CN110264528B - 一种鱼眼镜头双目像机快速自标定方法 - Google Patents
一种鱼眼镜头双目像机快速自标定方法 Download PDFInfo
- Publication number
- CN110264528B CN110264528B CN201910555251.9A CN201910555251A CN110264528B CN 110264528 B CN110264528 B CN 110264528B CN 201910555251 A CN201910555251 A CN 201910555251A CN 110264528 B CN110264528 B CN 110264528B
- Authority
- CN
- China
- Prior art keywords
- camera
- matrix
- image
- parameters
- image matching
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000013519 translation Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 23
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06T7/85—Stereo 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)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种鱼眼镜头双目像机快速自标定方法。利用普通三维场景提供的极线约束快速地标定鱼眼镜头双目像机的内参数和外参数。首先鱼眼镜头双目像机对普通三维场景同步拍摄图像,进行特征点提取与匹配。其次利用最少9个图像匹配点对同时求解两个像机的焦距、径向畸变参数和两个像机之间的基本矩阵,确定图像匹配内点集。然后通过像机焦距和基本矩阵分解获得两个像机坐标系之间的旋转平移关系。最后根据RANSAC确定的图像匹配内点集优化双目像机的内参数和外参数。本发明能够在普通三维场景条件下高效率高精度地标定径向畸变严重的鱼眼镜头双目像机,适用于手机和无人机等计算能力有限的设备,具有重要的研究意义和广泛的应用前景。
Description
技术领域
本发明涉及一种鱼眼镜头双目像机快速自标定方法,具体是一种利用普通三维场景提供的极线约束标定鱼眼镜头双目像机内参数和外参数的方法。
背景技术
双目像机是图像测量应用中常用的结构形式,双目像机能够根据视差原理直接获取目标的三维几何信息,因此广泛应用于视觉测量、三维重建和机器人导航等领域。相比常规镜头,鱼眼镜头具有较大的视场,其成像存在较大的失真,而且越靠近图像的边缘,图像畸变越大。因此在利用鱼眼镜头双目像机进行测量前,必须对其进行高精度标定,标定的精度直接影响着摄像测量的精度。
双目像机自标定不需要已知结构的标定物,仅利用图像匹配点对约束来标定像机的参数。由于自标定方法较为方便和灵活,一直是摄像测量和计算机视觉等领域研究的热点。自标定方法可分为五类:直接求解Kruppa方程的方法、分层逐步标定方法、基于绝对二次曲线的标定方法、可变内参数下的标定方法和基于主动视觉的标定方法。直接求解Kruppa方程的方法根据射影空间中绝对二次曲线的不变性,推导描述多次成像之间约束关系的Kruppa方程,在场景未知条件下通过控制像机进行多次运动来标定像机。但直接求解Kruppa方程存在计算复杂、对噪声敏感等缺点。分层逐步标定方法可分为两步:第一步对图像序列进行射影重建,第二步再对像机参数进行标定。由于采用非线性优化的方法,必须通过预估获得待标定参数的初值,预估初值的精度直接影响着标定结果的精度。基于绝对二次曲线的标定方法根据像机内参数的自身约束推导出关于绝对二次曲线的约束,再求解该约束方程,缺点是存在过度参数化,易受噪声影响。可变内参数下的标定方法是针对某些应用场合中像机内参数存在变化的标定情况,比如利用变焦像机进行图像测量,像机内参数中任意一个参数在标定过程中保持不变的条件下即可求解。基于主动视觉的标定方法是在已知像机运动信息的条件下进行像机标定,例如像机作纯旋转或者纯平移运动,根据这些特殊运动引入的约束来标定像机参数。
传统的自标定方法通常分为两步:第一步不考虑径向畸变,直接采用包含径向畸变的图像匹配点对估计双目像机之间的几何关系,求解像机参数初值,第二步非线性优化中再考虑径向畸变的影响,直接假定径向畸变参数为0,通过图像匹配点对对像机参数初值进行非线性优化。然而非线性优化需要大量的正确图像匹配点对。如果在第一步估计双目像机之间的几何关系时,忽略径向畸变的影响,则可能难以找到足够数量的正确图像匹配点对,从而使第二步非线性优化很可能陷入局部最优。因此,双目像机自标定中,特别是鱼眼镜头双目像机自标定,在搜索正确图像匹配点对的RANSAC阶段就很有必要考虑径向畸变的影响。
发明内容
因此本发明设计适用于鱼眼镜头双目像机自标定的方法,在确定鱼眼镜头双目像机之间几何关系的同时,对双目像机的不同径向畸变参数也进行建模和求解,进而提高鱼眼镜头双目像机标定的精度。本发明不依赖已知结构的标定物和其他特殊的设备,能够在普通三维场景条件下高效率高精度地标定径向畸变严重的鱼眼镜头双目像机,适用于手机和无人机等计算能力有限的设备,具有重要的研究意义和广泛的应用前景。
本发明要解决的技术问题是:利用普通三维场景提供的极线约束高效率高精度地标定鱼眼镜头双目像机。本发明的技术方案是:鱼眼镜头双目像机对普通三维场景同步拍摄图像,利用极线约束快速地求解出双目像机的内参数和外参数,其中内参数包括两个像机的焦距,主点和畸变参数,外参数包括两个像机坐标系之间的旋转矩阵和平移向量。本发明的标定流程如图1所示,首先鱼眼镜头双目像机对普通三维场景同步拍摄图像,进行特征点提取与匹配。其次利用最少9个图像匹配点对同时求解两个像机的焦距、径向畸变参数和两个像机之间的基本矩阵,并结合RANSAC剔除图像匹配点集中的野值,确定图像匹配内点集。然后通过像机焦距和基本矩阵分解获得两个像机坐标系之间的旋转平移关系。最后根据RANSAC确定的图像匹配内点集非线性优化双目像机的内参数和外参数。此外,本发明可采用多个立体图像对进行联合优化标定,得到更加鲁棒和精确的双目像机标定结果。
2基于极线约束的鱼眼镜头双目像机自标定方法
2.1极线约束理论基础
根据对极几何关系,双目像机的图像匹配点对满足以下约束:
其中和/>是三维空间点分别在像机1和像机2中的理想投影图像点齐次坐标,均不包含径向畸变。基本矩阵F由下式给出:
E=[t]×R (3)
其中K1和K2分别是像机1和2的内参数矩阵,E是本质矩阵,R和t分别是像机1坐标系到像机2坐标系的旋转矩阵和平移向量。假定像机主点在图像中心,且像元为正方形,即像机水平和竖直方向的等效焦距是相等的。因此内参数矩阵K1和K2可简化为:
式中F1和F2分别表示像机1和像机2的焦距。公式(1)仅适用于满足理想中心投影模型的图像匹配点对。对于鱼眼镜头双目像机,要使公式(1)成立,必须去除实际图像点和中的径向畸变。本方法采用单参数除法径向畸变模型对鱼眼镜头的径向畸变进行建模,具体表示形式如下:
其中和/>分别是像机1和像机2中实际图像点的齐次坐标,均包括一定量的径向畸变。λ1和λ2分别表示像机1和像机2的径向畸变参数。
2.2基本矩阵和畸变参数的同时求解
根据最少9个图像匹配点对同时求解基本矩阵F和径向畸变参数λ1,λ2。结合公式(1)和(5),获得实际图像匹配点对之间的约束方程:
其中fij是基本矩阵F中第i行第j列的元素,不失一般性,可取f33=1。扩展公式(6),可得到以下显式方程:
基本矩阵F自身满足以下约束:
det(F)=0 (8)
根据公式(7),9个图像匹配点对可给出9个多项式方程,再结合公式(8)共给出包含10个未知数(f11,f12,f13,f21,f22,f23,f31,f32,λ1,λ2)的10个多项式方程。
通过格罗布纳基方法求解多项式方程,在给定9个图像匹配点对的条件下基本矩阵F和径向畸变参数λ1,λ2最多有24个解。
2.3等效焦距的求解
双目像机的焦距可以通过基本矩阵和极点之间的约束来确定。假定基本矩阵F的SVD分解为F=UΣVT,其中Σ=diag{a,b,0},ui和vi分别表示矩阵U和V中的第i个列向量。立体图像对中Kruppa方程的表达式为:
Fw1FT=[e′]×w2[e′]× (9)
式中[]×表示三维列向量的反对称矩阵。e'为像机2中的极点,可表示为矩阵U的第三列u3。结合基本矩阵F的SVD结果,公式(9)可表示为:
UΣVTw1VΣUT=[u3]×w2[u3]× (10)
由于矩阵U是正交矩阵,对公式(10)同时左乘UT和右乘U可得到:
ΣVTw1VΣ=UT[u3]×w2[u3]×U (11)
扩展上式,可变化为:
根据公式(12)两边左上角2×2的矩阵相等,同时考虑到ui和vi均为单位向量,可进一步化简得到:
公式(13)中左右两边的矩阵均为对称矩阵,且在相差一个比例因子的条件下相等,因此矩阵中各元素之间的比值相等,从而推导出以下三个方程:
其中 公式(14)-(16)中最多只有两个方程独立。本方法根据公式(14)和(16)来求解焦距F1和F2:
值得注意的是,等效焦距的求解有以下两种退化配置:(1).双目像机的光轴是相交的;(2).过像机1光轴和像机2光心的平面垂直于过像机2光轴和像机1光心的平面。针对这两种退化配置,可以通过像机的配置参数直接估计像机的等效焦距,即根据镜头物理焦距和像元尺寸确定;
至此,通过最少9个图像匹配点对同时求解了两个像机的焦距、两个径向畸变参数和两个像机之间的基本矩阵,并结合RANSAC选取图像匹配内点集。最后选取获得最大内点集合的解作为最终的焦距(F1,F2)、径向畸变参数(λ1,λ2)和基本矩阵F。
2.4基本矩阵的分解
已知双目像机的焦距和基本矩阵,通过公式(1)和(3)可以计算出双目像机之间的本质矩阵:本质矩阵E可分解为双目像机的外参数:旋转矩阵R和平移向量t。本质矩阵E的SVD分解可表示为:
式中ΣE=diag(σ1,σ1,0),uE3是矩阵UE中的第3个列向量。本质矩阵E分解为双目像机的外参数R和t时,共存在四种可能性:
其中
根据立体图像对中图像匹配内点集对应的空间点X,必须处于双目像机视线前方这一准则,可以排除公式(19)中的三种可能情况,筛选出唯一合理的双目像机外参数R和t。
2.5像机参数的非线性优化
利用RANSAC确定的图像匹配内点集对双目像机的内参数和外参数进行非线性优化。在优化过程中,两个像机的主点均固定在图像中心,目标函数为最小化图像匹配内点集的极线距离误差:
式中{F1,F2,λ1,λ2,R,t}是待优化的像机参数,初值设置为通过上述步骤获得的计算值。i表示立体图像对中内点集的索引。和/>分别是内点i在像机1和像机2中的图像坐标。F1和F2分别表示像机1和像机2的焦距。λ1和λ2分别表示像机1和像机2的径向畸变参数。旋转矩阵R由三个欧拉角表示,平移向量t为三维向量。函数/>计算图像匹配点对/>的极线距离误差,其中{F1,F2,λ1,λ2}用于去除图像点的径向畸变,{F1,F2,R,t}用于合成无畸变图像点对之间的基本矩阵。为减少仍可能存在的野值带来的影响,在优化过程中采用柯西函数对图像匹配内点的极线距离误差进行加权。
2.6多个立体图像对的联合优化
为获得更鲁棒的标定结果,可采用M个立体图像对标定双目像机。每个立体图像对计算出不同的像机参数{F1,F2,λ1,λ2,R,t}和相应的图像匹配内点集。在联合优化过程中,双目像机之间平移向量t的模设定为1,像机的主点固定在图像中心。通过M个立体图像对中所有的图像匹配内点集对像机参数{F1,F2,λ1,λ2,R,t}进行优化。联合优化的目标函数为最小化M个立体图像对中所有图像匹配内点集的极线距离误差:
式中是待优化的像机参数。初值设置为M个标定结果的平均值或中值。/>和/>分别表示像机1和像机2的焦距。/>和/>分别表示像机1和像机2的径向畸变参数。/>和/>分别是像机1坐标系到像机2坐标系的旋转矩阵和平移向量。对于每个立体图像对p,Np表示图像匹配内点集的数量,i表示立体图像对中内点集的索引。/>和/>分别表示每个立体图像对p中内点i在像机1和像机2中的图像坐标。类似于公式(21),函数用于计算图像匹配点对/>的极线距离误差。在优化过程中仍采用柯西函数对图像匹配内点的极线距离误差进行加权。
本发明的优点在于:
1)本发明利用普通三维场景提供的极线约束标定鱼眼镜头双目像机的内参数和外参数,能够在普通三维场景条件下高效率高精度地标定径向畸变严重的鱼眼镜头双目像机,不依赖已知结构的标定物和其他特殊的设备,简单方便;
2)本发明通过9个以上图像匹配点对同时求解两个像机的焦距、径向畸变参数和两个像机之间的基本矩阵,有效提高RANSAC剔除图像匹配点集中野值的效率,标定速度快;
3)本发明采集多个立体图像对进行联合优化标定,可获得更加鲁棒和精确的双目像机标定结果,标定精度高;确定鱼眼镜头双目像机之间几何关系的同时,对双目像机的不同径向畸变参数也进行建模和求解,进而提高鱼眼镜头双目像机标定的精度,标定精度高;
4)本发明的方法计算量小,适用于手机和无人机等计算能力有限的设备,具有广泛的应用前景。
附图说明
图1基于极线约束的鱼眼镜头双目像机自标定流程图。
具体实施方式
本发明鱼眼镜头双目像机自标定的过程如下:
1)双目像机对普通三维场景拍摄图像,进行特征点提取与匹配;
2)利用最少9个图像匹配点对同时求解两个像机的焦距、径向畸变参数和两个像机之间的基本矩阵,并结合RANSAC剔除图像匹配点集中的野值,确定图像匹配内点集;
3)通过像机焦距和基本矩阵分解获得两个像机坐标系之间的旋转平移关系;
4)根据RANSAC确定的图像匹配内点集优化双目像机的内参数和外参数;
5)通过对多个立体图像对进行联合优化,得到更加鲁棒和精确的双目像机内外参数标定结果。
Claims (1)
1.一种鱼眼镜头双目像机快速自标定方法,在确定鱼眼镜头双目像机之间几何关系的同时,对双目像机的不同径向畸变参数也进行建模和求解,进而提高鱼眼镜头双目像机标定的精度,其特征在于,鱼眼镜头双目像机对普通三维场景同步拍摄图像,利用极线约束求解出双目像机的内参数和外参数,其中内参数包括两个像机的焦距,主点和畸变参数,外参数包括两个像机坐标系之间的旋转矩阵和平移向量,具体过程为:
步骤1、双目像机对普通三维场景拍摄图像,进行特征点提取与匹配;
步骤2、利用最少9个图像匹配点对同时求解两个像机的焦距、径向畸变参数和两个像机之间的基本矩阵,并结合RANSAC剔除图像匹配点集中的野值,确定图像匹配内点集;
步骤3、通过像机焦距和基本矩阵分解获得两个像机坐标系之间的旋转平移关系;
步骤4、根据RANSAC确定的图像匹配内点集非线性优化双目像机的内参数和外参数;
步骤5、通过对多个立体图像对进行联合优化,得到精确的双目像机内外参数标定结果;
所述特征点提取与匹配具体为:
根据对极几何关系,双目像机的图像匹配点对满足以下约束:
其中和/>是三维空间点分别在像机1和像机2中的理想投影图像点齐次坐标,均不包含径向畸变,基本矩阵F由下式给出:
E=[t]×R (3)
其中K1和K2分别是像机1和2的内参数矩阵,E是本质矩阵,R和t分别是像机1坐标系到像机2坐标系的旋转矩阵和平移向量,[]×表示三维列向量的反对称矩阵;
设像机主点在图像中心,且像元为正方形,即像机水平和竖直方向的等效焦距是相等的,内参数矩阵K1和K2简化为:
式中F1和F2分别表示像机1和像机2的焦距,公式(1)仅适用于满足理想中心投影模型的图像匹配点对,对于鱼眼镜头双目像机,要使公式(1)成立,必须去除实际图像点和/>中的径向畸变,采用单参数除法径向畸变模型对鱼眼镜头的径向畸变进行建模,具体表示形式如下:
其中和/>分别是像机1和像机2中实际图像点的齐次坐标,均包括一定量的径向畸变,λ1和λ2分别表示像机1和像机2的径向畸变参数;
所述基本矩阵和畸变参数的求解具体为:
根据最少9个图像匹配点对同时求解基本矩阵F和径向畸变参数λ1,λ2,结合公式(1)和(5),获得实际图像匹配点对之间的约束方程:
其中fij是基本矩阵F中第i行第j列的元素,取f33=1,扩展公式(6),得到以下显式方程:
基本矩阵F自身满足以下约束:
det(F)=0 (8)
根据公式(7),9个图像匹配点对给出9个多项式方程,再结合公式(8)共给出包含10个未知数f11,f12,f13,f21,f22,f23,f31,f32,λ1,λ2的10个多项式方程,求解多项式方程,在给定9个图像匹配点对的条件下基本矩阵F和径向畸变参数λ1,λ2最多有24个解;
所述等效焦距的求解,具体为:
双目像机的焦距通过基本矩阵和极点之间的约束来确定,设基本矩阵F的SVD分解为F=UΣVT,其中Σ=diag{a,b,0},ui和vi分别表示矩阵U和V中的第i个列向量,立体图像对中Kruppa方程的表达式为:
Fw1FT=[e′]×w2[e′]× (9)
式中w1=K1K1 T=diag(F1 2,F1 2,1),w2=K2K2 T=diag(F2 2,F2 2,1),[]×表示三维列向量的反对称矩阵,e'为像机2中的极点,表示为矩阵U的第三列u3,结合基本矩阵F的SVD结果,公式(9)表示为:
UΣVTw1VΣUT=[u3]×w2[u3]× (10)
由于矩阵U是正交矩阵,对公式(10)同时左乘UT和右乘U得到:
ΣVTw1VΣ=UT[u3]×w2[u3]×U (11)
扩展上式,变化为:
根据公式(12)两边左上角2×2的矩阵相等,同时考虑到ui和vi均为单位向量,进一步化简得到:
公式(13)中左右两边的矩阵均为对称矩阵,且在相差一个比例因子的条件下相等,因此矩阵中各元素之间的比值相等,从而推导出以下三个方程:
c1(1-F1 2)(1-F2 2)-a2u31u32(1-F2 2)-abv31v32(1-F1 2)=0 (14)
c2(1-F1 2)(1-F2 2)-b2u31u32(1-F2 2)-abv31v32(1-F1 2)=0 (15)
其中 公式(14)-(16)中最多只有两个方程独立,根据公式(14)和(16)来求解焦距F1和F2:
至此,通过最少9个图像匹配点对同时求解了两个像机的焦距、两个径向畸变参数和两个像机之间的基本矩阵,并结合RANSAC选取图像匹配内点集,最后选取获得最大内点集合的解作为最终的焦距(F1,F2)、径向畸变参数(λ1,λ2)和基本矩阵F;所述基本矩阵的分解具体为:
已知双目像机的焦距和基本矩阵,通过公式(1)和(3)计算出双目像机之间的本质矩阵:本质矩阵E解为双目像机的外参数:旋转矩阵R和平移向量t,本质矩阵E的SVD分解可表示为:
式中ΣE=diag(σ1,σ1,0),uE3是矩阵UE中的第3个列向量,本质矩阵E分解为双目像机的外参数R和t时,共存在四种可能性:
其中
根据立体图像对中图像匹配内点集对应的空间点X,必须处于双目像机视线前方这一准则,可以排除公式(19)中的三种可能情况,筛选出唯一合理的双目像机外参数R和t;所述像机参数的非线性优化,具体为:
利用RANSAC确定的图像匹配内点集对双目像机的内参数和外参数进行非线性优化,在优化过程中,两个像机的主点均固定在图像中心,目标函数为最小化图像匹配内点集的极线距离误差:
式中{F1,F2,λ1,λ2,R,t}是待优化的像机参数,初值设置为通过上述步骤获得的计算值,i表示立体图像对中内点集的索引,和/>分别是内点i在像机1和像机2中的实际图像点的齐次坐标,F1和F2分别表示像机1和像机2的焦距,λ1和λ2分别表示像机1和像机2的径向畸变参数,旋转矩阵R由三个欧拉角表示,平移向量t为三维向量,
函数计算图像匹配点对/>的极线距离误差,其中{F1,F2,λ1,λ2}用于去除图像点的径向畸变,{F1,F2,R,t}用于合成无畸变图像点对之间的基本矩阵,为减少仍可能存在的野值带来的影响,在优化过程中采用柯西函数对图像匹配内点的极线距离误差进行加权;
所述多个立体图像对的联合优化,具体为:
为获得更鲁棒的标定结果,采用M个立体图像对标定双目像机,每个立体图像对计算出不同的像机参数{F1,F2,λ1,λ2,R,t}和相应的图像匹配内点集,在联合优化过程中,双目像机之间平移向量t的模设定为1,像机的主点固定在图像中心,通过M个立体图像对中所有的图像匹配内点集对像机参数进行优化,联合优化的目标函数为最小化M个立体图像对中所有图像匹配内点集的极线距离误差:
式中是待优化的像机参数,初值设置为M个标定结果的平均值或中值,和/>分别表示像机1和像机2的焦距,/>和/>分别表示像机1和像机2的径向畸变参数,/>和/>分别是像机1坐标系到像机2坐标系的旋转矩阵和平移向量,对于每个立体图像对p,Np表示图像匹配内点集的数量,i表示立体图像对中内点集的索引,/>和/>分别表示每个立体图像对p中内点i在像机1和像机2中的实际图像点的齐次坐标,函数
用于计算图像匹配点对/>的极线距离误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555251.9A CN110264528B (zh) | 2019-06-25 | 2019-06-25 | 一种鱼眼镜头双目像机快速自标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555251.9A CN110264528B (zh) | 2019-06-25 | 2019-06-25 | 一种鱼眼镜头双目像机快速自标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264528A CN110264528A (zh) | 2019-09-20 |
CN110264528B true CN110264528B (zh) | 2023-11-14 |
Family
ID=67921419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910555251.9A Active CN110264528B (zh) | 2019-06-25 | 2019-06-25 | 一种鱼眼镜头双目像机快速自标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264528B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145266B (zh) * | 2019-12-20 | 2023-08-18 | 歌尔股份有限公司 | 一种鱼眼相机标定方法、装置、鱼眼相机及可读存储介质 |
CN111243033B (zh) * | 2020-01-10 | 2022-09-20 | 大连理工大学 | 一种优化双目相机外参数的方法 |
CN111240358B (zh) * | 2020-01-15 | 2021-06-25 | 东华大学 | 装载单目鱼眼镜头的小型无人机覆盖控制系统及控制方法 |
CN111311688A (zh) * | 2020-01-22 | 2020-06-19 | 同济大学 | 一种基于双传感器变视轴监测装置的标定方法 |
CN111402309B (zh) * | 2020-03-05 | 2023-11-03 | 中国科学院上海微系统与信息技术研究所 | 一种多目立体相机的校准及深度图像处理方法 |
CN114463401A (zh) * | 2020-11-09 | 2022-05-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN112509049A (zh) * | 2020-12-16 | 2021-03-16 | 杭州爬藤智能科技有限公司 | 一种陆空一体化无人机组测量方法 |
CN113628283B (zh) * | 2021-08-10 | 2024-05-17 | 地平线征程(杭州)人工智能科技有限公司 | 摄像装置的参数标定方法、装置、介质以及电子设备 |
CN113781583B (zh) * | 2021-09-28 | 2023-05-09 | 中国人民解放军国防科技大学 | 相机自标定方法、装置、设备和介质 |
CN115100294B (zh) * | 2022-06-29 | 2024-07-16 | 中国人民解放军国防科技大学 | 基于直线特征的事件相机标定方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036496A (zh) * | 2014-05-25 | 2014-09-10 | 浙江大学 | 一种鱼眼镜头相机径向畸变的自标定方法 |
CN106846415A (zh) * | 2017-01-24 | 2017-06-13 | 长沙全度影像科技有限公司 | 一种多路鱼眼相机双目标定装置及方法 |
CN107610185A (zh) * | 2017-10-12 | 2018-01-19 | 长沙全度影像科技有限公司 | 一种鱼眼相机快速标定装置及标定方法 |
CN108182708A (zh) * | 2017-12-27 | 2018-06-19 | 深圳进化动力数码科技有限公司 | 一种双目相机的标定方法、标定装置及终端设备 |
-
2019
- 2019-06-25 CN CN201910555251.9A patent/CN110264528B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036496A (zh) * | 2014-05-25 | 2014-09-10 | 浙江大学 | 一种鱼眼镜头相机径向畸变的自标定方法 |
CN106846415A (zh) * | 2017-01-24 | 2017-06-13 | 长沙全度影像科技有限公司 | 一种多路鱼眼相机双目标定装置及方法 |
CN107610185A (zh) * | 2017-10-12 | 2018-01-19 | 长沙全度影像科技有限公司 | 一种鱼眼相机快速标定装置及标定方法 |
CN108182708A (zh) * | 2017-12-27 | 2018-06-19 | 深圳进化动力数码科技有限公司 | 一种双目相机的标定方法、标定装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110264528A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264528B (zh) | 一种鱼眼镜头双目像机快速自标定方法 | |
CN108510551B (zh) | 一种远距离大视场条件下相机参数的标定方法及系统 | |
CN106803271B (zh) | 一种视觉导航无人机的摄像机标定方法及装置 | |
Zeller et al. | Depth estimation and camera calibration of a focused plenoptic camera for visual odometry | |
JP5992184B2 (ja) | 画像データ処理装置、画像データ処理方法および画像データ処理用のプログラム | |
CN112465877B (zh) | 一种基于运动状态估计的卡尔曼滤波视觉追踪稳定方法 | |
KR100855657B1 (ko) | 단안 줌 카메라를 이용한 이동로봇의 자기위치 추정 시스템및 방법 | |
Chatterjee et al. | Algorithms for coplanar camera calibration | |
CN104501779A (zh) | 基于多站测量的无人机高精度目标定位方法 | |
CN115471534A (zh) | 基于双目视觉和imu的水下场景三维重建方法及设备 | |
CN112184824A (zh) | 一种相机外参标定方法、装置 | |
CN111882655B (zh) | 三维重建的方法、装置、系统、计算机设备和存储介质 | |
CN113516692B (zh) | 一种多传感器融合的slam方法和装置 | |
WO2021195939A1 (zh) | 一种双目拍摄装置的外参的标定方法、可移动平台及系统 | |
CN102693543A (zh) | 室外环境下变焦云台摄像机全自动标定方法 | |
CN114812558B (zh) | 一种结合激光测距的单目视觉无人机自主定位方法 | |
CN110796710B (zh) | 基于流形空间的快速在线标定相机外参的方法和模块 | |
CN117197333A (zh) | 基于多目视觉的空间目标重构与位姿估计方法及系统 | |
CN110322514B (zh) | 一种基于多中心投影模型的光场相机参数估计方法 | |
CN109712200B (zh) | 一种基于最小二乘原理及边长推算的双目定位方法及系统 | |
CN116051658B (zh) | 基于双目视觉进行目标检测的相机手眼标定方法及装置 | |
CN108416811B (zh) | 一种摄影机自标定方法及装置 | |
CN114638858B (zh) | 一种基于车载双相机系统的运动目标位置与速度估计方法 | |
CN115578417A (zh) | 一种基于特征点深度的单目视觉惯性里程计方法 | |
Zhang et al. | Self-calibration of multiple LiDARs for autonomous vehicles |
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 |