CN112037287A - 相机标定方法、电子设备及存储介质 - Google Patents
相机标定方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112037287A CN112037287A CN202010869078.2A CN202010869078A CN112037287A CN 112037287 A CN112037287 A CN 112037287A CN 202010869078 A CN202010869078 A CN 202010869078A CN 112037287 A CN112037287 A CN 112037287A
- Authority
- CN
- China
- Prior art keywords
- edge pixel
- ellipse
- edge
- image
- pixel points
- 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 53
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000000877 morphologic effect Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种相机标定方法、电子设备及存储介质,涉及但不限于相机标定技术领域。本申请实施例包括:提取待处理图像的第一边缘像素点;对待处理图像进行形态学梯度处理和连通区域分析,获取边缘区域;从第一边缘像素点中获取第二边缘像素点,第二边缘像素点位于边缘区域内;根据第二边缘像素点拟合第一椭圆并将第一椭圆的圆心坐标作为待处理图像的圆心控制点坐标。本申请通过形态学梯度处理将一个圆形上的候选轮廓点限制在一个圆环带状区域中,采用带状区域内的边缘像素点进行椭圆拟合,避免了噪声边缘点对标定精度的影响。
Description
技术领域
本申请实施例涉及但不限于相机标定技术领域,尤其是涉及一种相机标定方法、电子设备及存储介质。
背景技术
相机标定指的是辨识相机内参数的过程,通过对内参数进行标定可以提高图像的校正效果。在相机标定中,常用的标定板是圆形阵列靶标,圆形阵列靶标的控制点是圆形的圆心。
相关技术中,根据圆形的边缘点拟合一个椭圆,然后将椭圆圆心作为最终的圆心控制点。采用这种方法拟合的椭圆可能保留了相当一部分的噪声边缘点,容易影响相机标定的精度。
发明内容
本申请旨在一定程度上至少解决现有技术中存在的技术问题之一。为此,本申请提出一种相机标定方法、电子设备及存储介质,能够减少噪声边缘点,进而提高相机标定的精度。
第一方面,本申请实施例提供了一种相机标定方法,包括:提取待处理图像的第一边缘像素点;对待处理图像进行形态学梯度处理和连通区域分析,获取边缘区域;从第一边缘像素点中获取第二边缘像素点,第二边缘像素点位于边缘区域内;根据第二边缘像素点拟合第一椭圆并将第一椭圆的圆心坐标作为待处理图像的圆心控制点坐标。
本申请实施例的相机标定方法至少具有如下有益效果:
1.对待处理图像进行形态学梯度处理,能够限定边缘像素点的范围并将同一圆形的边缘像素点划分到同一集合中;
2.利用边缘区域内的边缘像素点进行椭圆拟合,能够过滤噪声边缘点,进而提高相机标定的精度。
在本申请的一些实施例中,根据第二边缘像素点拟合第一椭圆并将第一椭圆的圆心坐标作为待处理图像的圆心控制点坐标,包括:根据第二边缘像素点拟合第一椭圆;消除第一椭圆的边缘轮廓之外的边缘像素点,获取第三边缘像素点;根据第三边缘像素点拟合第二椭圆并将第二椭圆的圆心坐标作为待处理图像的圆心控制点坐标。
在本申请的一些实施例中,根据第三边缘像素点拟合第二椭圆并将第二椭圆的圆心坐标作为待处理图像的圆心控制点坐标,包括:从第三边缘像素点中随机选点并拟合第二椭圆;计算第三边缘像素点到第二椭圆的距离误差;从第三边缘像素点中获取第四边缘像素点,每个第四边缘像素点到第二椭圆的距离误差小于预设的第一阈值;计算第四边缘像素点的数量与第三边缘像素点的数量的比值;若比值大于预设的第二阈值,则根据第四边缘像素点拟合第三椭圆并将第三椭圆的圆心坐标作为待处理图像的圆心控制点坐标;若比值不大于第二阈值,则通过迭代计算获取多个比值,提取最大比值对应的第五边缘像素点,根据第五边缘像素点拟合第四椭圆并将第四椭圆的圆心坐标作为待处理图像的圆心控制点坐标。
在本申请的一些实施例中,计算第三边缘像素点到第二椭圆的距离误差,包括:计算第二椭圆的长轴短轴之比;计算第三边缘像素点到第二椭圆圆心的距离;根据距离和长轴短轴之比计算第三边缘像素点到第二椭圆的距离误差。
在本申请的一些实施例中,通过迭代计算获取多个比值,包括:迭代计算第三边缘像素点到第二椭圆的距离误差;从第三边缘像素点中获取第四边缘像素点,每个第四边缘像素点到第二椭圆的距离误差小于第一阈值;迭代计算第四边缘像素点的数量与第三边缘像素点的数量的比值,得到多个比值。
在本申请的一些实施例中,提取待处理图像的第一边缘像素点,包括:对待处理图像进行高斯滤波,获取高斯平滑图像;计算高斯平滑图像中每个像素点的梯度幅值和梯度方向;利用滞后阈值对梯度幅值进行过滤,获取真实边缘和候选边缘;在高斯平滑图像中进行边缘跟踪,获取第一边缘像素点。
在本申请的一些实施例中,利用滞后阈值对梯度幅值进行过滤,获取真实边缘和候选边缘,包括:利用上限阈值对梯度幅值进行过滤,获取确信度高的真实边缘;利用下限阈值对梯度幅值进行过滤,获取确信度低的候选边缘。
在本申请的一些实施例中,对待处理图像进行形态学梯度处理和连通区域分析,获取边缘区域,包括:对待处理图像进行阈值分割,获取二值图像;对二值图像进行膨胀,获取膨胀图像;对二值图像进行腐蚀,获取腐蚀图像;对膨胀图像和腐蚀图像进行取差,获取差值图像;对差值图像进行连通区域分析,获取边缘区域。
第二方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,程序被处理器执行时,实现本申请第一方面一些实施例的相机标定方法。
本申请实施例的相机标定方法,对待处理图像进行形态学梯度处理,能够限定边缘像素点的范围并将同一圆形的边缘像素点划分到同一集合中;利用边缘区域内的边缘像素点进行椭圆拟合,能够过滤噪声边缘点,进而提高相机标定的精度。
第三方面,本申请实施例提供了一种存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现本申请第一方面一些实施例的相机标定方法。
本申请实施例的相机标定方法,对待处理图像进行形态学梯度处理,能够限定边缘像素点的范围并将同一圆形的边缘像素点划分到同一集合中;利用边缘区域内的边缘像素点进行椭圆拟合,能够过滤噪声边缘点,进而提高相机标定的精度。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1是本申请实施例中相机标定方法的一具体实施例的流程示意图;
图2是图1中步骤S110的一具体实施例的流程示意图;
图3是图2中步骤S230的一具体实施例的流程示意图;
图4是图1中步骤S120的一具体实施例的流程示意图;
图5是计算边缘像素点到椭圆的距离误差的示意图;
图6是本申请实施例中相机标定方法的另一具体实施例的流程示意图;
图7是本申请实施例中相机标定方法的另一具体实施例的流程示意图;
图8是示例的待处理图像;
图9是经过Canny算子处理后的效果示意图;
图10是阈值分割后的效果示意图;
图11是形态学梯度处理后的效果示意图;
图12是图11中局部放大示意图;
图13是获取第二边缘像素点的效果示意图;
图14是图13中局部放大示意图;
图15是滤除外围边框的效果示意图;
图16是拟合椭圆后的效果示意图;
图17是图16中局部放大示意图。
具体实施方式
以下将结合实施例对本申请的构思及产生的技术效果进行清楚、完整地描述,以充分地理解本申请的目的、特征和效果。显然,所描述的实施例只是本申请的一部分实施例,而不是全部实施例,基于本申请的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本申请保护的范围。
需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中公开的方法包括用于实现方法的一个或多个步骤或动作。方法步骤和/或动作可以在不脱离权利要求的范围的情况下彼此互换。换句话说,除非指定步骤或动作的特定顺序,否则特定步骤和/或动作的顺序和/或使用可以在不脱离权利要求范围的情况下被修改。
如本申请实施例中所用的,术语“确定”包含广泛的各种的动作。例如,“确定”可以包括运算、计算、处理、导出、研究、查询(例如,在表中、数据库中或另一个数据结构中查询)、判断等等。此外,“确定”可以包括接收(例如,接收信息)、访问(例如,访问存储器中的数据)等等。此外,“确定”可以包括解决、选择、挑选、建立等等。
在基于计算机视觉的三维重建中,只有当准确知道相机模型对应的内参数后才能进行重建。相机标定指的是辨识相机内参数的过程,标定的精度直接决定了最终重建的精度。目前最为常见的标定方法是张正友标定法,该方法使用待标定相机拍摄多个平面靶标的图像,经过图像处理获得图像中控制点的像素坐标,然后通过这些控制点的像素坐标和实际坐标的对应关系求解相机的各个内参数。由于控制点在三维空间中的实际坐标是事先确定好的,所以图像处理后获得的像素坐标直接影响了最终的标定精度。目前常用的标定板有棋盘格和圆形阵列靶标两种,其中棋盘格靶标的控制点是黑白格之间的交点,圆形阵列靶标的控制点是圆形的圆心。
本申请主要是估计圆形阵列靶标的圆心控制点。针对圆形阵列靶标,有两种估计圆心的方法:
1)计算圆形区域的重心。根据不同阈值对图像进行阈值分割,分别计算每个圆形区域的重心,最后对每个圆心进行聚类得到最终的圆心坐标。
2)拟合椭圆。根据圆形边缘的点拟合一个椭圆,然后将椭圆圆心作为最终的圆心坐标,该方法主要包括提取边缘、连接边缘形成轮廓、轮廓拟合椭圆。
目前,采用计算圆形区域重心的方法得到的结果不够准确,采用拟合椭圆的方法得到的拟合结果可能保留了相当一部分的噪声边缘点,容易影响相机标定的精度。
本申请基于拟合椭圆的方法,提出一种相机标定方法、电子设备及存储介质,通过形态学梯度处理将一个圆形上的候选轮廓点限制在一个圆环带状区域中,省略了通过连接轮廓来判断哪些边缘像素点属于同一圆形的过程,最后采用带状区域内的边缘像素点进行椭圆拟合,避免了噪声边缘点对标定精度的影响。
第一方面,本申请实施例提供了一种相机标定方法,参照图1,包括如下具体步骤:
S110.提取待处理图像的第一边缘像素点;
S120.对待处理图像进行形态学梯度处理和连通区域分析,获取边缘区域;
S130.从第一边缘像素点中获取第二边缘像素点,第二边缘像素点位于边缘区域内;
S140.根据第二边缘像素点拟合第一椭圆并将第一椭圆的圆心坐标作为待处理图像的圆心控制点坐标。
步骤S110,可以采用Canny算子提取待处理图像的第一边缘像素点,参照图2,Canny算子边缘检测包括如下具体步骤:
S210.对待处理图像进行高斯滤波,获取高斯平滑图像;
对待处理图像的原始数据与高斯平滑模板作卷积,得到的高斯平滑图像与待处理图像相比有些轻微的模糊。对待处理图像进行高斯平滑,能够尽可能多地标识出待处理图像中的实际边缘,降低错误率。
S220.计算高斯平滑图像中每个像素点的梯度幅值和梯度方向;
高斯平滑图像中的边缘可能会指向不同的方向,可选用以下模板中的任一种来检测水平、垂直以及对角线方向的边缘:Soble算子、Prewitt算子、Roberts算子等。对高斯平滑图像与每个模板作卷积,对于每个像素点,标识在每一像素点上的最大值以及生成的边缘的方向。计算梯度幅值和梯度方向可以估计每一像素点处的边缘强度与方向。在另一些实施例中,沿着梯度方向对梯度幅值进行非极大值抑制,可以保留每个像素点上梯度强度的极大值,能够将模糊的边缘变得清晰。
S230.利用滞后阈值对梯度幅值进行过滤,获取真实边缘和候选边缘;
较高的亮度梯度比较有可能是边缘,但是没有一个确切的值来限定多大的亮度梯度是边缘,因此利用滞后阈值对梯度幅值进行过滤。在一些实施例中,应用双阈值的方法来决定可能的边缘,利用滞后技术来跟踪边界。参照图3,双阈值的方法包括如下步骤:
S310.利用上限阈值对梯度幅值进行过滤,获取确信度高的真实边缘;
S320.利用下限阈值对梯度幅值进行过滤,获取确信度低的候选边缘。
滞后阈值需要两个阈值——上限阈值与下限阈值。像素点的梯度幅值如果大于上限阈值,则认为该像素点是真实边缘;像素点的梯度幅值如果小于下限阈值,则认为该像素点是伪边缘;像素点的梯度幅值如果在上限阈值与下限阈值之间,则认为该像素点是候选边缘。假设图像中的重要边缘都是连续的曲线,可以跟踪给定曲线中模糊的部分,并且避免将没有组成曲线的噪声像素点当成边缘。从上限阈值开始,标识出比较确信的真实边缘,使用梯度方向信息,从真实边缘开始在图像中跟踪整个边缘。在跟踪时,使用下限阈值,这样就可以跟踪曲线的模糊部分直到回到起点。利用上限阈值能够去除大部分噪声像素点,但同时也损失了有用的边缘信息,利用下限阈值可以保留较多的边缘信息。
S240.在高斯平滑图像中进行边缘跟踪,获取第一边缘像素点。
Canny算子是一种多级边缘检测算法,该算法首先对待处理图像的原始数据与高斯平滑模板作卷积得到轻微模糊的高斯平滑图像,然后计算高斯平滑图像中每个像素点的梯度幅值及梯度方向,采用滞后阈值对梯度幅值进行过滤,利用上限阈值可得到确信度高的真实边缘,利用下限阈值可得到确信度低的候选边缘,最后从真实边缘开始跟踪,间断的地方从候选边缘中选取,从而得到最终的边缘。利用Canny算子可以得到1-2个像素宽度的边缘,能够尽可能多地标识出图像中的实际边缘,有助于提高后续拟合椭圆的精度。
步骤S120,针对白底的标定板对待处理图像进行形态学梯度处理,先对待处理图像做阈值分割,然后进行膨胀、腐蚀、取差,得到一个带状的区域。在一些实施例中,参照图4,形态学梯度处理和连通区域分析包括如下步骤:
S410.对待处理图像进行阈值分割,获取二值图像;
设置灰度阈值,将待处理图像中大于灰度阈值的像素点的灰度值设置为1,将待处理图像中不大于灰度阈值的像素点的灰度值设置为0,进行阈值分割后得到二值图像。
S420.对二值图像进行膨胀,获取膨胀图像;
S430.对二值图像进行腐蚀,获取腐蚀图像;
S440.对膨胀图像和腐蚀图像进行取差,获取差值图像;
膨胀操作能够扩大二值图像中的白色区域,腐蚀操作能够缩小二值图像中的白色区域,先膨胀再腐蚀能够平滑轮廓的一部分,弥合较窄的间断和细长的沟壑,消除小的孔洞,填补轮廓线中的断裂。取差是将膨胀图像减去腐蚀图像,取差操作可在每个像素点处进行减法运算。
S450.对差值图像进行连通区域分析,获取边缘区域。
连通区域是指一片全为0或者全为1的连续区域,若某一值为1(0)的像素点周围以其为中心的3*3区域中其它八个点(8连通)有一个点的值为1(0),则认为这两点属于同一个连通区域。可选用OpenCV里的ConnectedComponents函数寻找连通区域。对差值图像进行连通区域分析,得到包含真实边缘在内的一个带状区域。
经过Canny算子处理后的图像存在很多噪声像素点,对待处理图像进行形态学梯度处理能够滤除掉很多明显的错误边缘点,而且可以对剩下的轮廓点集进行分类。拟合椭圆需要知道哪些点是属于同一个椭圆,OpenCV中的findContours函数只可以找到连续的轮廓点,如果有断点,则会被判断为两个轮廓,现有的思路是先连接这些中断点,然后找到一个完整的轮廓。而经过形态学梯度处理后,只要是在同一个连通区域中的点就属于同一椭圆轮廓,轮廓点集分类更为简单、准确。
步骤S130,取Canny算子处理后的第一边缘像素点和边缘区域的交集,即提取落在边缘区域内的第一边缘像素点,得到第二边缘像素点,这些第二边缘像素点是候选的边缘像素点集合。
步骤S140,可选用OpenCV中的fitEllipse函数拟合椭圆。在一些实施例中,第一椭圆主要用于判断轮廓是否包含外围边框,可以根据拟合的椭圆面积、长轴短轴之比以及边缘像素点到椭圆的距离误差等指标滤除掉外围边框等轮廓。其中,边缘像素点到椭圆的距离误差通过式(1)计算:
参见图5,以椭圆的长轴为X轴、短轴为Y轴建立坐标系C,以坐标轴原点为圆心,以椭圆的长轴为半径绘制一个圆形,e表示边缘像素点到椭圆的距离误差,x表示边缘像素点在C坐标系中的x坐标,y表示边缘像素点在C坐标系中的y坐标,α=w/h表示椭圆的长轴短轴之比,w表示椭圆的长轴长度,h表示椭圆的短轴长度。
在一些实施例中,根据第一椭圆的面积、长轴短轴之比及第二边缘像素点到第一椭圆的距离误差消除边缘轮廓,获取第三边缘像素点;第二边缘像素点到第一椭圆的距离误差根据第一椭圆的长轴短轴之比和第二边缘像素点到第一椭圆的距离计算得到。
在一些实施例中,从第三边缘像素点中随机选点并拟合第二椭圆。初始可随机选取5个点拟合椭圆,初始选点对拟合结果的准确度并无影响,拟合结果仅与最后选取的点集质量有关。候选轮廓点都被划分到对应的连通区域中,一个连通区域中的所有点集都被用于拟合椭圆。由于轮廓点的数量不多,拟合结果很容易受到离群点(误差较大点)的影响,因此需要减少离群点的影响。
在一些实施例中,利用随机一致抽样算法估算椭圆模型参数。随机抽样一致算法(Random Sample Consensus,RANSAC)采用迭代的方式从一组包含离群点的被观测数据中估算出数学模型的参数。RANSAC算法的输入是一组观测数据,一个可以解释或者适应于观测数据的参数化模型,一些可信的参数。RANSAC通过反复选择数据中的一组随机子集来达成目标,被选取的子集被假设为局内点,并用下述方法进行验证:有一个模型适应于假设的局内点,即所有的未知参数都能从假设的局内点计算得出;用得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为它也是局内点;如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理;用所有假设的局内点去重新估计模型,因为它仅仅被初始的假设局内点估计过;通过估计局内点与模型的错误率来评估模型。这个验证过程被重复执行固定的次数,每次产生的模型要么因为局内点太少而被舍弃,要么因为比现有的模型更好而被选用。
在一些实施例中,参照图6,RANSAC算法包括如下步骤:
S610.根据第二椭圆的长轴短轴之比和第三边缘像素点到第二椭圆的距离计算第三边缘像素点到第二椭圆的距离误差;
第三边缘像素点到第二椭圆的距离误差可根据上述式(1)计算得到。
S620.从第三边缘像素点中获取第四边缘像素点,每个第四边缘像素点到第二椭圆的距离误差小于预设的第一阈值;
可以根据实际需求设置第一阈值,例如,若将最后选取的像素点到椭圆的距离误差限制在一个像素内,则可以将第一阈值设置为1。从第三边缘像素点中提取距离误差小于第一阈值的第四边缘像素点。
S630.计算第四边缘像素点的数量与第三边缘像素点的数量的比值;
S640.比较比值与预设的第二阈值,若比值大于预设的第二阈值,则执行步骤S650;若比值不大于第二阈值,则执行步骤S660;
S650.根据第四边缘像素点拟合第三椭圆并将第三椭圆作为输出模型;
S660.通过迭代计算获取多个比值,提取最大比值对应的第五边缘像素点,根据第五边缘像素点拟合第四椭圆并将第四椭圆作为输出模型。
第四边缘像素点的数量与第三边缘像素点的数量的比值可用于表征正确模型的概率,可根据预期的正确模型的概率确定第二阈值。例如,随机选取5个边缘像素点拟合椭圆,计算所有边缘像素点到该椭圆的距离误差,若距离误差小于第二阈值的点集占比超过90%,则用该边缘像素点集重新拟合椭圆并输出,否则重复前述过程直到达到指定次数,并输出所有尝试中结果最好的点集拟合的椭圆,该椭圆的圆心即为最终的控制点。
在一些实施例中,参照图7,通过迭代计算获取多个比值,包括如下步骤:
S710.迭代计算第三边缘像素点到第二椭圆的距离误差;
从第三边缘像素点中重新随机选点并拟合第二椭圆,迭代计算每个第三边缘像素点到第二椭圆的距离误差,距离误差通过上述式(1)计算得到。
S720.从第三边缘像素点中获取第四边缘像素点,每个第四边缘像素点到第二椭圆的距离误差小于第一阈值;
S730.迭代计算第四边缘像素点的数量与第三边缘像素点的数量的比值,得到多个比值。
通过迭代计算得到多个比值,选取比值最大的点集拟合的椭圆作为最终的输出模型,比值最大的点集输出正确模型的概率也相应最大。迭代计算的次数越多,找到质量最高的点集可能性越大。只需达到预期的正确模型的概率即可停止迭代,输出当前点集拟合的椭圆模型。根据边缘像素点拟合一个椭圆,然后将椭圆圆心作为最终的圆心坐标,圆形阵列靶标的控制点即最终得到的椭圆圆心。
参照图8至图17,以图8所示的图像为示例,通过执行步骤S110至步骤S180获取最终的圆心控制点坐标。图9至图17分别示出了执行相关步骤的效果示意图。本申请实施例包括:利用边缘检测算法提取待处理图像的第一边缘像素点;对待处理图像进行形态学梯度处理和连通区域分析,获取边缘区域;从第一边缘像素点中获取第二边缘像素点,第二边缘像素点位于边缘区域内;根据第二边缘像素点拟合第一椭圆;根据第一椭圆消除边缘轮廓,获取第三边缘像素点;根据第三边缘像素点拟合第二椭圆;将第二椭圆设置为初始化模型,利用随机一致抽样算法估算模型参数,获取输出模型;计算输出模型的椭圆圆心坐标,得到待处理图像的圆心控制点坐标。利用边缘检测算法能够尽可能多地标识出待处理图像中的实际边缘,有助于提高后续拟合椭圆的精度;对待处理图像进行形态学梯度处理,能够限定边缘像素点的范围并将同一圆形的边缘像素点划分到同一集合中;利用随机一致抽样算法拟合椭圆,能够过滤噪声边缘点,进而提高相机标定的精度。
第二方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,程序被处理器执行时,实现本申请第一方面一些实施例的相机标定方法。
本申请实施例的一种电子设备,处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是一种相机标定方法的可运行装置的控制中心,利用各种接口和线路连接整个一种相机标定方法的可运行装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现一种相机标定方法的可运行装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
电子设备可以包括例如智能电话、平板、个人计算机(personal computer,PC)、移动电话、视频电话、电子书阅读器、桌上型PC、膝上型PC、上网本、计算机、工作站、服务器、个人数字助理(PDA)、便携式多媒体播放器(Portable Multimedia Player,PMP)、MPEG-1音频层3(MP3)播放器、移动医疗设备、相机和可穿戴设备中的至少一个。可穿戴设备可以包括附件类型(例如,手表、戒指、手镯、脚链、项链、眼镜、隐形眼镜或头戴式设备(Head-MountedDevice,HMD))、织物或服装集成类型(例如,电子服装)、身体安装类型(例如,皮肤垫或纹身)以及生物可植入类型(例如,可植入电路)中的至少一种。
第三方面,本申请实施例提供了一种存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现本申请第一方面一些实施例的相机标定方法。
应该理解到,上述实施例中所公开方法中的全部或某些步骤、装置、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语“计算机存储介质”包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下做出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (10)
1.相机标定方法,其特征在于,包括:
提取待处理图像的第一边缘像素点;
对所述待处理图像进行形态学梯度处理和连通区域分析,获取边缘区域;
从所述第一边缘像素点中获取第二边缘像素点,所述第二边缘像素点位于所述边缘区域内;
根据所述第二边缘像素点拟合第一椭圆并将所述第一椭圆的圆心坐标作为所述待处理图像的圆心控制点坐标。
2.根据权利要求1所述的相机标定方法,其特征在于,所述根据所述第二边缘像素点拟合第一椭圆并将所述第一椭圆的圆心坐标作为所述待处理图像的圆心控制点坐标,包括:
根据所述第二边缘像素点拟合第一椭圆;
消除所述第一椭圆的边缘轮廓之外的边缘像素点,获取第三边缘像素点;
根据所述第三边缘像素点拟合第二椭圆并将所述第二椭圆的圆心坐标作为所述待处理图像的圆心控制点坐标。
3.根据权利要求2所述的相机标定方法,其特征在于,所述根据所述第三边缘像素点拟合第二椭圆并将所述第二椭圆的圆心坐标作为所述待处理图像的圆心控制点坐标,包括:
从所述第三边缘像素点中随机选点并拟合第二椭圆;
计算所述第三边缘像素点到所述第二椭圆的距离误差;
从所述第三边缘像素点中获取第四边缘像素点,每个所述第四边缘像素点到所述第二椭圆的距离误差小于预设的第一阈值;
计算所述第四边缘像素点的数量与所述第三边缘像素点的数量的比值;
若所述比值大于预设的第二阈值,则根据所述第四边缘像素点拟合第三椭圆并将所述第三椭圆的圆心坐标作为所述待处理图像的圆心控制点坐标;
若所述比值不大于所述第二阈值,则通过迭代计算获取多个所述比值,提取最大所述比值对应的第五边缘像素点,根据所述第五边缘像素点拟合第四椭圆并将所述第四椭圆的圆心坐标作为所述待处理图像的圆心控制点坐标。
4.根据权利要求3所述的相机标定方法,其特征在于,所述计算所述第三边缘像素点到所述第二椭圆的距离误差,包括:
计算所述第二椭圆的长轴短轴之比;
计算所述第三边缘像素点到所述第二椭圆圆心的距离;
根据所述距离和所述长轴短轴之比计算所述第三边缘像素点到所述第二椭圆的距离误差。
5.根据权利要求3所述的相机标定方法,其特征在于,所述通过迭代计算获取多个所述比值,包括:
迭代计算所述第三边缘像素点到所述第二椭圆的距离误差;
从所述第三边缘像素点中获取所述第四边缘像素点,每个所述第四边缘像素点到所述第二椭圆的距离误差小于所述第一阈值;
迭代计算所述第四边缘像素点的数量与所述第三边缘像素点的数量的比值,得到多个所述比值。
6.根据权利要求1至5任一项所述的相机标定方法,其特征在于,所述提取待处理图像的第一边缘像素点,包括:
对所述待处理图像进行高斯滤波,获取高斯平滑图像;
计算所述高斯平滑图像中每个像素点的梯度幅值和梯度方向;
利用滞后阈值对所述梯度幅值进行过滤,获取真实边缘和候选边缘;
在所述高斯平滑图像中进行边缘跟踪,获取所述第一边缘像素点。
7.根据权利要求6所述的相机标定方法,其特征在于,所述利用滞后阈值对所述梯度幅值进行过滤,获取真实边缘和候选边缘,包括:
利用上限阈值对所述梯度幅值进行过滤,获取确信度高的所述真实边缘;
利用下限阈值对所述梯度幅值进行过滤,获取确信度低的所述候选边缘。
8.根据权利要求1至5任一项所述的相机标定方法,其特征在于,所述对所述待处理图像进行形态学梯度处理和连通区域分析,获取边缘区域,包括:
对所述待处理图像进行阈值分割,获取二值图像;
对所述二值图像进行膨胀,获取膨胀图像;
对所述二值图像进行腐蚀,获取腐蚀图像;
对所述膨胀图像和所述腐蚀图像进行取差,获取差值图像;
对所述差值图像进行连通区域分析,获取边缘区域。
9.电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时,实现权利要求1至8任一项所述的相机标定方法。
10.存储介质,其特征在于,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至8任一项所述的相机标定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010869078.2A CN112037287B (zh) | 2020-08-26 | 2020-08-26 | 相机标定方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010869078.2A CN112037287B (zh) | 2020-08-26 | 2020-08-26 | 相机标定方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037287A true CN112037287A (zh) | 2020-12-04 |
CN112037287B CN112037287B (zh) | 2024-02-09 |
Family
ID=73581442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010869078.2A Active CN112037287B (zh) | 2020-08-26 | 2020-08-26 | 相机标定方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037287B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763273A (zh) * | 2021-09-07 | 2021-12-07 | 北京的卢深视科技有限公司 | 人脸补全方法、电子设备和计算机可读存储介质 |
CN114565699A (zh) * | 2022-02-17 | 2022-05-31 | 成都飞机工业(集团)有限责任公司 | 一种线束形态表征方法、装置、设备及介质 |
CN114897997A (zh) * | 2022-07-13 | 2022-08-12 | 星猿哲科技(深圳)有限公司 | 相机标定方法、装置、设备及存储介质 |
CN115100225A (zh) * | 2022-05-10 | 2022-09-23 | 桂林量具刃具有限责任公司 | 一种相机视场的误差场确定方法、装置、电子设备及介质 |
CN117392127A (zh) * | 2023-12-11 | 2024-01-12 | 深圳精智达技术股份有限公司 | 一种显示面板边框的检测方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003903445A0 (en) * | 2003-06-26 | 2003-07-17 | Canon Kabushiki Kaisha | Optimising compositing calculations for a run of pixels |
CN109345554A (zh) * | 2018-09-12 | 2019-02-15 | 南京农业大学 | 一种基于rgb-d相机的粘连蘑菇视觉原位测量方法 |
US20190347824A1 (en) * | 2018-05-14 | 2019-11-14 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for positioning pupil, storage medium, electronic device |
CN111079772A (zh) * | 2019-12-18 | 2020-04-28 | 深圳科瑞技术股份有限公司 | 图像边缘提取处理方法、装置及存储介质 |
-
2020
- 2020-08-26 CN CN202010869078.2A patent/CN112037287B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003903445A0 (en) * | 2003-06-26 | 2003-07-17 | Canon Kabushiki Kaisha | Optimising compositing calculations for a run of pixels |
US20190347824A1 (en) * | 2018-05-14 | 2019-11-14 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for positioning pupil, storage medium, electronic device |
CN109345554A (zh) * | 2018-09-12 | 2019-02-15 | 南京农业大学 | 一种基于rgb-d相机的粘连蘑菇视觉原位测量方法 |
CN111079772A (zh) * | 2019-12-18 | 2020-04-28 | 深圳科瑞技术股份有限公司 | 图像边缘提取处理方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
岑誉;高健;曾友;简川霞;: "面向PCB圆形基准点的权重式椭圆拟合定位方法", 组合机床与自动化加工技术, no. 04 * |
陈济棠;徐杜;蒋永平;郭斌;黄品松;: "计算机三维视觉测量中相机标定的圆形校正方法", 电子测量技术, no. 03 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763273A (zh) * | 2021-09-07 | 2021-12-07 | 北京的卢深视科技有限公司 | 人脸补全方法、电子设备和计算机可读存储介质 |
CN113763273B (zh) * | 2021-09-07 | 2022-08-12 | 合肥的卢深视科技有限公司 | 人脸补全方法、电子设备和计算机可读存储介质 |
CN114565699A (zh) * | 2022-02-17 | 2022-05-31 | 成都飞机工业(集团)有限责任公司 | 一种线束形态表征方法、装置、设备及介质 |
CN114565699B (zh) * | 2022-02-17 | 2024-03-19 | 成都飞机工业(集团)有限责任公司 | 一种线束形态表征方法、装置、设备及介质 |
CN115100225A (zh) * | 2022-05-10 | 2022-09-23 | 桂林量具刃具有限责任公司 | 一种相机视场的误差场确定方法、装置、电子设备及介质 |
CN114897997A (zh) * | 2022-07-13 | 2022-08-12 | 星猿哲科技(深圳)有限公司 | 相机标定方法、装置、设备及存储介质 |
CN114897997B (zh) * | 2022-07-13 | 2022-10-25 | 星猿哲科技(深圳)有限公司 | 相机标定方法、装置、设备及存储介质 |
CN117392127A (zh) * | 2023-12-11 | 2024-01-12 | 深圳精智达技术股份有限公司 | 一种显示面板边框的检测方法、装置和电子设备 |
CN117392127B (zh) * | 2023-12-11 | 2024-04-12 | 深圳精智达技术股份有限公司 | 一种显示面板边框的检测方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112037287B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112037287B (zh) | 相机标定方法、电子设备及存储介质 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
WO2017135120A1 (en) | Computationally efficient frame rate conversion system | |
CN115797300A (zh) | 一种基于自适应梯度阈值canny算子的边缘检测方法及其装置 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
CN114359665A (zh) | 全任务人脸识别模型的训练方法及装置、人脸识别方法 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN113228105A (zh) | 一种图像处理方法、装置和电子设备 | |
CN111898408B (zh) | 一种快速人脸识别方法及装置 | |
CN112926695B (zh) | 基于模板匹配的图像识别方法和系统 | |
CN113658196A (zh) | 红外图像中船舶的检测方法、装置、电子设备和介质 | |
CN114445318A (zh) | 一种缺陷检测方法、装置、电子设备和存储介质 | |
CN109871779B (zh) | 掌纹识别的方法及电子设备 | |
CN115482248B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN113674180B (zh) | 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质 | |
CN110728692A (zh) | 一种基于Scharr算子改进的图像边缘检测方法 | |
CN113421254B (zh) | 微循环血管分支长度和直径计算方法及装置和终端设备 | |
CN112258534B (zh) | 一种超声图像中小脑蚓部的定位及分割方法 | |
CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及系统 | |
CN110264488B (zh) | 一种二值图像边缘提取装置 | |
CN110223319B (zh) | 基于改进几何粒子滤波的动态目标实时跟踪方法和系统 | |
CN110033474B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN112652004B (zh) | 一种图像处理方法、装置、设备及介质 |
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 |