CN109285194B - 相机标定板及相机标定数据采集方法 - Google Patents
相机标定板及相机标定数据采集方法 Download PDFInfo
- Publication number
- CN109285194B CN109285194B CN201811147388.2A CN201811147388A CN109285194B CN 109285194 B CN109285194 B CN 109285194B CN 201811147388 A CN201811147388 A CN 201811147388A CN 109285194 B CN109285194 B CN 109285194B
- Authority
- CN
- China
- Prior art keywords
- dots
- calibration
- characteristic
- camera
- specific
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供的相机标定板及相机标定数据采集方法,该相机标定板为平面标定板;所述相机标定板上设有若干个特征圆点,且所有特征圆点呈阵列分布;所述特征圆点中定义3个特征圆点为特定特征圆点,且所有特定特征圆点不在同一条直线上。该相机标定板,设有特定特征圆点,能够利用特定特征圆点对其他特征圆点的世界坐标进行定位。
Description
技术领域
本发明属于相机标定技术领域,具体涉及相机标定板及相机标定数据采集方法。
背景技术
相机标定是视觉测量、三维重建等机器视觉应用的基础环节,标定结果的准确性和精度直接决定了视觉系统能否正常工作。相机标定是指用相机系统拍摄标定板的图像,利用标定板中已知特征点的三维坐标及图像上对应的图像坐标,解算相机参数的过程。相机标定包括相机标定数据采集和相机参数计算,其中相机参数计算过程中,最常用的是张氏标定法。
相机标定数据采集中用到的标定板大多为棋盘格和圆阵列。棋盘格标定板由黑白相间的方格构成,类似国际象棋的棋盘而得名,如图1所示。棋盘格标定板上的特征点是角点,即小方格的顶点,角点在图像上是一种很容易被识别和精确定位的特征。为了确保检测的可靠性,棋盘格标定板不使用外侧角点,只使用内部角点(如图1中7×6个小方格的棋盘格有6×5个有效角点)。假设小方格边长为s,定义棋盘格上所有点的Z坐标为0,且左上角第一个角点坐标为坐标原点(0,0,0),则第一行第二个角点的世界坐标为(s,0,0),第二行第一个角点世界坐标为(0,s,0),其余角点的坐标以此类推。为了将图像上检测到的角点坐标与其世界坐标对应上,必须保证全部角点都能同时被检测到,也就是棋盘格标定板必须完整地出现在相机视场中才能正常进行标定检测。
另一方面,当图像畸变太大或者有一定的离焦模糊时,角点检测的精度会明显下降,而圆阵列标定板则能够改善这种情况下的标定精度。圆阵列标定板如图2所示,其特征点是每个圆点的圆心,特征点世界坐标的定义方式与棋盘格类似。假设一行上圆心间距为2s,左上角第一个圆心为坐标原点(0,0,0),则第一行第二个圆心的世界坐标为(2s,0,0),第二行第一个圆心世界坐标为(s,s,0),其余圆心的坐标以此类推。圆阵列相对于棋盘格还有一个优势是在固定的面积上容易排布更多的特征点,因而能够提升标定效果。然而,圆阵列标定板同样必须完整地出现在相机视场中才能正常进行标定检测。
综上所述,棋盘格和圆阵列作为目前最常用的标定板都是依赖全部特征点的排布方式来检测识别的。畸变参数的计算是相机标定中非常重要的一个环节,如图3所示,一张图像中越靠近边缘的地方畸变越大。为了准确地计算畸变参数,需要尽可能使标定板特征点分布在畸变大的图像区域,也就是图像的边角。而现有的相机标定数据采集方法会带来以下问题:
1、假如预先设计的特征点数量为6×5,那么特征点为3×4或者7×6的标定板就无法被识别。而且如果6×5的标定板上任意一个特征点由于遮挡或超出视场而没有被检测到,也会导致整个标定板的识别失败。
2、使用棋盘格或者圆阵列进行相机标定时,必须细心地采集标定图像,离边角太远会导致边角采样不充分,而太近则有可能使部分特征点超出视场而导致整个标定板识别失败,这无疑增加了相机标定操作的难度。
3、在对两个或多个相机构成的视觉系统进行标定时,需要在每个相机视场中同时检测到标定板。以左右双目视觉系统为例,由于两个相机存在视差,对边角的标定采样存在一个矛盾:如图4中,左图边缘采样充分,但右图标定板没有完整出现在相机中,检测失败。图5中,右图边缘采样充分,但左图采样中标定板远离图像边缘,采样不充分。
发明内容
针对现有技术中的缺陷,本发明提供相机标定板和相机标定数据采集方法,使得相机标定数据采集更加方便灵活。
第一方面,一种相机标定板,所述相机标定板为平面标定板;所述相机标定板上设有若干个特征圆点,且所有特征圆点呈阵列分布;所述特征圆点中定义3个特征圆点为特定特征圆点,且所有特定特征圆点不在同一条直线上。
优选地,定义任意两个特定特征圆点的连线穿过的特征圆点的数量为圆点数;所有的圆点数中至少存在2个圆点数不相同。
优选地,所述特定特征圆点为圆环状,其中特定特征圆点的中心颜色和外圈颜色不同。
第二方面,一种相机标定数据采集方法,包括以下步骤:
获取第一方面所述的相机标定板;
将相机标定板置入相机视场,对相机标定板进行拍摄,得到多张标定图像;
从标定图像中提取出特定特征圆点;
以特定特征圆点为起点,按扩散的方式逐步实现标定图像中其余特征圆点的坐标匹配,得到标定数据。
优选地,所述相机标定板中,特定特征圆点为圆环状,其中特定特征圆点的中心颜色和外圈颜色不同;
所述从标定图像中提取出特定特征圆点具体包括:
利用斑点检测算法从标定图像中提取所有特征圆点;
定义特征圆点中,中心颜色和外圈颜色不同的特征圆点为特定特征圆点;
计算任意两个特定特征圆点的连线穿过的特征圆点的数量,得到圆点数;
根据所述圆点数对特定特征圆点进行区分。
优选地,该方法在所述利用斑点检测算法从标定图像中提取所有特征圆点之前,还包括:
利用轮廓查找的方法对标定图像进行分割和滤波降噪处理。
优选地,所述以特定特征圆点为起点,按扩散的方式逐步实现标定图像中其余特征圆点的坐标匹配,得到标定数据具体包括:
获取以下计算数据:3个特定特征圆点的世界坐标、以及标定图像中的二维坐标;
利用所述计算数据计算仿射变换矩阵;
根据特定特征圆点的世界坐标计算标定图像中其余特征圆点的世界坐标;
利用仿射变换矩阵和特征圆点的世界坐标,实现标定图像中其余特征圆点的坐标匹配,得到标定数据。
优选地,所述利用仿射变换矩阵和特征圆点的世界坐标,实现标定图像中其余特征圆点的坐标匹配,得到标定数据具体包括:
利用仿射变换矩阵和特征圆点的世界坐标,估计特征圆点在标定图像中的二维坐标,得到估计坐标;
获取标定图像中该特征圆点真实的二维坐标,得到真实坐标;
如果该特征圆点的估计坐标与真实坐标的距离小于预设的阈值时,则该特征圆点的世界坐标和二维坐标匹配,定义该特征圆点为“三维-二维”匹配点;
由所有的“三维-二维”匹配点构成所述标定数据。
由上述技术方案可知,本发明提供的相机标定板,设有特定特征圆点,能够利用特定特征圆点对其他特征圆点的世界坐标进行定位。
本发明提供的相机标定数据采集方法具有以下优点:
1)相机标定板即使部分特征圆点被遮挡或者超出相机视场,也能够正常进行相机标定,标定采图更加方便灵活,尤其方便大畸变相机的边角采样。
2)相机标定板上的特征圆点可以任意扩展,提高标定采样效率。
3)双目(或者多相机)标定时,不需要确保相机标定板完整地出现在每个相机视场中,相机标定板超出一个相机视场,并不会影响另一个相机的标定。
4)相机标定板中特定特征圆点的排布方式可以多种多样,并且不同排布方式的相机标定板在图像上都能够利用算法准确识别区分开。因此在多相机视觉系统的标定中,能够通过布置多个不同相机标定板的方式,减少标定图像所需数量,提高整体标定效率。
5)该方法计算复杂度低,能够应用于现实增强(AR)等对实时性有要求的机器视觉领域。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为现有的棋盘格标定板的结构示意图。
图2为现有的圆阵列标定板的结构示意图。
图3为相机标定数据采集过程中,标定板在相机中发生畸变的示意图。
图4为两个相机构成的视觉系统中,标定失败的示意图一。
图5为两个相机构成的视觉系统中,标定失败的示意图二。
图6a~6c分别为相机标定板3种不同的形态。
图7为实施例一提供的相机标定板圆点数的计算示意图。
图8为实施例二提供的相机标定数据采集方法的流程图。
图9为实施例二提供的特定特征圆点提取的流程图。
图10为实施例三提供的坐标匹配的流程图一。
图11为实施例三提供的坐标匹配的流程图二。
图12为实施例四中拍摄得到的标定图像。
图13为实施例四中提取的特征圆点和特定特征圆点。
图14a~14f为采用扩散法逐步完成特征圆点坐标匹配的6个阶段示意图。
图15为实施例四中的检测结果。
图16a~16h为左相机采集的8张标定图像。
图17a~17h为右相机采集的8张标定图像。
图18a~18h为左相机采集的8张标定图像的检测结果。
图19a~19h为右相机采集的8张标定图像的检测结果。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例一:
一种相机标定板,所述相机标定板为平面标定板;所述相机标定板上设有若干个特征圆点,且所有特征圆点呈阵列分布;所述特征圆点中定义3个特征圆点为特定特征圆点,且所有特定特征圆点不在同一条直线上。
具体地,相机标定板图案可以用激光打印在纸上作为简易标定板使用。如果是对于精度质量要求较高的场合,则可以选用亚克力、金属、玻璃、陶瓷等硬质材料为基板制作。
本发明相机标定板继承了原有的圆阵列标定板的抗图像模糊、畸变等优势,选取了三个特征圆点作为特定特征圆点。相机标定时,只需要确保相机标定板的特定特征圆点在相机视场中,即可被成功识别。根据特定特征圆点的世界坐标能够唯一确定其余特征圆点的世界坐标。因此,本发明的相机标定板即使部分特征圆点被遮挡或者超出相机视场,也能够正常进行相机标定。
优选地,定义任意两个特定特征圆点的连线穿过的特征圆点的数量为圆点数;所有的圆点数中至少存在2个圆点数不相同。
具体地,为了更好地区分开特定特征圆点,要求3个特定特征圆点能够组成三角形。图7为其中一种相机标定板圆点数的计算示意图。定义图7中3个特定特征圆点分别为0号标记圆、1号标记圆和2号标记圆,由此可以看出,0号标记圆和1号标记圆的连线穿过1个特征圆点,0号标记圆和2号标记圆的连线穿过2个特征圆点,1号标记圆和2号标记圆的连线穿过0个特征圆点.
相机标定板中的特定特征圆点的排布方式多种多样,如图6a-6c所示,图6a中的相机标定板中,任意两个特定特征圆点之间的圆点数为0,0,2,所以6a中的相机标定板为002型。图6b中的相机标定板中,任意两个特定特征圆点之间的圆点数为3,1,1,所以6b中的相机标定板为311型。图6c中的相机标定板中,任意两个特定特征圆点之间的圆点数为1,0,0,所以6c中的相机标定板为100型。由此可以看出,上述相机标定板中至少存在2个圆点数不相同。
图像上不同排布方式的相机标定板能够利用算法准确识别区分开,因此在多相机视觉系统的标定中,能够通过布置多个不同相加标定板的方式,减少标定图像所需数量,提高整体标定效率,这对于传统标定板是比较难实现的。
优选地,所述特定特征圆点为圆环状,其中特定特征圆点的中心颜色和外圈颜色不同。
具体地,本实施例的特定特征圆点绘制成空心圆环,用于与其它特征圆点区分。为了增强对比度方便特征提取,颜色为黑白两色,所以特定特征圆点可采用白底黑圆+黑色圆环,或者黑底白圆+白色圆环。
实施例二:
一种相机标定数据采集方法,参见图8,包括以下步骤:
S1:获取上述的相机标定板;
S2:将相机标定板置入相机视场,对相机标定板进行拍摄,得到多张标定图像;
S3:从标定图像中提取出特定特征圆点;
S4:以特定特征圆点为起点,按扩散的方式逐步实现标定图像中其余特征圆点的坐标匹配,得到标定数据。
该相机标定数据采集方法具有以下优点:
1)相机标定板即使部分特征圆点被遮挡或者超出相机视场,也能够正常进行相机标定,标定采图更加方便灵活,尤其方便大畸变相机的边角采样。
2)相机标定板上的特征圆点可以任意扩展,提高标定采样效率。
3)双目(或者多相机)标定时,不需要确保相机标定板完整地出现在每个相机视场中,相机标定板超出一个相机视场,并不会影响另一个相机的标定。
4)相机标定板中特定特征圆点的排布方式可以多种多样,并且不同排布方式的相机标定板在图像上都能够利用算法准确识别区分开。因此在多相机视觉系统的标定中,能够通过布置多个不同相机标定板的方式,减少标定图像所需数量,提高整体标定效率。
5)该方法计算复杂度低,能够应用于现实增强(AR)等对实时性有要求的机器视觉领域。
除此以外,本实施例提出以下特定特征圆点的提取方法。所述相机标定板中,特定特征圆点为圆环状,其中特定特征圆点的中心颜色和外圈颜色不同;
参见图9,所述从标定图像中提取出特定特征圆点具体包括:
S11:利用斑点检测算法从标定图像中提取所有特征圆点;
具体地,斑点检测算法如Difference of Gaussian、Laplacian of Gaussian、Determinant of Hessian或者opencv的SimpleBlobDetector算法。
S12:定义特征圆点中,中心颜色和外圈颜色不同的特征圆点为特定特征圆点;
具体地,步骤S12是从标定图像中提取所有特征圆点,步骤S13是根据颜色将特定特征圆点从特征圆点中区分出来。
S13:计算任意两个特定特征圆点的连线穿过的特征圆点的数量,得到圆点数;
S14:根据所述圆点数对特定特征圆点进行区分。
综上所述,通过上述步骤可以获取标定图像上所有特征圆点的中心坐标(即图像中的二维坐标)、中心颜色、外圈颜色和圆点大小,如果中心颜色与外圈颜色不一致,则识别为特定特征圆点。然后,依靠算法判断特定特征圆点之间连线穿过的特征圆点的数量,以此对三个特定特征圆点进行区分,即就能够准确得出每个特定特征圆点的世界坐标。
优选地,该方法在所述利用斑点检测算法从标定图像中提取所有特征圆点之前,还包括:
利用轮廓查找的方法对标定图像进行分割和滤波降噪处理。
具体地,如果原始的标定图像内容过于复杂或者含有大量图像噪声,则需要对标定图像进行分割和滤波降噪处理。滤波降噪处理包括高斯滤波、形态学滤波等方法。对图像进行分割,排除非标定板区域,提升算法计算效率。通过分割和滤波降噪能够简化图像,从而提高特征检测的成功率。
实施例三:
参见图10,所述以特定特征圆点为起点,按扩散的方式逐步实现标定图像中其余特征圆点的坐标匹配,得到标定数据具体包括:
S21:获取以下计算数据:3个特定特征圆点的世界坐标、以及标定图像中的二维坐标;
具体地,当特定特征圆点区分开了以后,便能够得到每个特定特征圆点的世界坐标。而从标定图像中也能获得其二维坐标。
S22:利用所述计算数据计算仿射变换矩阵;
具体地,对于相机标定数据采集过程中,需要将其余特征圆点与世界坐标对应起来。采集相机标定板图像的过程即世界坐标向标定图像中的二维坐标投影的过程,也就是所谓的投影变换。投影变换矩阵需要四组匹配点才能求解,但在小范围内投影变换可以近似为仿射变换,而后者的变换矩阵只需要三组匹配点即可求解。所以步骤S22首先利用3组特定特征圆点计算仿射变换矩阵。
S23:根据特定特征圆点的世界坐标计算标定图像中其余特征圆点的世界坐标;
具体地,当已知相机标定板中特定特征圆点的世界坐标后,由于相机标定板中所有特征圆点的世界坐标是已知的,便可以计算出其余特征圆点的世界坐标。
S24:利用仿射变换矩阵和特征圆点的世界坐标,实现标定图像中其余特征圆点的坐标匹配,得到标定数据。
优选地,如图11,所示,所述利用仿射变换矩阵和特征圆点的世界坐标,实现标定图像中其余特征圆点的坐标匹配,得到标定数据具体包括:
S31:利用仿射变换矩阵和特征圆点的世界坐标,估计特征圆点在标定图像中的二维坐标,得到估计坐标;
S32:获取标定图像中该特征圆点真实的二维坐标,得到真实坐标;
S33:如果该特征圆点的估计坐标与真实坐标的距离小于预设的阈值时,则该特征圆点的世界坐标和二维坐标匹配,定义该特征圆点为“三维-二维”匹配点;
S34:由所有的“三维-二维”匹配点构成所述标定数据。
具体地,例如首先利用三个特定特征圆点计算一个仿射变换矩阵,然后选取特定特征圆点附近任意一点(比如点(0,0,0)附近的点(s,s,0),其中,(s,s,0)为世界坐标,s是每一行上特征圆点间距的一半)。然后通过仿射变换矩阵能够依靠点(s,s,0)的世界坐标去预测其二维坐标,即估计坐标。最后遍历所有特征圆点真实的二维坐标,如果特征圆点的真实坐标与估计坐标距离小于一个阈值(阈值可以是该特征圆点在图像上的半径),则该点的世界坐标与二维图像坐标就匹配上了。此时多了一组“三维-二维”匹配点,便可以参与计算其它更多的匹配点。
本发明实施例所提供的方法,为简要描述,实施例部分未提及之处,可参考前述方法实施例中相应内容。
实施例四:
实施例四举例对上述相机标定数据采集方法进行说明。本实施例使用的相机标定板为021型,每一行上圆心间距为100mm(即s=50mm),图像分辨率为640×400像素。
a)拍摄标定图像,拍摄的照片如图12所示。
b)提取标定板特征圆点,同时识别出三个特定特征圆点,如图13所示。
c)依靠三个标记点,逐步完成其余特征圆点的“三维-二维”坐标匹配,如图14a-14f所示。
d)完成标定板的检测,检测结果如图15所示。
综上所述,标定板检测的结果是特征圆点的二维坐标以及世界坐标。本实施例中标定板上所有168个特征圆点都在相机视场中,检测结果如表1所示:
表1:
实施例五:
实施例五提供了上述方法在双目相机标定中的应用。
双目相机标定需要左右相机同时采集多组标定图像,本实施例使用的相机镜头为127°广角镜头(图像畸变很大),图像分辨率为640×400像素,双目基线距为60mm。相机标定板为021型,每一行圆心间距为50mm(即s=25mm)。
a)采集8组标定图像(即左右相机各采集8张标定图像)采集的标定图像如图16a-16h、17a-17h所示。
b)对所有16张标定图像进行标定板检测,获取特征圆点数据集,检测结果如图18a-18h、19a-19h所示。
c)使用特征圆点数据集进行解算双目相机系统参数。
最终双目标定结果如下:
左相机-畸变参数:
D1=[125.93,58.36,-1.82e-4,-7.592-5,1.84,126.09,103.87,12.14];
右相机-畸变参数:
D2=[0.397,-4.99e-2,1.74e-4,-1.42e-4,-2.87e-3,0.763,3.23e-3,-1.66e-2];
本发明实施例所提供的方法,为简要描述,实施例部分未提及之处,可参考前述方法实施例中相应内容。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (4)
1.一种相机标定数据采集方法,其特征在于,包括以下步骤:
获取以下相机标定板;所述相机标定板为平面标定板;所述相机标定板上设有若干个特征圆点,且所有特征圆点呈阵列分布;所述特征圆点中定义3个特征圆点为特定特征圆点,且所有特定特征圆点不在同一条直线上;定义任意两个特定特征圆点的连线穿过的特征圆点的数量为圆点数;所有的圆点数中至少存在2个圆点数不相同;
将相机标定板置入相机视场,对相机标定板进行拍摄,得到多张标定图像;
从标定图像中提取出特定特征圆点;
以特定特征圆点为起点,按扩散的方式逐步实现标定图像中其余特征圆点的坐标匹配,得到标定数据;
所述相机标定板中,特定特征圆点为圆环状,其中特定特征圆点的中心颜色和外圈颜色不同;
所述从标定图像中提取出特定特征圆点具体包括:
利用斑点检测算法从标定图像中提取所有特征圆点;
定义特征圆点中,中心颜色和外圈颜色不同的特征圆点为特定特征圆点;
计算任意两个特定特征圆点的连线穿过的特征圆点的数量,得到圆点数;
根据所述圆点数对特定特征圆点进行区分。
2.根据权利要求1所述相机标定数据采集方法,其特征在于,该方法在所述利用斑点检测算法从标定图像中提取所有特征圆点之前,还包括:
利用轮廓查找的方法对标定图像进行分割和滤波降噪处理。
3.根据权利要求1所述相机标定数据采集方法,其特征在于,所述以特定特征圆点为起点,按扩散的方式逐步实现标定图像中其余特征圆点的坐标匹配,得到标定数据具体包括:
获取以下计算数据:3个特定特征圆点的世界坐标、以及标定图像中的二维坐标;
利用所述计算数据计算仿射变换矩阵;
根据特定特征圆点的世界坐标计算标定图像中其余特征圆点的世界坐标;
利用仿射变换矩阵和特征圆点的世界坐标,实现标定图像中其余特征圆点的坐标匹配,得到标定数据。
4.根据权利要求3所述相机标定数据采集方法,其特征在于,所述利用仿射变换矩阵和特征圆点的世界坐标,实现标定图像中其余特征圆点的坐标匹配,得到标定数据具体包括:
利用仿射变换矩阵和特征圆点的世界坐标,估计特征圆点在标定图像中的二维坐标,得到估计坐标;
获取标定图像中该特征圆点真实的二维坐标,得到真实坐标;
如果该特征圆点的估计坐标与真实坐标的距离小于预设的阈值时,则该特征圆点的世界坐标和二维坐标匹配,定义该特征圆点为“三维-二维”匹配点;
由所有的“三维-二维”匹配点构成所述标定数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811147388.2A CN109285194B (zh) | 2018-09-29 | 2018-09-29 | 相机标定板及相机标定数据采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811147388.2A CN109285194B (zh) | 2018-09-29 | 2018-09-29 | 相机标定板及相机标定数据采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285194A CN109285194A (zh) | 2019-01-29 |
CN109285194B true CN109285194B (zh) | 2021-06-29 |
Family
ID=65182673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811147388.2A Active CN109285194B (zh) | 2018-09-29 | 2018-09-29 | 相机标定板及相机标定数据采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285194B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148174A (zh) * | 2019-05-23 | 2019-08-20 | 北京阿丘机器人科技有限公司 | 标定板、标定板识别方法及装置 |
CN110335307B (zh) * | 2019-06-26 | 2021-07-09 | Oppo广东移动通信有限公司 | 标定方法、装置、计算机存储介质和终端设备 |
CN110503694A (zh) * | 2019-08-08 | 2019-11-26 | Oppo广东移动通信有限公司 | 多摄像头标定方法、装置、存储介质及电子设备 |
CN110428457B (zh) * | 2019-08-08 | 2022-02-22 | 苏州中科全象智能科技有限公司 | 一种视觉定位中的点集仿射变换算法 |
CN110660107A (zh) * | 2019-08-23 | 2020-01-07 | 贝壳技术有限公司 | 平面标定板、标定数据采集方法及系统 |
CN113496516A (zh) * | 2020-03-20 | 2021-10-12 | 华为技术有限公司 | 标定方法及标定装置 |
CN111340893A (zh) * | 2020-03-24 | 2020-06-26 | 深圳奥比中光科技有限公司 | 一种标定板、标定方法及系统 |
CN112132907B (zh) * | 2020-09-22 | 2022-04-12 | 北京的卢深视科技有限公司 | 一种相机标定方法、装置、电子设备及存储介质 |
CN112465916A (zh) * | 2020-11-27 | 2021-03-09 | 浙江光珀智能科技有限公司 | 一种基于全视场平面标定板的rgbd双目标定方法及系统 |
CN112767497A (zh) * | 2021-01-25 | 2021-05-07 | 深慧视(深圳)科技有限公司 | 基于圆形标定板的高鲁棒性标定装置及定位方法 |
CN114913236A (zh) * | 2021-02-09 | 2022-08-16 | 深圳市汇顶科技股份有限公司 | 相机标定方法、装置及电子设备 |
CN115131444B (zh) * | 2022-08-30 | 2022-11-15 | 常州铭赛机器人科技股份有限公司 | 一种基于单目视觉点胶平台的标定方法 |
CN115222825B (zh) * | 2022-09-15 | 2022-12-16 | 湖南视比特机器人有限公司 | 一种标定方法及其计算机存储介质和标定系统 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000180138A (ja) * | 1998-12-15 | 2000-06-30 | Toyota Central Res & Dev Lab Inc | キャリブレーションプレート及びこれを利用する視覚センサのキャリブレーション装置 |
CN100384220C (zh) * | 2006-01-17 | 2008-04-23 | 东南大学 | 摄像机标定数据的采集方法及其标定板 |
CN100470590C (zh) * | 2007-02-05 | 2009-03-18 | 武汉大学 | 相机标定方法及所用标定装置 |
CN100573586C (zh) * | 2008-02-21 | 2009-12-23 | 南京航空航天大学 | 一种双目立体测量系统的标定方法 |
CN101729737B (zh) * | 2008-10-29 | 2012-06-20 | 鸿富锦精密工业(深圳)有限公司 | 影像校正系统及方法 |
US9420276B2 (en) * | 2012-02-28 | 2016-08-16 | Lytro, Inc. | Calibration of light-field camera geometry via robust fitting |
JP6107081B2 (ja) * | 2012-11-21 | 2017-04-05 | 富士通株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN103077518B (zh) * | 2012-12-31 | 2016-01-20 | 北京配天技术有限公司 | 基于圆环点的相机自标定方法及装置 |
CN103150721B (zh) * | 2013-01-10 | 2015-07-29 | 杭州先临三维科技股份有限公司 | 扫描仪标定板图像的误识别点去除方法及标定板 |
CN104266608B (zh) * | 2014-10-22 | 2017-02-01 | 河北科技大学 | 视觉传感器现场标定装置和标定方法 |
CN104794704B (zh) * | 2015-03-27 | 2017-11-17 | 华为技术有限公司 | 一种标定模板、模板检测方法、装置及终端 |
CN105654484B (zh) * | 2015-12-30 | 2019-01-18 | 西北工业大学 | 光场相机外参数标定装置及方法 |
US10210615B2 (en) * | 2016-03-10 | 2019-02-19 | Sony Corporation | System and method for extrinsic camera parameters calibration by use of a three dimensional (3D) calibration object |
CN105931222B (zh) * | 2016-04-13 | 2018-11-02 | 成都信息工程大学 | 用低精度二维平面靶标实现高精度相机标定的方法 |
CN106352806A (zh) * | 2016-08-10 | 2017-01-25 | 中国科学技术大学 | 一种立体视觉三维数字图像相关测量的高精度标定方法 |
CN106803274A (zh) * | 2017-03-14 | 2017-06-06 | 昆山鹰之眼软件技术有限公司 | 自动化标定板 |
CN108537849A (zh) * | 2018-04-20 | 2018-09-14 | 东北大学 | 基于同心圆环的三维直角靶标的线阵相机的标定方法 |
-
2018
- 2018-09-29 CN CN201811147388.2A patent/CN109285194B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109285194A (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285194B (zh) | 相机标定板及相机标定数据采集方法 | |
CN111243032B (zh) | 一种棋盘格角点全自动检测方法 | |
CN112508826B (zh) | 一种印刷品缺陷检测方法 | |
CN109215063B (zh) | 一种事件触发相机与三维激光雷达的配准方法 | |
CN109410207B (zh) | 一种基于ncc特征的无人机巡线图像输电线路检测方法 | |
CN105894499B (zh) | 一种基于双目视觉的空间物体三维信息快速检测方法 | |
CN107907048A (zh) | 一种基于线结构光扫描的双目立体视觉三维测量方法 | |
WO2018209968A1 (zh) | 摄像机标定方法及系统 | |
CN110660107A (zh) | 平面标定板、标定数据采集方法及系统 | |
CN108022228A (zh) | 基于SIFT变换和Otsu匹配的彩色眼底图像拼接方法 | |
CN104794421B (zh) | 一种qr码定位及识别方法 | |
CN110689579A (zh) | 基于合作目标的快速单目视觉位姿测量方法及测量系统 | |
CN108776140A (zh) | 一种基于机器视觉的印刷品瑕疵检测方法及系统 | |
CN116071344A (zh) | 一种基于机器视觉的曲面标签拼接检测系统 | |
CN112067233B (zh) | 一种用于风洞模型六自由度运动捕获方法 | |
CN109961485A (zh) | 一种基于单目视觉进行目标定位的方法 | |
JP5156601B2 (ja) | 形状測定装置およびプログラム | |
CN108716890A (zh) | 一种基于机器视觉的高精度尺寸检测方法 | |
CN108257187B (zh) | 一种相机-投影仪系统标定方法 | |
CN116205993A (zh) | 一种用于3d aoi的双远心镜头高精度标定方法 | |
CN113963067B (zh) | 一种采用小靶标对大视场视觉传感器进行标定的标定方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN111968182B (zh) | 一种双目相机非线性模型参数的标定方法 | |
TWI434228B (zh) | 濾波器設計方法、裝置與用濾波器還原影像的方法及裝置 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 |
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 |