CN109754436B - 一种基于镜头分区域畸变函数模型的相机标定方法 - Google Patents
一种基于镜头分区域畸变函数模型的相机标定方法 Download PDFInfo
- Publication number
- CN109754436B CN109754436B CN201910012942.4A CN201910012942A CN109754436B CN 109754436 B CN109754436 B CN 109754436B CN 201910012942 A CN201910012942 A CN 201910012942A CN 109754436 B CN109754436 B CN 109754436B
- Authority
- CN
- China
- Prior art keywords
- pattern
- model
- distortion
- camera
- point
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于镜头分区域畸变函数模型的相机标定方法,属于相机标定技术领域,包括:数据图像采集:以初始调整后的标定板为基础建立世界坐标系;沿X、Y、Z坐标轴移动标定板,采集不同位置处的图像数据;初始数据处理与获取:对图像数据进行预处理,计算投影矩阵初值;将在Z=0平面采集的多幅图像进行数据融合形成融合图像,并计算各特征点畸变量;分区域畸变模型相机标定:根据局部优化拟合和全局拟合规则得到分区域畸变函数模型;对相机标定模型整体参数进行线性优化。本发明解决了相机标定在固定畸变模型优化计算或智能算法全局寻优时无法兼具计算精度和效率的问题,实现在高精度的前提下,计算效率相对较高。
Description
技术领域
本发明涉及相机标定技术领域,可用于机器视觉、摄影测量等方面,具体涉及一种基于镜头分区域畸变函数模型的相机标定方法。
背景技术
相机标定是机器视觉、摄影测量等领域中的关键技术之一,利用相机标定确定空间物体表面某点的三维几何位置与其在图像上的对应点的对应关系,也就是确定摄像机几何模型参数,精确的相机标定对于机器视觉、摄影测量等系统的三维测量和重建精度至关重要。
在制造与装配过程中存在的误差导致相机镜头存在不同程度的非线性畸变,相机的线性模型并不能准确的描述相机的成像几何关系,需要对这种非线性畸变进行修正,目前常采用的方法有固定畸变模型(如切向畸变、径向畸变等)进行优化计算、无固定畸变模型智能算法等,这些算法在进行全局优化时,无法兼具计算精度与效率。
发明内容
针对上述问题中存在的不足之处,本发明提供一种基于镜头分区域畸变函数模型的相机标定方法。
本发明公开了一种基于镜头分区域畸变函数模型的相机标定方法,包括:
数据图像采集:
以初始调整后的标定板为基础建立世界坐标系;
沿X、Y、Z坐标轴移动所述标定板,采集不同位置处的图像数据;
初始数据处理与获取:
对所述图像数据进行预处理,计算投影矩阵初值;
将在Z=0平面采集的多幅图像进行数据融合形成融合图像,并计算各特征点畸变量;
分区域畸变模型相机标定:
根据局部优化拟合和全局拟合规则得到分区域畸变函数模型;
对相机标定模型整体参数进行线性优化。
作为本发明的进一步改进,所述标定板的图案由八种图案基元组成;
将所述八种图案基元中方向相同的两种图案基元合并为一组,共形成四组图案基元,将所述四组图案基元按照相应的排列规则组成标定板图案。
作为本发明的进一步改进,所述八种图案基元的每种图案基元尺寸相同且为h×h的矩形,按照统一规则设计,仅在颜色和方向上有差别;
第一种图案基元设计方式为:选择一个边长为h的矩形,以矩形右下角的顶点为O点,以逆时针方向看矩阵其他三个顶点分别为A、B、C,矩形上边AB中点为E,左边BC的中点为F,分别连接OB、OE和OF;分别在OA左侧、AB下侧、BC右侧和CO上侧做直线,该直线分别平行各边且距各边的距离为l,l<h/2,分别记作k1、k2、k3、k4;k1与OE的交点为P点,k2与OE的交点为Q点,k2、k3和OB交于一点R,k3和OF交于一点S,k4与OF交于一点T,k4、k1和OB交于一点G,形成封闭图形PQRSTG;将封闭图形PQRSTG涂为白色,将矩形OABC除内部封闭图形PQRSTG以外全涂为黑色,形成的图案为第一种图案基元,其方向为OB;
第二种图案基元各个点设计的位置与第一种图案基元相同,仅在颜色上与第一种图案基元相反,将封闭图形PQRSTG涂为黑色,将矩形OABC除内部封闭图形PQRSTG以外全涂为白色;
第一种图案基元与第二种图案基元方向相同,颜色不同,将这两种图案基元合并为一组,记为第一组图案基元;
同样其余六种图案基元可以分为三组图案基元,与上述两种图案基元的设计原则相同,可由第一组图案基元分别顺时针旋转90顺、180°、270°形成。
作为本发明的进一步改进,所述标定板图案以八种图案基元为单位,形成大小为n×n的矩阵图案,n为偶数,所述标定板图案的排列规则为:
以矩阵图案中心为中心原点,过中心原点平行行的直线与过中心原点平行列的直线将矩阵图案分成四个区域,称两条直线为区域分界线,每个区域存在的图案基元个数为(n/2)2;每个区域以远离原点作为该区域方向,每个区域只存在与该区域方向相同的一组图案基元;同一区域内每种图案基元的四邻域中图案基元与该图案基元不同;在区域分界线两侧的相同位置的图案基元方向和颜色均不相同;
按上述排列出的每个区域内的特征点包括:矩阵的四个顶点以及矩阵内部封闭图形的六个顶点。
作为本发明的进一步改进,在所述数据图像采集中:
将相机、标定板固定在三维移动控制平台上,所述相机一侧固定不动,所述标定板一侧可通过所述三维移动控制平台进行三维空间的位移;
所述初始调整后的标定板与相机平行,且所述标定板在相机中心区域;
沿X轴正负方向和Y轴正负方向以一定步长采集多幅图像,沿Z轴方向采集多幅图像。
作为本发明的进一步改进,在所述初始数据处理与获取中:
所述图像数据预处理包括:将采集的图像进行去噪、顶帽变换预处理操作,采用角点提取算子提取图像中已设计好的特征点;
所述计算投影矩阵初值包括:将Z=0平面已提取特征点的多幅图像去除图案基元内部特征点形成一组棋盘格图像,利用所述棋盘格图像根据张正友标定法计算投影矩阵初值,得到相机线性模型;
所述计算各特征点畸变量包括:将Z=0平面已提取特征点的多幅图像中特征点融合成一幅包含多幅图像特征点的融合图像,利用所述相机线性模型求解融合图像上各特征点的三维坐标,与融合图像各特征点实际三维坐标差值得到畸变量。
作为本发明的进一步改进,在所述分区域畸变模型相机标定中:
所述根据局部优化拟合和全局拟合规则得到分区域畸变函数模型包括:基于局部优化拟合算法拟合局部区域的空间局面,得到局部区域畸变函数模型;基于全局拟合规则在所述局部区域畸变函数模型的基础上逐渐以分区域的方式拟合整个镜头的畸变模型,得到所述分区域畸变函数模型;
所述对相机标定模型整体参数进行线性优化包括:对相机标定模型的外部参数进行线性优化,用以修正相机、标定板和三维移动控制平台三者之间存在的偏移量。
作为本发明的进一步改进,所述局部优化拟合算法采用基因表达式编程算法,包括:
设置控制参数,确定分区域畸变函数模型的函数基集合,并创建基因编码结构;
以镜头畸变的Brown模型为基础,对该模型进行部分元素剔除以及相关项合并同类项,并将特征点在图像坐标系中坐标(u,v)的u轴和v轴的畸变量分离计算;
式(1)中δu、δv分别为u轴方向和v轴方向的畸变量,u'=u-u0和v'=v-v0为特征点坐标到标定板图案中心的距离,a1…a11和b1…b11为优化系数;
将式(1)中多项式基元作为基因编码中函数基;
选择种群,代表该区域不同函数模型的个体;
对基因进行解码,并计算每个个体的适应度值,若达到要求精度、最大迭代数或收敛速度慢,则停止计算,否则将最优个体保留;
通过实施遗传操作,产生新一代个体,形成新种群。
作为本发明的进一步改进,所述基于全局拟合规则在所述局部区域畸变函数模型的基础上逐渐以分区域的方式拟合整个镜头的畸变模型,得到所述分区域畸变函数模型,包括:
遍历过程,利用融合图像图案中心原点附近四个相邻图案基元区域中一个区域的特征点,通过局部优化拟合算法得到局部区域畸变函数模型,以该模型作为基础逐步以原点的棋盘距离顺时针逐个计算,若该模型不在满足精度要求,在该处重复上述过程,直至回到初始位置,然后在初始位置将棋盘距离加一,重复上述步骤直至遍历整个区域;
区域分割规则,局部优化拟合算法在图案基元区域内收敛速度慢,需要利用图案基元内部封闭形状的特征点顺时针方向逐个连接中心原点,直到分割区域内畸变函数模型满足精度要求,将图案基元中整个分割区域内畸变函数作为该图案基元区域内局部区域畸变函数模型。
作为本发明的进一步改进,所述对相机标定模型的外部参数进行线性优化,包括:
采用遗传算法对以镜头分区域畸变函数模型建立的相机标定模型的外部参数进行线性优化;
外部参数中包含旋转矩阵与平移向量,其中旋转矩阵为正交单位矩阵,为参数本身约束,对旋转矩阵与平移向量中变量进行编码,在随机搜索的同时利用参数本身约束条件筛选种群;
标定板初始调整位置沿Z轴方向的多幅图像数据中标定板上相同位置的特征点形成一条直线,不同特征点形成的直线互相平行,为标定板在三维控制平台沿Z轴方向移动所带来的条件约束,选取多幅图像中以中心向外均匀分布的几组特征点,以标定板中心特征点拟合直线,以每组特征点到直线的距离误差最小以及中心点对称的特征点到直线的误差最小作为优化的目标。
与现有技术相比,本发明的有益效果为:
本发明相机标定方法采用分区域畸变函数模型与线性优化算法相结合的方法,避免全局优化产生的不稳定性、误差随机分布等缺点,兼具精度与效率,具有广泛的实用性。
附图说明
图1为本发明一种实施例公开的基于镜头分区域畸变函数模型的相机标定方法的流程图;
图2为本发明一种实施例公开的图案基元的设计示意图;
图3为本发明一种实施例公开的标定板局部区域(中心区域)示意图;
图4为本发明一种实施例公开的分区域畸变模型相机标定算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述:
如图1所示,本发明提供一种基于镜头分区域畸变函数模型的相机标定方法,该方法包括以下步骤:
步骤1、数据图像采集:
以初始调整后的标定板为基础建立世界坐标系,沿X、Y、Z坐标轴移动标定板,采集不同位置处的图像数据;
具体为:
步骤11、特制标定板,设计特制标定板图案,特制标定板图案由八种图案基元组成,将八种图案基元中方向相同的两种图案基元合并为一组,共形成四组图案基元,将四组图案基元按照相应的排列规则组成标定板图案。每个图案基元尺寸相同且为h×h的矩形,按照统一规则设计,仅在颜色和方向上有差别,也就是以一个图案基元为基准可以推导出其他图案基元。
如图2所示的图案基元的设计原理,第一种图案基元设计方式为:选择一个边长为h的矩形,以矩形右下角的顶点为O点,以逆时针方向看矩阵其他三个顶点分别为A、B、C,矩形上边AB中点为E,左边BC的中点为F,分别连接OB、OE和OF;分别在OA左侧、AB下侧、BC右侧和CO上侧做直线,该直线分别平行各边且距各边的距离为l,l<h/2,分别记作k1、k2、k3、k4;k1与OE的交点为P点,k2与OE的交点为Q点,k2、k3和OB交于一点R,k3和OF交于一点S,k4与OF交于一点T,k4、k1和OB交于一点G,形成封闭图形PQRSTG;将封闭图形PQRSTG涂为白色,将矩形OABC除内部封闭图形PQRSTG以外全涂为黑色,形成的图案为第一种图案基元,其方向为OB。
第二种图案基元各个点设计的位置与第一种图案基元相同,仅在颜色上与第一种图案基元相反,将封闭图形PQRSTG涂为黑色,将矩形OABC除内部封闭图形PQRSTG以外全涂为白色;
第一种图案基元与第二种图案基元方向相同,颜色不同,将这两种图案基元合并为一组,记为第一组图案基元;同样其余六种图案基元可以分为三组图案基元,与上述两种图案基元的设计原则相同,可由第一组图案基元分别顺时针旋转90顺、180°、270°形成。
如图3所示,制标定板图案以上述设计的八种图案基元为单位,形成大小为n×n的矩阵图案(n为偶数),以矩阵图案中心为中心原点,过原点平行行的直线与过原点平行列的直线将矩阵图案分成四个区域,称两条直线为区域分界线,每各区域存在的图案基元个数为(n/2)2;每个区域以远离原点作为该区域方向,每各区域只存在与该区域方向相同的一组图案基元;同一区域内每个图案基元的四邻域中图案基元与该图案基元不同;在区域分界线两侧的相同位置的图案基元不仅方向不同而且颜色不同。
按上述排列出的图案每个图案基元区域范围内包含特征点有矩阵的四个顶点以及矩阵内部封闭图形的六个顶点。
步骤12、将相机、特制标定板固定在搭建的三维移动控制平台上,相机一侧固定不可移动,特制标定板一侧可以通过三维移动控制平台进行三维空间的位移;对标定板进行初始调整,调整特制标定板的位置,保证其与相机基本平行,并且处于相机中心区域;
步骤13、以初始调整特制标定板后的位置为基础建立世界坐标系,沿X、Y轴正负方向移动,并以一定步长采集图像,沿Z方向采集多幅图像。
步骤2、初始数据处理与获取:
对图像数据进行预处理,计算投影矩阵初值;将在Z=0平面采集的多幅图像进行数据融合形成融合图像,并计算各特征点畸变量;
具体为:
步骤21、对步骤1所采集的图像数据进行预处理,即将采集的每幅图像进行去噪、顶帽变换等预处理操作,采用角点提取算子提取图像中已设计好的特征点;
步骤22、将Z=0平面已提取特征点的多幅图像去除图案基元内部特征点形成一组棋盘格图像,利用该组棋盘格图像根据张正友标定法计算投影矩阵初值,得到相机线性模型;
步骤23、将Z=0平面已提取特征点的多幅图像中特征点融合成一幅包含多幅图像特征点的融合图像,利用相机线性模型求解融合图像上各特征点的三维坐标(计算坐标),与融合图像各特征点实际三维坐标差值得到畸变量,可以将镜头畸变看做是空间曲面,畸变量看做是对空间曲面的采样。
步骤3、分区域畸变模型相机标定:
根据局部优化拟合和全局拟合规则得到分区域畸变函数模型,对相机标定模型整体参数进行线性优化。
具体为:
如图4所示为分区域畸变模型相机标定算法流程图,本发明公开的相机标定方法采用分区域畸变函数模型与线性优化算法相结合的方法,利用上述两步骤采集与处理后的图像数据。
步骤41、计算镜头分区域畸变函数模型,利用步骤2中融合图像作为数据源,以该图像中心区域四个相邻图案基元中的一个作为算法的起始位置,根据本发明中设计的局部优化拟合算法、区域分割规则和遍历过程计算分区域畸函数变模型。
局部优化拟合算法采用基因表达式编程,局部区域畸变函数模型计算方法如下:
步骤411、设置控制参数,确定分区域畸变函数模型的函数基集合,并创建基因编码结构;
本发明以镜头畸变的Brown模型为基础,对该模型进行部分元素剔除以及相关项合并同类项,并将特征点在图像坐标系中坐标(u,v)的u轴和v轴的畸变量分离计算。
上式(1)中δu、δv分别为u轴方向和v轴方向的畸变量;u'=u-u0和v'=v-v0为特征点坐标到标定板图案中心的距离;a1…a11和b1…b11优化系数。
将式(1)中多项式基元作为基因编码中函数基。
步骤412、创建种群,代表该区域不同函数模型的个体。
步骤413、对基因进行解码,并计算每个个体的适应度值,若达到要求精度、最大迭代数或收敛速度慢,则停止计算,否则将最优个体保留。
步骤414、通过实施遗传操作如选择、变异、突变等,产生新一代个体,形成新种群,返回步骤413。
根据局部优化拟合算法得到的终止反馈信息,若反馈得到局部区域畸变函数模型,则进入遍历过程,利用融合图像图案中心原点附近四个相邻图案基元区域中一个区域的特征点,通过局部优化拟合算法得到局部区域畸变函数模型,以该模型作为基础逐步以原点的棋盘距离(以图案基元为单位)顺时针逐个计算,若该模型不在满足精度要求,在该处重复上述过程,直至回到初始位置,然后在初始位置将棋盘距离加一,重复上述步骤直至遍历整个区域,得到分区域畸变函数模型;否则若反馈信息为收敛速度慢,则进入区域分割规则,利用图案基元内部封闭形状的特征点顺时针方向逐个连接中心原点,直到分割区域内畸变函数模型满足精度要求,将图案基元中整个分割区域内畸变函数作为该图案基元区域内局部区域畸变函数模型,然后在进入遍历过程。
步骤42、相机标定模型整体参数线性优化采用遗传算法,对分区域畸变函数模型为基础的相机模型中外部参数作进行编码,利用外部参数自身约束条件选择种群;利用沿Z轴方向的多幅图像数本身存在的外部约束,选取多幅图像中以中心向外均匀分布的几组特征点(标定板相同位置处特征点为一组),以标定板中心特征点拟合直线,以每组特征点到直线的距离误差最小以及中心点对称的特征点到直线的误差最小作为优化的目标。
实施例:
本发明特制标定板为300mm×300mm,图案基元尺寸为25mm×25mm,将制标定板将、相机固定在搭建的三维移动控制平台上,相机一侧固定不可移动,特制标定板一侧可以通过三维移动控制平台进行三维空间的位移,进行初始调整,调整特制标定板的位置,保证其与相机基本平行,并且处于相机中心区域。
以特制标定板中心为原点,以水平方向为X轴、竖直方向为Y轴、法线方向为Z轴建立右手世界坐标系。在初始调整位置即原点位置采集一幅图像,分别在x轴和Y轴正负方向移动2.5mm,并采集图像数据,即Z=0平面采集5幅图像;在原点位置沿Z轴移动50mm、100mm并采集图像数据。
对采集数据进行预处理,将采集的每幅图像进行去噪、顶帽变换等预处理操作,采用角点提取算子提取图像中已设计好的特征点。将Z=0平面已提取特征点的多幅图像去除图案基元内部特征点形成一组棋盘格图像,利用该组棋盘格图像根据张正友标定法计算投影矩阵初值,得到相机线性模型。将Z=0平面已提取特征点的多幅图像中特征点融合成一幅包含多幅图像特征点的融合图像,利用相机线性模型求解融合图像上各特征点的三维坐标(计算坐标),与融合图像各特征点实际三维坐标差值得到畸变量。
利用得到畸变量数据,通过分区域畸变函数模型算法计算相机镜头的分区域畸变函数模型;利用原点与Z轴方向采集的数据对以分区域畸变函数模型为基础的相机模型进行线性优化,最终得到精准的以分区域畸变函数模型为基础的相机模型的内部和外部参数。
本发明的优点为:
本发明针对基于镜头分区域畸变函数模型的相机标定方法设计了一种新的标定板,使用三维控制平台控制标定板移动并采集图像数据,利用采集的图像数据根据本发明设计的分区域畸变函数模型算法可以快速精准的得到相机镜头的分区域畸变函数模型;本发明相机标定方法采用分区域畸变函数模型与线性优化算法相结合的方法,避免全局优化产生的不稳定性、误差随机分布等缺点,兼具精度与效率,具有广泛的实用性。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于镜头分区域畸变函数模型的相机标定方法,其特征在于,包括:
数据图像采集:
以初始调整后的标定板为基础建立世界坐标系;其中,所述标定板的图案由八种图案基元组成;将所述八种图案基元中方向相同的两种图案基元合并为一组,共形成四组图案基元,将所述四组图案基元按照相应的排列规则组成标定板图案;
沿X、Y、Z坐标轴移动所述标定板,采集不同位置处的图像数据;
初始数据处理与获取:
对所述图像数据进行预处理,计算投影矩阵初值;
将在Z=0平面采集的多幅图像进行数据融合形成融合图像,并计算各特征点畸变量;
分区域畸变模型相机标定:
根据局部优化拟合和全局拟合规则得到分区域畸变函数模型;
对相机标定模型整体参数进行线性优化。
2.如权利要求1所述的相机标定方法,其特征在于,所述八种图案基元的每种图案基元尺寸相同且为h×h的矩形,按照统一规则设计,仅在颜色和方向上有差别;
第一种图案基元设计方式为:选择一个边长为h的矩形,以矩形右下角的顶点为O点,以逆时针方向看矩阵其他三个顶点分别为A、B、C,矩形上边AB中点为E,左边BC的中点为F,分别连接OB、OE和OF;分别在OA左侧、AB下侧、BC右侧和CO上侧做直线,该直线分别平行各边且距各边的距离为l,l<h/2,分别记作k1、k2、k3、k4;k1与OE的交点为P点,k2与OE的交点为Q点,k2、k3和OB交于一点R,k3和OF交于一点S,k4与OF交于一点T,k4、k1和OB交于一点G,形成封闭图形PQRSTG;将封闭图形PQRSTG涂为白色,将矩形OABC除内部封闭图形PQRSTG以外全涂为黑色,形成的图案为第一种图案基元,其方向为OB;
第二种图案基元各个点设计的位置与第一种图案基元相同,仅在颜色上与第一种图案基元相反,将封闭图形PQRSTG涂为黑色,将矩形OABC除内部封闭图形PQRSTG以外全涂为白色;
第一种图案基元与第二种图案基元方向相同,颜色不同,将这两种图案基元合并为一组,记为第一组图案基元;
同样其余六种图案基元可以分为三组图案基元,与上述两种图案基元的设计原则相同,可由第一组图案基元分别顺时针旋转90°、180°、270°形成。
3.如权利要求2所述的相机标定方法,其特征在于,所述标定板图案以八种图案基元为单位,形成大小为n×n的矩阵图案,n为偶数,所述标定板图案的排列规则为:
以矩阵图案中心为中心原点,过中心原点平行行的直线与过中心原点平行列的直线将矩阵图案分成四个区域,称两条直线为区域分界线,每个区域存在的图案基元个数为(n/2)2;每个区域以远离原点作为该区域方向,每个区域只存在与该区域方向相同的一组图案基元;同一区域内每种图案基元的四邻域中图案基元与该图案基元不同;在区域分界线两侧的相同位置的图案基元方向和颜色均不相同;
按上述排列出的每个区域内的特征点包括:矩阵的四个顶点以及矩阵内部封闭图形的六个顶点。
4.如权利要求3所述的相机标定方法,其特征在于,在所述数据图像采集中:
将相机、标定板固定在三维移动控制平台上,所述相机一侧固定不动,所述标定板一侧可通过所述三维移动控制平台进行三维空间的位移;
所述初始调整后的标定板与相机平行,且所述标定板在相机中心区域;
沿X轴正负方向和Y轴正负方向以一定步长采集多幅图像,沿Z轴方向采集多幅图像。
5.如权利要求4所述的相机标定方法,其特征在于,在所述初始数据处理与获取中:
所述图像数据预处理包括:将采集的图像进行去噪、顶帽变换预处理操作,采用角点提取算子提取图像中已设计好的特征点;
所述计算投影矩阵初值包括:将Z=0平面已提取特征点的多幅图像去除图案基元内部特征点形成一组棋盘格图像,利用所述棋盘格图像根据张正友标定法计算投影矩阵初值,得到相机线性模型;
所述计算各特征点畸变量包括:将Z=0平面已提取特征点的多幅图像中特征点融合成一幅包含多幅图像特征点的融合图像,利用所述相机线性模型求解融合图像上各特征点的三维坐标,与融合图像各特征点实际三维坐标差值得到畸变量。
6.如权利要求5所述的相机标定方法,其特征在于,在所述分区域畸变模型相机标定中:
所述根据局部优化拟合和全局拟合规则得到分区域畸变函数模型包括:基于局部优化拟合算法拟合局部区域的空间局面,得到局部区域畸变函数模型;基于全局拟合规则在所述局部区域畸变函数模型的基础上逐渐以分区域的方式拟合整个镜头的畸变模型,得到所述分区域畸变函数模型;
所述对相机标定模型整体参数进行线性优化包括:对相机标定模型的外部参数进行线性优化,用以修正相机、标定板和三维移动控制平台三者之间存在的偏移量。
7.如权利要求6所述的相机标定方法,其特征在于,所述局部优化拟合算法采用基因表达式编程算法,包括:
设置控制参数,确定分区域畸变函数模型的函数基集合,并创建基因编码结构;
以镜头畸变的Brown模型为基础,对该模型进行部分元素剔除以及相关项合并同类项,并将特征点在图像坐标系中坐标(u,v)的u轴和v轴的畸变量分离计算;
式(1)中δu、δv分别为u轴方向和v轴方向的畸变量,u′=u-u0和v′=v-v0为特征点坐标到标定板图案中心的距离,u、v为特征点坐标,u0、v0为标定板图案中心的坐标,a1…a11和b1…b11为优化系数;
将式(1)中多项式基元作为基因编码中函数基;
选择种群,代表该区域不同函数模型的个体;
对基因进行解码,并计算每个个体的适应度值,若达到要求精度、最大迭代数或收敛速度慢,则停止计算,否则将最优个体保留;
通过实施遗传操作,产生新一代个体,形成新种群。
8.如权利要求6所述的相机标定方法,其特征在于,所述基于全局拟合规则在所述局部区域畸变函数模型的基础上逐渐以分区域的方式拟合整个镜头的畸变模型,得到所述分区域畸变函数模型,包括:
遍历过程,利用融合图像图案中心原点附近四个相邻图案基元区域中一个区域的特征点,通过局部优化拟合算法得到局部区域畸变函数模型,以该模型作为基础逐步以原点的棋盘距离顺时针逐个计算,若该模型不再满足精度要求,在该处重复上述过程,直至回到初始位置,然后在初始位置将棋盘距离加一,重复上述步骤直至遍历整个区域;
区域分割规则,局部优化拟合算法在图案基元区域内收敛速度慢,需要利用图案基元内部封闭形状的特征点顺时针方向逐个连接中心原点,直到分割区域内畸变函数模型满足精度要求,将图案基元中整个分割区域内畸变函数作为该图案基元区域内局部区域畸变函数模型。
9.如权利要求6所述的相机标定方法,其特征在于,所述对相机标定模型的外部参数进行线性优化,包括:
采用遗传算法对以镜头分区域畸变函数模型建立的相机标定模型的外部参数进行线性优化;
外部参数中包含旋转矩阵与平移向量,其中旋转矩阵为正交单位矩阵,为参数本身约束,对旋转矩阵与平移向量中变量进行编码,在随机搜索的同时利用参数本身约束条件筛选种群;
标定板初始调整位置沿Z轴方向的多幅图像数据中标定板上相同位置的特征点形成一条直线,不同特征点形成的直线互相平行,为标定板在三维控制平台沿Z轴方向移动所带来的条件约束,选取多幅图像中以中心向外均匀分布的几组特征点,以标定板中心特征点拟合直线,以每组特征点到直线的距离误差最小以及中心点对称的特征点到直线的误差最小作为优化的目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012942.4A CN109754436B (zh) | 2019-01-07 | 2019-01-07 | 一种基于镜头分区域畸变函数模型的相机标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012942.4A CN109754436B (zh) | 2019-01-07 | 2019-01-07 | 一种基于镜头分区域畸变函数模型的相机标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754436A CN109754436A (zh) | 2019-05-14 |
CN109754436B true CN109754436B (zh) | 2020-10-30 |
Family
ID=66405268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910012942.4A Expired - Fee Related CN109754436B (zh) | 2019-01-07 | 2019-01-07 | 一种基于镜头分区域畸变函数模型的相机标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754436B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827357B (zh) * | 2019-09-30 | 2024-03-29 | 深圳市安思疆科技有限公司 | 一种组合图案标定板以及结构光相机参数标定方法 |
CN112102420B (zh) * | 2020-10-29 | 2024-05-28 | 深圳市豪恩汽车电子装备股份有限公司 | 相机标定板及标定方法 |
CN112258588A (zh) * | 2020-11-13 | 2021-01-22 | 江苏科技大学 | 一种双目相机的标定方法、系统及存储介质 |
CN113034612B (zh) * | 2021-03-25 | 2023-07-04 | 奥比中光科技集团股份有限公司 | 一种标定装置、方法及深度相机 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529124A (zh) * | 2003-09-29 | 2004-09-15 | 上海交通大学 | 可调精度的神经网络摄像机标定方法 |
CN102163331A (zh) * | 2010-02-12 | 2011-08-24 | 王炳立 | 采用标定方法的图像辅助系统 |
CN104299218A (zh) * | 2013-07-17 | 2015-01-21 | 南京邮电大学 | 基于镜头畸变规律的投影仪标定方法 |
CN104732539A (zh) * | 2015-03-27 | 2015-06-24 | 华中科技大学 | 一种投影仪标定方法 |
CN104820973A (zh) * | 2015-05-07 | 2015-08-05 | 河海大学 | 畸变曲线弧度检测模板的图像校正方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030035100A1 (en) * | 2001-08-02 | 2003-02-20 | Jerry Dimsdale | Automated lens calibration |
-
2019
- 2019-01-07 CN CN201910012942.4A patent/CN109754436B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529124A (zh) * | 2003-09-29 | 2004-09-15 | 上海交通大学 | 可调精度的神经网络摄像机标定方法 |
CN102163331A (zh) * | 2010-02-12 | 2011-08-24 | 王炳立 | 采用标定方法的图像辅助系统 |
CN104299218A (zh) * | 2013-07-17 | 2015-01-21 | 南京邮电大学 | 基于镜头畸变规律的投影仪标定方法 |
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 |
CN104732539A (zh) * | 2015-03-27 | 2015-06-24 | 华中科技大学 | 一种投影仪标定方法 |
CN104820973A (zh) * | 2015-05-07 | 2015-08-05 | 河海大学 | 畸变曲线弧度检测模板的图像校正方法 |
Non-Patent Citations (2)
Title |
---|
Camera Calibration with Distortion Models and Accuracy Evalution;Juyang Weng 等;《IEEE》;19921031;第14卷(第10期);全文 * |
可变精度的神经网络摄像机标定法;刘宏建 等;《光学精密工程》;20040831;第12卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109754436A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754436B (zh) | 一种基于镜头分区域畸变函数模型的相机标定方法 | |
CN109598762B (zh) | 一种高精度双目相机标定方法 | |
CN106683173B (zh) | 一种基于邻域块匹配提高三维重建点云稠密程度的方法 | |
CN109443209B (zh) | 一种基于单应性矩阵的线结构光系统标定方法 | |
JP4785880B2 (ja) | 三次元オブジェクト認識のためのシステムおよび方法 | |
CN106651942A (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN108876749A (zh) | 一种鲁棒的镜头畸变校正方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN107170037A (zh) | 一种基于多摄像机的实时三维点云重建方法和系统 | |
CN107330903A (zh) | 一种人体点云模型的骨架提取方法 | |
CN111640158A (zh) | 基于对应掩模的端到端的摄像头与激光雷达外参标定方法 | |
Long et al. | Neuraludf: Learning unsigned distance fields for multi-view reconstruction of surfaces with arbitrary topologies | |
CN109003331A (zh) | 一种图像重构方法 | |
CN109872350A (zh) | 一种新的点云自动配准方法 | |
JP2000137815A (ja) | 新視点画像生成方法 | |
CN110415304B (zh) | 一种视觉标定方法及系统 | |
CN111243094B (zh) | 一种基于点灯法的三维模型精确体素化方法 | |
CN111060006A (zh) | 一种基于三维模型的视点规划方法 | |
da Silva et al. | Robust range image registration: using genetic algorithms and the surface interpenetration measure | |
CN115937461B (zh) | 多源融合模型构建及纹理生成方法、装置、介质及设备 | |
CN108898663A (zh) | 一种脚部特征参数驱动标准鞋楦变形方法及系统 | |
CN109544642A (zh) | 一种基于n型靶标的tdi-ccd相机参数标定方法 | |
CN114998448A (zh) | 一种多约束双目鱼眼相机标定与空间点定位的方法 | |
CN111968182B (zh) | 一种双目相机非线性模型参数的标定方法 | |
CN109859322A (zh) | 一种基于变形图的谱姿态迁移方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201030 Termination date: 20210107 |
|
CF01 | Termination of patent right due to non-payment of annual fee |