图中的任一角点的相似度值。
优选地,所述第一标定图像及所述第二标定图像基于彩色立体标定盒采集获得;其中,所述彩色立体标定盒为正六面体,所述彩色立体标定盒内部上表面设置有LED灯,除所述上表面的其余5个面为彩色标定板。
优选地,所述相机为双鱼眼相机;所述第一标定图像及所述第二标定图像基于彩色立体标定盒采集获得包括:
所述第一标定图像及第所述二标定图像在所述双鱼眼相机位于所述彩色立体标定盒的下表面时,基于所述彩色立体标定盒采集获得。
本发明还提供了一种相机标定设备,包括处理组件以及存储组件;所述存储组件存储一条或多条计算机程序指令;所述一条或多条计算机程序指令用于被所述处理组件调用并执行;
检测第一标定图像中的角点及第二标定图像中的角点;
基于以所述角点为中心选取的特征像素块,计算所述角点的特征描述向量;
基于每个角点的特征描述向量,将所述第一标定图像中的角点与所述第二标定图像中的角点进行匹配,获得所述第一标定图像的匹配特征点及所述第二标定图像中的匹配特征点;
基于所述第一标定图像的匹配特征点和所述第二标定图像的匹配特征点,获得参数矩阵。
优选地,所述处理组件基于以所述角点为中心选取的特征像素块,计算所述角点的特征描述向量包括:
以所述角点为中心选取预设范围内的像素块作为所述角点的特征像素块;
对所述特征像素块中每一个像素点的像素值进行分区赋值,计算所述每一个像素点对应的特征值;
基于所述每一个像素点对应的特征值计算获得所述角点对应的特征描述向量。
优选地,所述第一标定图像及所述第二标定图像为彩色图像;所述处理组件对所述每一个像素点的像素值进行分区赋值,计算所述每一个像素点对应的特征值包括:
对所述每一个像素点的R值、G值和B值分别进行分区赋值,获得对应的区间像素值;
将所述R值、G值和B值对应的区间像素值分别赋予不同的权值,计算所述每一个像素点对应的特征值。
优选地,所述处理组件基于所述每一个像素点对应的特征值计算所述角点对应的特征描述向量包括:
统计所述不同特征值对应像素点的个数,并按照对应像素点个数的大小顺序从大到小选取预设值个特征值;
基于选取的所述特征值计算所述角点的特征描述向量。
优选地,所述处理组件基于所述每个角点的特征描述向量,将所述第一标定图像中的角点与所述第二标定图像中的角点进行匹配,获得所述第一标定图像及所述第二标定图像中的匹配特征点包括:
基于所述每个角点的特征描述向量将所述第一标定图像中的角点及所述第二标定图像中的角点进行相似度计算;
根据计算获得的相似度值判断是否匹配,获得所述第一标定图像中的匹配特征点及所述第二标定图像中的匹配特征点。
优选地,所述处理组件采集获得第一标定图像及第二标定图像包括:
所述第一标定图像及所述第二标定图像基于彩色立体标定盒采集获得;其中,所述彩色立体标定盒为正六面体,所述彩色立体标定盒内部上表面设置有LED灯,除所述上表面的其余5个面为彩色标定板。
与现有技术相比,本发明可以获得包括以下技术效果:
本发明提供了一种相机标定方法,该方法通过检测鱼眼相机采集获得的第一标定图像及第二标定图像中的角点。然后基于以该角点为中心的特征像素块计算获得所述该角点的特征描述向量。基于每个角点的特征描述向量将第一标定图像中的角点及第二标定图像中的角点进行匹配,获得第一标定图像中的匹配特征点及所述第二标定图像中的匹配特征点。基于所述第一标定图像中的匹配特征点和所述第二标定图像中的匹配特征点获得参数矩阵。采用特征描述向量对角点进行描述,可以避免相近或者相似角点之间的误匹配,进一步提高了鱼眼相机的标定精度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种相机标定方法的一个实施例的流程图;
图2是本发明实施例的一种相机标定方法的另一个实施例的流程图;
图3是本发明实施例的一种直方图特征值统计图;
图4是本发明实施例的一种相机标定装置的一个实施例的结构示意图;
图5是本发明实施例的一种相机标定装置的另一个实施例的结构示意图;
图6是本发明实施例的一种相机标定设备的一个实施例的结构示意图。
具体实施方式
以下将配合附图及实施例来详细说明本发明的实施方式,藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本发明提供的相机标定方法适用但不限于鱼眼相机,还可以适用于其他任何相机。
对鱼眼相机进行标定过程即是求解相机的参数矩阵的过程。其中,相机的参数矩阵包括相机的内参数和外参数,基于所述内参数和外参数获得校准数据对采集获得的图像进行校准,以达到减少图像畸变的目的。所述内参数可以包括摄像机参数,例如针对鱼眼相机标定得到的相机的焦距、基线以及原点偏移量等参数,用于确定摄像机从三维空间到二维图像的投影关系;所述外参数可以包括鱼眼摄像机的旋转矩阵和平移矩阵,旋转矩阵和平移矩阵用于描述世界坐标系到摄像机坐标系的转换关系。
现有技术中,对鱼眼相机进行标定过程,首先通过鱼眼相机采集获得两幅具有部分相同区域的标定图像,并通过角点检测算法分别检测两幅标定图像中的角点。并基于角点像素值计算任一幅标定图像的各个角点中与另一幅标定图像的任意角点的相似度,判断相似度是否在预设范围内,如果在预设范围内则认为相匹配并确定为匹配特征点。然后通过两幅标定图像中的匹配特征点计算获得相机的参数矩阵。但由于标定图像中可能存在相似或相近的角点,相近或相似角点在进行匹配时其相似度就相对较高,如果计算获得相似度满足预设范围时就会造成误匹配,而如果减少预设范围就会造成一些匹配特征点被遗漏,导致计算相机参数矩阵的精度降低。
为了解决相近或相似角点之间误匹配的技术问题,发明人经过一系列研究提出了本发明方案。本发明提供了一种相机标定方法,在检测通过鱼眼相机采集获得的第一标定图像及第二标定图像中的角点后,基于以角点为中心的特征像素块计算获得所述该角点的特征描述向量。基于每个角点的特征描述向量将第一标定图像中的角点及第二标定图像中的角点进行匹配,获得第一标定图像中的匹配特征点及所述第二标定图像中的匹配特征点。基于所述第一标定图像中的匹配特征点和第二图像中的匹配特征点获得参数矩阵。采用特征描述向量对角点进行描述,可以避免相近或者相似角点之间的误匹配,进一步提高了鱼眼相机的标定精度。
下面将结合附图对本申请技术方案进行详细描述。
图1为本发明实施例提供的一种相机标定方法的一个实施例的流程图,该方法可以包括以下几个步骤:
S101:检测第一标定图像中的角点及第二标定图像中的角点。
第一标定图像及第二标定图像可以是鱼眼相机通过拍摄标定板采集获得,鱼眼相机是指带有鱼眼镜头的相机,是一种焦距极短并且视角接近或大于180°的镜头,有着超大的视场范围,但存在较为严重的畸变。所采集图像在相机的圆心是没有畸变,以半径长度为基准,离圆心越远其畸变程度越大。因此,为了减少图像畸变,通常通过相机标定获得参数矩阵进行图像校准。
标定板可根据实际需求进行设定,为了保证能够进行特征点匹配,第一标定图像及第二标定图像包括部分相同区域。并可以通过角点检测算法分别检测第一标定图像及第二标定图像中的角点。根据实际检测需求选择相应的角点检测算法例如Shi-Tomasi角点检测算法或Harris角点检测算法等,在此不做具体限定。
S102:基于以角点为中心选取的特征像素块,计算该角点的特征描述向量。
为了避免相似或相近角点之间的误匹配,可以选取以角点为中心的像素块作为特征像素块,通常可以选取角点周围32*32的方形像素块作为特征像素块,由于第一标定图像中的角点如果与第二图像中的角点相同,其周围像素块也必然是相同的,如果是不同的角点,即使是相近或相似的角点其周围像素块必然也不会完全相同。当然,实际应用中考虑到计算量的问题以及匹配准确度的问题,不限于选取角点周围32*32的方形像素块,如果想要进一步提高角点匹配准确度可以提高该特征像素块的范围。例如选择角点周围64*64的方形像素块,或者以该角点为圆心选择半径为64范围内的圆形像素块,在此不做具体限定。一些实施例中,特征像素块是中心对称的方形像素块或者圆形像素块。
S103:基于每个角点的特征描述向量,将第一标定图像中的角点与第二标定图像中的角点进行匹配,获得第一标定图像的匹配特征点及第二标定图像中的匹配特征点。
在计算每个角点的特征描述向量后,基于该特征描述向量将第一标定图像中的任一角点的与第二标定图像中的任一角点进行匹配,如果第一标定图像中的任一角点与第二标定图像中的任一角点相匹配,则确定相匹配角点为匹配特征点,从而获得第一标定图像的匹配特征点及第二标定图像中的匹配特征点。
S104:基于第一标定图像的匹配特征点和第二标定图像的匹配特征点,获得参数矩阵。
由于第一标定图像的匹配特征点与第二标定图像中的匹配特征点具有相同的像素值,仅图像坐标不同,因此可以基于任一标定图像中的匹配特征点计算获得鱼眼相机的参数矩阵,从而完成相机标定。
现有技术中,通常是通过基于黑白标定板采集标定图像。实际上,鱼眼相机获得的图片往往都是彩色图片,由于彩色图像的色彩种类和像素点众多,并存在很多的噪声点影响匹配特征点,使得难以获得准确的参数矩阵。
因此,如果直接以彩色图像作为标定的目标就能够很好的避免上述问题。但由于鱼眼相机的视场较为广阔,为了保证标定图像中不掺杂噪声区域,就需要将标定板做很大面积才能保证采集获得标定图像中均为标定板区域内的图像,造成相机标定成本大大增加。因此,为了解决上述问题,发明人提供了一种彩色立体标定盒,该彩色立体标定盒为正六面体,将鱼眼相机设置于该彩色立体标定盒内部,可以满足鱼眼相机的采集标定图像时拍摄的视场范围。
实际应用中,第一标定图像及第二标定图像可以基于彩色立体标定盒采集获得。其中,该彩色立体标定盒为正六面盒体,彩色立体标定盒的盒体内部上表面设置有LED灯,除上表面的其余5个面为彩色标定板。
为了使彩色立体标定盒内部采光良好,保证采集的标定图像的清晰度,可以在该彩色立体标定盒内部的上表面设置LED灯用于照明。该彩色立体标定盒的其它五个内表面,可以是彩色棋盘标定板,根据标定精度设定标定板的行数和列数,例如可以是按照100*100或者50*50的行列值进行设定,获得彩色棋盘标定板。此时鱼眼相机可以设置于该彩色立体标定盒盒体内部的下表面的中心位置上,例如,彩色棋盘标定板为100*100行列值进行设定的,则可以将该鱼眼相机设置于下表面彩色棋盘标定板(50,50)位置处,并在中心位置处对该彩色立体标定盒内部的标定板进行拍摄,采集第一标定图像及第二标定图像。
在实际应用中,该相机可以为双鱼眼相机;基于所述彩色立体标定盒采集获得第一标定图像及第二标定图像可以包括:
第一标定图像及第二标定图像在双鱼眼相机位于所述彩色立体标定盒的下表面时,基于彩色立体标定盒采集获得。
该双鱼眼相机为前后双鱼眼相机,即背向相对设置两个鱼眼镜头的相机。该双鱼眼相机设置于该彩色立体标定盒内部下表面的中心位置,该两个鱼眼镜头可以与该下表面垂直或形成一定的角度,以保证拍摄获得的第一标定图像及第二标定图像具有部分相同的区域。该双鱼眼相机第一鱼眼镜头采集获得第一标定图像,第二鱼眼镜头采集获得第二标定图像。采用双鱼眼相机可以同时采集获得第一标定图像及第二标定图像,同时保证该两幅标定图像具有相同的坐标系,进一步降低了由于相机移动造成坐标系变换引起的误差。
当然,该相机还可以是单鱼眼相机,该单鱼眼相机同样可以设置于彩色立体标定盒内部下表面的中心位置。由于单鱼眼相机一次仅能采集获得一幅标定图像,为了保证相机所在坐标系不变,可以仅通过旋转相机的鱼眼镜头进行标定图像的采集。因此,在该单鱼眼相机采集获得第一标定图像后,可以将该相机的鱼眼镜头旋转一定角度后,采集第二标定图像,其中,鱼眼镜头的旋转角度应保证采集获得的第一标定图像及第二标定图像包括部分相同区域。
本实施例中,采用特征描述向量对角点进行描述,可以避免相近或者相似角点之间的误匹配,提高了鱼眼相机的标定精度。同时采用彩色立体标定盒不仅可以降低采集标定图像时由于相机位置变化造成的坐标系转换误差,同时避免了由于黑白标定板造成的匹配误差,更利于标定图像的采集,进一步提高了鱼眼相机的标定精度。
图2为本发明实施例提供的一种相机标定方法的另一个实施例的流程图,该方法可以包括以下几个步骤:
S201:检测所述第一标定图像中的角点及所述第二标定图像中的角点。
S202:以角点为中心选取预设范围内的像素块作为该角点的特征像素块。
由图1实施例可知,特征像素块可以是以角点为中心周围任一范围内的像素块,预设范围可根据计算精度以及计算速度进行选取。实际应用中可以针对每个角点,选取预设范围为每个角点周围32*32的正方形像素块作为特征点像素块。
S203:对特征像素块中每一个像素点的像素值进行分区赋值,计算每一个像素点对应的特征值。
在获取每一个角点的特征像素块后,确定每一个特征像素块中每一个像素点的像素值。如果标定图像为黑白图像该像素值即为相应像素点的灰度值,如果标定图像为彩色图像,相应像素点的像素值为RGB值。
实际生活中采集获得图像大多为彩色图像,因此以标定图像为彩色图像为例,第一标定图像及第二标定图像为彩色图像。可选地,对每一个像素点的像素值进行分区赋值,计算获得每一个像素点对应的特征值可以包括:
对每一个像素点的R值、G值和B值分别进行分区赋值,获得对应的区间像素值;
将R值、G值和B值对应区间像素值分别赋予不同的权值,计算每一个像素点对应的特征值。
其中,对任一特征像素块中的每一个像素点的R值、G值和B值进行分区赋值可按照下述分区赋值公式进行,获得对应的区间像素值。
分区赋值公式如下所示:
其中,Value(R|G|B)表示任一像素点的R值或G值或B值对应的区间像素值。已知彩色图像中任一像素点中R表示红色、G表示绿色、B表示蓝色,即存在红、绿、蓝三个通道的颜色,且每一个通道R值、G值、B值各有256级亮度,因此任一像素点的像素值可以表示为(0~255,0~255,0~255)。以像素值(24,125,245)为例,分别将该像素值的三个通道对应的灰度值进行按照上述区间赋值公式进行区间赋值,经过区间赋值后得到对应的区间像素值为(0,2,3)。
在计算得到任一像素点的R值、G值和B值对应的区间像素值后,按照特征值计算公式将R值、G值和B值对应的区间像素值分别赋予不同的权值,计算获得该任一像素点对应的特征值。
该特征值计算公式可以表示为:
V(corner)=Value(R)*42+Value(G)*41+Value(B)*40
以任一像素点的区间像素值为(0,2,3)为例,其对应的特征值为:
V(corner)=0*42+2*41+3*40=11。
由上述特征值计算公式可知,R值对应的区间赋值的权值为4的平方,G值对应的区间赋值的权值为4的一次方,B值对应的区间赋值的权值为4的零次方。通过特征值计算可以将三维空间转换到一维空间,实现了将每一个像素点的像素值整合为一个数值进行表示,而且可以实现范围控制在[0,63]之间,大大简化了后续确定匹配特征点的计算。
S204:基于每一个像素点对应的特征值计算该角点对应的特征描述向量。
可选地,基于每一个像素点对应的特征值计算该角点对应的特征描述向量可以包括:
统计所述不同特征值对应像素点的个数,并按照对应像素点个数的大小顺序从大到小选取预设值个特征值;
基于选取的所述特征值计算所述角点的特征描述向量。
在计算获得任一角点对应的特征像素块中每一个像素点的特征值后,统计不同特征值对应像素点个数,可以按照直方图、扇形图或者折线图等统计方法,获得统计数据。
图3为任一特征像素块对应的直方图特征值统计图,由图3可知特征值的范围是[0,63],其特征值的数量之和是1024个(以一个像素块为32*32个像素点为例)。在获得统计数据后,将不同特征值对应像素点的个数按照从大到小进行排序,按照设定的预设从大到小选取预设值个特征值计算获得该角点的特征描述向量。预设值可以根据实际应用情况例如要求的匹配精度及匹配时间的需求进行灵活选择,如果要求匹配精度较高预设值越大,如果要求匹配时间越短预设值取值应越小。
实际应用中,选取预设值设定为4即可满足实际的匹配精度,以图3为例,选取得到前四个特征值为(17,32,16,42),则我们利用特征值计算公式反向推回去得到一个12维的向量(1,0,1,2,0,0,1,0,0,2,2,2)即为特征描述向量。
其中,特征描述向量是将选取的特征值按照利用特征值计算公式反向计算得到,例如:
V(corner)=1*42+0*41+1*40=17,反推获得特征值17对应的区间像素值为(1,0,1),以此类推,得到特征描述向量为一个一行12列的向量(1,0,1,2,0,0,1,0,0,2,2,2),即为相应角点对应的特征描述向量。
按照上述方法,计算获得第一标定图像及第二标定图像中每一个角点对应的特征描述向量。
S205:基于每个角点的特征描述向量将第一标定图像中的角点及第二标定图像中的角点进行相似度计算。
S206:根据计算获得的相似度值判断是否匹配,获得第一标定图像中的匹配特征点及第二标定图像中的匹配特征点。
基于特征描述向量将第一标定图像中的角点及第二标定图像中的角点进行相似度计算后计算获得相应的相似度值,其中相似度值越高表明该两个角点越相似。通常为了保证匹配精度,可以设定一个匹配阈值例如该匹配阈值设置为(0.95~1),如果计算或的相似度值满足匹配阈值,则认为该两个角点匹配即可确定为匹配特征点;如果计算获得的相似度值不满足匹配阈值,则认为该两个角点不匹配。
通常为了保证匹配精度,匹配阈值可根据实际确定的特征描述向量的维度确定,如果特征描述向量的维度越高,则说明误匹配率越低,可以设置匹配阈值范围较大,例如设定为(0.92~1);如果特征描述向量维度越低,则说误匹配率越高,可设置匹配阈值范围越小,例如设定为(0.99~1)。
S207:基于第一标定图像的匹配特征点和第二标定图像的匹配特征点,获得参数矩阵。
其中,步骤S201的操作与图1实施例中的步骤S101的操作相同,步骤S207的操作与图1实施例中步骤S104的操作中相同,在此不再赘述。
实际应用中,基于特征描述向量将第一标定图像中的角点及第二标定图像中的角点进行相似度计算可以包括:
基于特征描述向量将第一标定图像中的角点及第二标定图像中的角点按照相似度计算公式进行相似度计算。
该相似度计算公式可以表示为:
其中,F1(k)表示第一标定图中的任一角点的特征描述向量,F2(k)表示第二标定图中的任一角点的特征描述向量,k为所述特征描述向量的任一分量,n表示所述特征描述向量的维度;p(F1,F2)为所述第一标定图中的任一角点与第二标定图中的任一角点的相似度值。
当然,实际应用中可以并不限于上述相似度计算公式,任一计算获得两个特征描述向量之间相似度的计算公式均可适用于本发明方案,用于角点之间相似度的计算。
本实施例中,通过选取角点的特征像素块并将特征像素块中每一个像素点的R值、G值和B值进行区间赋值计算获得相应的区间像素值。为了便于统计和计算,通过将三维的区间像素值转换为一维的特征值,并通过直方图统计获得对应像素值个数从大到小的顺序,选取预设值个特征值,基于获得的预设值个特征值获得特征描述向量。该计算方法可以根据实际应用灵活地选取特征描述向量的维度,使得可以在保证匹配精度的前提下,获得更优的匹配速度。保证最后计算得到鱼眼相机内外参数矩阵时也有较好的灵活性,使得鱼眼相机标定成功。
图4为本发明实施例提供的一种相机标定装置的一个实施例的结构示意图,该装置可以包括:
检测模块401,用于检测第一标定图像中的角点及第二标定图像中的角点。
第一标定图像及第二标定图像可以是鱼眼相机通过拍摄标定板采集获得,鱼眼相机是指带有鱼眼镜头的相机,是一种焦距极短并且视角接近或大于180°的镜头,有着超大的视场范围,但存在较为严重的畸变。所采集图像在相机的圆心是没有畸变,以半径长度为基准,离圆心越远其畸变程度越大。因此,为了减少图像畸变,通常通过相机标定获得参数矩阵进行图像校准。
标定板可根据实际需求进行设定,为了保证能够进行特征点匹配,第一标定图像及第二标定图像包括部分相同区域。并可以通过角点检测算法分别检测第一标定图像及第二标定图像中的角点。根据实际检测需求选择相应的角点检测算法例如Shi-Tomasi角点检测算法或Harris角点检测算法等,在此不做具体限定。
计算模块402,用于基于以角点为中心选取的特征像素块,计算获得该角点的特征描述向量。
为了避免相似或相近角点之间的误匹配,可以选取以角点为中心的像素块作为特征像素块,通常可以选取角点周围32*32的方形像素块作为特征像素块,由于第一标定图像中的角点如果与第二图像中的角点相同,其周围像素块也必然是相同的,如果是不同的角点,即使是相近或相似的角点其周围像素块必然也不会完全相同。当然,实际应用中考虑到计算量的问题以及匹配准确度的问题,不限于选取角点周围32*32的方形像素块,如果想要进一步提高角点匹配准确度可以提高该特征像素块的范围例如选择角点周围64*64的方形像素块,或者以该角点为圆心选择半径为64范围内的圆形像素块,在此不做具体限定。一些实施例中,特征像素块是中心对称的方形像素块或者圆形像素块。
匹配模块403,用于基于每个角点的特征描述向量,将第一标定图像中的角点与第二标定图像中的角点进行匹配,获得第一标定图像的匹配特征点及第二标定图像中的匹配特征点。
在计算每个角点的特征描述向量后,基于该特征描述向量将第一标定图像中的任一角点的与第二标定图像中的任一角点进行匹配,如果第一标定图像中的任一角点与第二标定图像中的任一角点相匹配,则相匹配角点确定为匹配特征点,从而获得第一标定图像的匹配特征点及第二标定图像中的匹配特征点。
标定模块404,用于基于第一标定图像的匹配特征点和第二标定图像的匹配特征点,获得参数矩阵。
由于第一标定图像的匹配特征点与第二标定图像中的匹配特征点具有相同的像素值,仅图像坐标不同,因此可以基于任一标定图像中的匹配特征点计算获得鱼眼相机的参数矩阵,从而完成相机标定。
现有技术中,通常是通过基于黑白标定板采集标定图像。实际上,鱼眼相机获得的图片往往都是彩色图片,由于彩色图像的色彩种类和像素点众多,并存在很多的噪声点影响匹配特征点,使得难以获得准确的参数矩阵。
因此,如果直接以彩色图像作为标定的目标就能够很好的避免上述问题。但由于鱼眼相机的视场较为广阔,为了保证标定图像中不掺杂噪声区域,就需要将标定板做很大面积才能保证采集获得标定图像中均为标定板区域内的图像,造成相机标定成本大大增加。因此,为了解决上述问题,发明人提供了一种彩色立体标定盒,该彩色立体标定盒为正六面体,将鱼眼相机设置于该彩色立体标定盒内部,可以满足鱼眼相机的采集标定图像时拍摄的视场范围。
实际应用中,第一标定图像及第二标定图像可以基于彩色立体标定盒采集获得。其中,该彩色立体标定盒为正六面盒体,彩色立体标定盒的盒体内部上表面设置有LED灯,除上表面的其余5个面为彩色标定板。
该彩色立体标定盒为了使彩色立体标定盒内部采光良好,保证采集的标定图像的清晰度,可以在该彩色立体标定盒内部的上表面设置LED灯用于照明。该彩色立体标定盒的其他五个内表面,可以是彩色棋盘标定板,根据标定精度设定标定板的行数和列数,例如可以是按照100*100或者50*50的行列值进行设定,获得彩色棋盘标定板。此时鱼眼相机可以设置于该彩色立体标定盒盒体内部的下表面的中心位置上,例如,彩色棋盘标定板为100*100行列值进行设定的,则可以将该鱼眼相机设置于下表面彩色棋盘标定板(50,50)位置处,并在中心位置处对该彩色立体标定盒内部标定板进行拍摄,采集第一标定图像及第二标定图像。
在实际应用中,该相机可以为双鱼眼相机。第一标定图像及第二标定图像在双鱼眼相机位于所述彩色立体标定盒的下表面时,基于彩色立体标定盒采集获得。
该双鱼眼相机为前后双鱼眼相机,即背向相对设置两个鱼眼镜头的相机。该双鱼眼相机设置于该彩色立体标定盒内部下表面的中心位置,该两个鱼眼镜头可以与下表面垂直或形成一定的角度,以保证拍摄获得的第一标定图像及第二标定图像具有部分相同的区域。该双鱼眼相机第一鱼眼镜头采集获得第一标定图像,第二鱼眼镜头采集获得第二标定图像。采用双鱼眼相机可以同时采集获得第一标定图像及第二标定图像,同时保证该两幅标定图像具有相同的坐标系,进一步降低了由于相机移动造成坐标系变换引起的误差。
当然,该相机还可以是单鱼眼相机,该单鱼眼相机同样可以设置于彩色立体标定盒内部的下表面的中心位置。由于单鱼眼相机一次仅能采集获得一幅标定图像,为了保证相机所在坐标系不变,可以仅通过旋转相机的鱼眼镜头进行标定图像的采集。因此,在该单鱼眼相机采集获得第一标定图像后,可以将该相机的鱼眼镜头旋转一定角度,采集第二标定图像。其中,鱼眼镜头的旋转角度应保证采集获得的第一标定图像及第二标定图像包括部分相同区域。
本实施例中,采用特征描述向量对角点进行描述,可以避免相近或者相似角点之间的误匹配,提高了鱼眼相机的标定精度。同时采用彩色立体标定盒不仅可以降低采集标定图像时由于相机位置变化造成的坐标系转换误差,同时避免了由于黑白标定板造成的匹配误差,更利于标定图像的采集,进一步提高了鱼眼相机的标定精度。
图5为本发明实施例提供的一种相机标定装置的另一个实施例的结构示意图,该装置可以包括:
检测模块501,用于检测所述第一标定图像中的角点及所述第二标定图像中的角点。
计算模块502,用于基于以每个角点为中心选取的特征像素块,计算获得每个角点的特征描述向量。
计算模块502可以包括:
像素块选取单元511,用于以角点为中心选取预设范围内的像素块作为该角点的特征像素块。
由图1实施例可知,特征像素块可以是以角点为中心周围任一范围内的像素块,预设范围可根据计算精度以及计算速度进行选取。实际应用中可以针对每一个角点,心选取周围32*32的正方形像素块作为特征点像素块。
特征值计算单元512,用于对所述特征像素块中每一个像素点的像素值进行分区赋值,计算获得所述每一个像素点对应的特征值。
在获取每一个角点的特征像素块后,确定每一个特征像素块中每一个像素点的像素值。如果标定图像为黑白图像该像素值即为相应像素点的灰度值,如果标定图像为彩色图像,相应像素点的像素值为RGB值。
实际生活中采集获得图像大多为彩色图像,因此以标定图像为彩色图像为例,第一标定图像及第二标定图像为彩色图像。可选地,特征值计算单元512具体可以用于:
对每一个像素点的R值、G值和B值分别进行分区赋值,获得对应的区间像素值;
将R值、G值和B值对应区间像素值分别赋予不同的权值,计算每一个像素点对应的特征值。
其中,对任一特征像素块中的每一个像素点的R值、G值和B值进行分区赋值可按照下述分区赋值公式进行,获得对应的区间像素值。
分区赋值公式如下所示:
其中,Value(R|G|B)表示任一像素点的R值或G值或B值对应的区间像素值。已知彩色图像中任一像素点中R表示红色、G表示绿色、B表示蓝色,即存在红、绿、蓝三个通道的颜色,且每一个通道R值、G值、B值各有256级亮度,因此任一像素点的像素值可以表示为(0~255,0~255,0~255)。以像素值(24,125,245)为例,分别将该像素值的三个通道对应的灰度值进行按照上述区间赋值公式进行区间赋值,经过区间赋值后得到对应的区间像素值为(0,2,3)。
在计算得到任一像素点的R值、G值和B值对应的区间像素值后,按照特征值计算公式将R值、G值和B值对应的区间像素值分别赋予不同的权值,计算获得该任一像素点对应的特征值。
该特征值计算公式可以表示为:
V(corner)=Value(R)*42+Value(G)*41+Value(B)*40
以任一像素点的区间像素值为(0,2,3)为例,其对应的特征值为:
V(corner)=0*42+2*41+3*40=11。
由上述特征值计算公式可知,R值对应的区间赋值的权值为4的平方,G值对应的区间赋值的权值为4的一次方,B值对应的区间赋值的权值为4的零次方。通过特征值计算可以将三维空间转换到一维空间,实现了将每一个像素点的像素值整合为一个数值进行表示,而且可以实现范围控制在[0,63]之间,大大简化了后续确定匹配特征点的计算。
特征描述向量计算单元513,用于基于每一个像素点对应的特征值计算该角点对应的特征描述向量。
可选地,特征描述向量计算单元513具体可以用于:
统计所述不同特征值对应像素点的个数,并按照对应像素点个数的大小顺序从大到小选取预设值个特征值;
基于选取的所述特征值计算所述角点的特征描述向量。
在计算获得任一角点对应的特征像素块中每一个像素点的特征值后,统计不同特征值对应像素点个数,可以按照直方图、扇形图或者折线图等统计方法,获得统计数据。
图3为任一特征像素块对应的直方图特征值统计表,由图3可知特征值的范围是[0,63],其特征值的数量之和是1024个(以一个像素块为32*32个像素点为例),在获得统计数据后,
将不同特征值对应像素点的个数按照从大到小进行排序,按照设定的预设从大到小选取预设值个特征值计算获得该角点的特征描述向量。预设值可以根据实际应用情况例如要求的匹配精度及匹配时间的需求进行进行灵活选择,如果要求匹配精度较高预设值越大,如果要求匹配时间越短预设值取值应越小。
实际应用中,选取预设值设定为4即可满足实际的匹配精度,以图3为例,选取得到前四个特征值为(17,32,16,42),则我们利用特征值计算公式反向推回去得到一个12维的向量(1,0,1,2,0,0,1,0,0,2,2,2)即为特征描述向量。
其中,特征描述向量是将选取的特征值按照利用特征值计算公式反向计算得到,例如:
V(corner)=1*42+0*41+1*40=17,反推获得特征值17对应的区间像素值为(1,0,1),以此类推,得到特征描述向量为一个一行12列的向量(1,0,1,2,0,0,1,0,0,2,2,2),即为相应角点对应的特征描述向量。
按照上述方法,计算获得第一标定图像及第二标定图像中每一个角点对应的特征描述向量。
匹配模块503,用于基于每个角点的特征描述向量,将第一标定图像中的角点与第二标定图像中的角点进行匹配,获得第一标定图像的匹配特征点及第二标定图像中的匹配特征点。
匹配模块503可以包括:
相似度计算单元514,用于基于每个角点的特征描述向量将第一标定图像中的角点及第二标定图像中的角点进行相似度计算。
匹配特征点获取单元515,用于根据计算获得的相似度值判断是否匹配,获得第一标定图像中的匹配特征点及第二标定图像中的匹配特征点。
基于特征描述向量将第一标定图像中的角点及第二标定图像中的角点进行相似度计算后计算获得一个相似度值,其中相似度值越高表明该两个角点越相似。通常为了保证匹配精度,可以设定一个匹配阈值例如该匹配阈值设置为(0.95~1),如果计算或的相似度值满足匹配阈值,则认为该两个角点匹配即可确定为匹配特征点;如果计算获得的相似度值不满足匹配阈值,则认为该两个角点不匹配。
通常为了保证匹配精度,匹配阈值可根据实际确定的特征描述向量的维度确定,如果特征描述向量的维度越高,则说明误匹配率越低,可以设置匹配阈值范围较大,例如设定为(0.92~1);如果特征描述向量维度越低,则说误匹配率越高,可设置匹配阈值范围越小,例如设定为(0.99~1)。
标定模块504,用于基于第一标定图像的匹配特征点和第二标定图像的匹配特征点,获得参数矩阵。
其中,检测模块501与图4实施例中的检测模块401相同,标定模块504与图4实施例中的标定模块404相同,在此不再赘述。
可选地,相似度计算单元514具体可以用于:
基于特征描述向量将第一标定图像中的角点及第二标定图像中的角点按照相似度计算公式进行相似度计算;
该相似度计算公式可以表示为:
其中,F1(k)表示第一标定图中的任一角点的特征描述向量,F2(k)表示第二标定图中的任一角点的特征描述向量,k为所述特征描述向量的任一分量,n表示所述特征描述向量的维度;p(F1,F2)为所述第一标定图中的任一角点与第二标定图中的任一角点的相似度值。
当然,实际应用中可以并不限于上述相似度计算公式,任一计算获得两个特征描述向量之间相似度的计算公式均可适用于本发明方案,用于角点之间相似度的计算。
本实施例中,通过选取角点的特征像素块并将特征像素块中每一个像素点的R值、G值和B值进行区间赋值计算获得相应的区间像素值。为了便于统计和计算,通过将三维的区间像素值转换为一维的特征值,并通过直方图统计获得对应像素值个数从大到小的顺序,选取预设值个特征值,基于获得的预设值个特征值获得特征描述向量。该计算方法可以根据实际应用灵活地选取特征描述向量的维度,使得可以在保证匹配精度的前提下,获得更优的匹配速度。保证最后计算得到鱼眼相机内外参数矩阵时也有较好的灵活性,使得鱼眼相机标定成功。
图6是本发明实施例的一种相机标定设备的一个实施例的结构示意图。该设备可以包括:处理组件601以及存储组件602;所述存储组件602存储一条或多条计算机程序指令;所述一条或多条计算机程序指令用于被所述处理组件调用并执行。
所述处理组件601可以用于执行计算机程序代码以实现:
检测所述第一标定图像中的角点及所述第二标定图像中的角点。
基于以角点为中心选取的特征像素块,计算获得所述角点的特征描述向量。
基于所述每个角点的特征描述向量,将所述第一标定图像中的角点与所述第二标定图像中的角点进行匹配,获得所述第一标定图像的匹配特征点及所述第二标定图像中的匹配特征点。
基于所述第一标定图像的匹配特征点和所述第二标定图像的匹配特征点,获得参数矩阵。
可选地,该处理组件601还用于执行前述各方法步骤中的全部或部分步骤。
其中,该处理组件601可以包括一个或多个处理器来执行计算机指令。当然处理组件601也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
该存储组件602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
当然,电子设备还可以包括其他部件,例如输入/输出接口、通信组件等。输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
本发明提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被计算机执行时可以实现上述任一图1、图2实施例中的相机标定方法,以及图4、图5实施例中的相机标定装置。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明本发明的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。

Claims (14)

1.一种相机标定方法,其特征在于,包括:
检测第一标定图像中的角点及第二标定图像中的角点;
基于以所述角点为中心选取的特征像素块,计算所述角点的特征描述向量;
基于每个角点的特征描述向量,将所述第一标定图像中的角点与所述第二标定图像中的角点进行匹配,获得所述第一标定图像的匹配特征点及所述第二标定图像中的匹配特征点;
基于所述第一标定图像的匹配特征点和所述第二标定图像的匹配特征点,获得参数矩阵。
2.根据权利要求1所述的方法,其特征在于,所述基于以所述角点为中心选取的特征像素块,计算所述角点的特征描述向量包括:
以所述角点为中心选取预设范围内的像素块作为所述角点的特征像素块;
对所述特征像素块中每一个像素点的像素值进行分区赋值,计算所述每一个像素点对应的特征值;
基于所述每一个像素点对应的特征值计算所述角点对应的特征描述向量。
3.根据权利要求2所述的方法,其特征在于,所述第一标定图像及所述第二标定图像为彩色图像;所述对所述每一个像素点的像素值进行分区赋值,计算所述每一个像素点对应的特征值包括:
对所述每一个像素点的R值、G值和B值分别进行分区赋值,获得对应的区间像素值;
将所述R值、G值和B值对应的区间像素值分别赋予不同的权值,计算所述每一个像素点对应的特征值。
4.根据权利要求2所述的方法,其特征在于,所述基于所述每一个像素点对应的特征值计算所述角点对应的特征描述向量包括:
统计所述不同特征值对应像素点的个数,并按照对应像素点个数的大小顺序从大到小选取预设值个特征值;
基于选取的所述特征值计算所述角点的特征描述向量。
5.根据权利要求1所述的方法,其特征在于,所述基于每个角点的特征描述向量,将所述第一标定图像中的角点与所述第二标定图像中的角点进行匹配,获得所述第一标定图像及所述第二标定图像中的匹配特征点包括:
基于所述每个角点的特征描述向量,将所述第一标定图像中的角点及所述第二标定图像中的角点进行相似度计算;
根据计算获得的相似度值判断是否匹配,获得所述第一标定图像中的匹配特征点及所述第二标定图像中的匹配特征点。
6.根据权利要求5所述的方法,其特征在于,所述基于所述每个角点的特征描述向量将所述第一标定图像中的角点及所述第二标定图像中的角点进行相似度计算包括:
基于所述每个角点的特征描述向量将所述第一标定图像中的角点及所述第二标定图像中的角点按照相似度计算公式进行相似度计算;
所述相似度计算公式为:
其中,F1(k)表示所述第一标定图中的任一角点的特征描述向量,F2(k)表示所述第二标定图中的任一角点的特征描述向量,所述k为所述特征描述向量的任一分量,n表示所述特征描述向量的维度;所述p(F1,F2)为所述第一标定图中的任一角点与所述第二标定图中的任一角点的相似度值。
7.根据权利要求1所述的方法,其特征在于,
所述第一标定图像及所述第二标定图像基于彩色立体标定盒采集获得;其中,所述彩色立体标定盒为正六面体,所述彩色立体标定盒内部上表面设置有LED灯,除所述上表面的其余5个面为彩色标定板。
8.根据权利要求7所述的方法,其特征在于,所述相机为双鱼眼相机;所述第一标定图像及所述第二标定图像基于彩色立体标定盒采集获得包括:
所述第一标定图像及第所述二标定图像在所述双鱼眼相机位于所述彩色立体标定盒的下表面时,基于所述彩色立体标定盒采集获得。
9.一种相机标定设备,其特征在于,包括处理组件以及存储组件;所述存储组件存储一条或多条计算机程序指令;所述一条或多条计算机程序指令用于被所述处理组件调用并执行;
检测第一标定图像中的角点及第二标定图像中的角点;
基于以所述角点为中心选取的特征像素块,计算所述角点的特征描述向量;
基于每个角点的特征描述向量,将所述第一标定图像中的角点与所述第二标定图像中的角点进行匹配,获得所述第一标定图像的匹配特征点及所述第二标定图像中的匹配特征点;
基于所述第一标定图像的匹配特征点和所述第二标定图像的匹配特征点,获得参数矩阵。
10.根据权利要求9所述的设备,其特征在于,所述处理组件基于以所述角点为中心选取的特征像素块,计算所述角点的特征描述向量包括:
以所述角点为中心选取预设范围内的像素块作为所述角点的特征像素块;
对所述特征像素块中每一个像素点的像素值进行分区赋值,计算所述每一个像素点对应的特征值;
基于所述每一个像素点对应的特征值计算获得所述角点对应的特征描述向量。
11.根据权利要求10所述的设备,其特征在于,所述第一标定图像及所述第二标定图像为彩色图像;所述处理组件对所述每一个像素点的像素值进行分区赋值,计算所述每一个像素点对应的特征值包括:
对所述每一个像素点的R值、G值和B值分别进行分区赋值,获得对应的区间像素值;
将所述R值、G值和B值对应的区间像素值分别赋予不同的权值,计算所述每一个像素点对应的特征值。
12.根据权利要求10所述的设备,其特征在于,所述处理组件基于所述每一个像素点对应的特征值计算所述角点对应的特征描述向量包括:
统计所述不同特征值对应像素点的个数,并按照对应像素点个数的大小顺序从大到小选取预设值个特征值;
基于选取的所述特征值计算所述角点的特征描述向量。
13.根据权利要求9所述的设备,其特征在于,所述处理组件基于所述每个角点的特征描述向量,将所述第一标定图像中的角点与所述第二标定图像中的角点进行匹配,获得所述第一标定图像及所述第二标定图像中的匹配特征点包括:
基于所述每个角点的特征描述向量将所述第一标定图像中的角点及所述第二标定图像中的角点进行相似度计算;
根据计算获得的相似度值判断是否匹配,获得所述第一标定图像中的匹配特征点及所述第二标定图像中的匹配特征点。
14.根据权利要求9所述的设备,其特征在于,所述处理组件采集获得第一标定图像及第二标定图像包括:
所述第一标定图像及所述第二标定图像基于彩色立体标定盒采集获得;其中,所述彩色立体标定盒为正六面体,所述彩色立体标定盒内部上表面设置有LED灯,除所述上表面的其余5个面为彩色标定板。
CN201810183686.0A 2018-02-08 2018-03-06 相机标定方法及设备 Active CN108537846B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2018101283792 2018-02-08
CN201810128379 2018-02-08

Publications (2)

Publication Number Publication Date
CN108537846A true CN108537846A (zh) 2018-09-14
CN108537846B CN108537846B (zh) 2022-05-27

Family

ID=63486649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810183686.0A Active CN108537846B (zh) 2018-02-08 2018-03-06 相机标定方法及设备

Country Status (1)

Country Link
CN (1) CN108537846B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232716A (zh) * 2019-05-31 2019-09-13 深圳市道通智能航空技术有限公司 一种相机标定方法、装置和电子设备
WO2020139915A1 (en) * 2018-12-27 2020-07-02 Facebook Technologies, Llc Head mounted display calibration using portable docking station with calibration target
CN111833405A (zh) * 2020-07-27 2020-10-27 北京大华旺达科技有限公司 基于机器视觉的标定识别方法及装置
CN112837227A (zh) * 2019-11-22 2021-05-25 杭州海康威视数字技术股份有限公司 一种参数校正方法、装置、系统、电子设备及存储介质
CN113873223A (zh) * 2021-09-03 2021-12-31 大连中科创达软件有限公司 相机清晰度确定方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1959737A (zh) * 2006-11-27 2007-05-09 北京中星微电子有限公司 一种图像格式转换方法、图像处理方法与系统
CN102074015A (zh) * 2011-02-24 2011-05-25 哈尔滨工业大学 一种基于二维图像序列的目标对象的三维重建方法
CN102750697A (zh) * 2012-06-08 2012-10-24 华为技术有限公司 一种参数标定方法及装置
CN103679729A (zh) * 2013-12-17 2014-03-26 中国人民解放军第二炮兵工程大学 基于彩色标定板的全自动摄像机参数标定方法
CN105654502A (zh) * 2016-03-30 2016-06-08 广州市盛光微电子有限公司 一种基于多镜头多传感器的全景相机标定装置和方法
CN106709950A (zh) * 2016-11-28 2017-05-24 西安工程大学 一种基于双目视觉的巡线机器人跨越障碍导线定位方法
CN106981081A (zh) * 2017-03-06 2017-07-25 电子科技大学 一种基于深度信息提取的墙面平整度检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1959737A (zh) * 2006-11-27 2007-05-09 北京中星微电子有限公司 一种图像格式转换方法、图像处理方法与系统
CN102074015A (zh) * 2011-02-24 2011-05-25 哈尔滨工业大学 一种基于二维图像序列的目标对象的三维重建方法
CN102750697A (zh) * 2012-06-08 2012-10-24 华为技术有限公司 一种参数标定方法及装置
CN103679729A (zh) * 2013-12-17 2014-03-26 中国人民解放军第二炮兵工程大学 基于彩色标定板的全自动摄像机参数标定方法
CN105654502A (zh) * 2016-03-30 2016-06-08 广州市盛光微电子有限公司 一种基于多镜头多传感器的全景相机标定装置和方法
CN106709950A (zh) * 2016-11-28 2017-05-24 西安工程大学 一种基于双目视觉的巡线机器人跨越障碍导线定位方法
CN106981081A (zh) * 2017-03-06 2017-07-25 电子科技大学 一种基于深度信息提取的墙面平整度检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘敏搏: "特征检测跟踪与同步场景生成算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020139915A1 (en) * 2018-12-27 2020-07-02 Facebook Technologies, Llc Head mounted display calibration using portable docking station with calibration target
US11042034B2 (en) 2018-12-27 2021-06-22 Facebook Technologies, Llc Head mounted display calibration using portable docking station with calibration target
CN110232716A (zh) * 2019-05-31 2019-09-13 深圳市道通智能航空技术有限公司 一种相机标定方法、装置和电子设备
CN112837227A (zh) * 2019-11-22 2021-05-25 杭州海康威视数字技术股份有限公司 一种参数校正方法、装置、系统、电子设备及存储介质
CN112837227B (zh) * 2019-11-22 2023-07-04 杭州海康威视数字技术股份有限公司 一种参数校正方法、装置、系统、电子设备及存储介质
CN111833405A (zh) * 2020-07-27 2020-10-27 北京大华旺达科技有限公司 基于机器视觉的标定识别方法及装置
CN111833405B (zh) * 2020-07-27 2023-12-08 北京大华旺达科技有限公司 基于机器视觉的标定识别方法及装置
CN113873223A (zh) * 2021-09-03 2021-12-31 大连中科创达软件有限公司 相机清晰度确定方法、装置、设备及存储介质
CN113873223B (zh) * 2021-09-03 2023-07-21 大连中科创达软件有限公司 相机清晰度确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN108537846B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN108537846A (zh) 相机标定方法及设备
CN107431790B (zh) 用于图像处理的方法及非暂态计算机可读介质
CN106683071B (zh) 图像的拼接方法和装置
WO2020010945A1 (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
US10949958B2 (en) Fast fourier color constancy
Zhang et al. Multiple-level feature-based measure for retargeted image quality
CN107343189B (zh) 白平衡处理方法和装置
US20160328853A1 (en) Image processing method and apparatus
CN109698944B (zh) 投影区域校正方法、投影设备及计算机可读存储介质
CN106251286B (zh) 图像处理方法、装置及设备
CN105243371A (zh) 一种人脸美颜程度的检测方法、系统及拍摄终端
CN107103606A (zh) 一种图像识别方法及装置
WO2017215527A1 (zh) Hdr场景侦测方法、装置和计算机存储介质
CN104519329B (zh) 图像处理装置、拾取装置、拾取系统和处理方法
CN109194954B (zh) 鱼眼摄像头性能参数测试方法、装置、设备及可存储介质
CN107920246A (zh) 摄像头模组的倾斜度测试方法及装置
US20190279022A1 (en) Object recognition method and device thereof
CN109785390A (zh) 一种用于图像矫正的方法和装置
Fernando et al. Color features for dating historical color images
CN108198189A (zh) 图片清晰度的获取方法、装置、存储介质及电子设备
Wu et al. Active control of camera parameters for object detection algorithms
CN104537633B (zh) 一种利用图像融合技术消除图像反影的方法
CN108780572A (zh) 图像校正的方法及装置
Rodrigues et al. Single-image estimation of the camera response function in near-lighting
Lo et al. 360° video stitching for dual fisheye cameras

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