CN112330752A - 多相机联合标定方法、装置、终端设备及可读存储介质 - Google Patents
多相机联合标定方法、装置、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN112330752A CN112330752A CN202011273007.2A CN202011273007A CN112330752A CN 112330752 A CN112330752 A CN 112330752A CN 202011273007 A CN202011273007 A CN 202011273007A CN 112330752 A CN112330752 A CN 112330752A
- Authority
- CN
- China
- Prior art keywords
- camera
- calibration
- calibration image
- data
- initial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 abstract description 8
- 239000011159 matrix material Substances 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- XNKARWLGLZGMGX-UHFFFAOYSA-N ethyl 4-(4-chloro-2-methylphenoxy)butanoate Chemical compound CCOC(=O)CCCOC1=CC=C(Cl)C=C1C XNKARWLGLZGMGX-UHFFFAOYSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/85—Stereo camera calibration
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Abstract
本申请适用于图像处理技术领域，提供了一种多相机联合标定方法、装置、终端设备及可读存储介质，方法包括：分别获取第一相机的第一标定图像和第二相机的第二标定图像，根据第一标定图像和第二标定图像，确定第一相机与第二相机之间的初始相对姿态数据，根据初始相对姿态数据计算获得第一相机与第二相机之间的初始重投影误差，对初始重投影误差进行迭代优化，确定第二重投影误差，根据第二重投影误差，确定第一相机与第二相机间的相对姿态数据。通过自动化获取相机的标定图像实现自动化标定，能够适应复杂的环境，对重投影误差进行迭代误差优化，获得相机之间的优化相对姿态数据，减小多相机之间的重投影误差，提高多相机间的标定精度和标定效率。
Description
技术领域
本申请属于图像处理技术领域，尤其涉及多相机联合标定方法、装置、终端设备及可读存储介质。
背景技术
近年来，机器人广泛应用于各个行业领域，为应对复杂多变的工作任务，常采用多机器人协作进行作业。在多机器人协作作业的过程中，常采用相机标定技术确定多个机器人间的相对位姿关系，提高多机器人协作作业的效率。
目前采用的多相机标定技术，主要根据相机运动过程中所产生的两个图像间的对应关系进行标定，该方法灵活性较高，但是其实现的约束条件较高、标定精度低且鲁棒性不足，无法适应复杂的作业环境。
发明内容
本申请实施例提供了多相机联合标定方法、装置、终端设备及可读存储介质，可以解决目前相机标定技术的实现约束条件较高、标定精度低且鲁棒性不足，无法适应复杂的作业环境的问题。
第一方面，本申请实施例提供了一种多相机联合标定方法，包括：
分别获取第一相机的第一标定图像和第二相机的第二标定图像；其中，标定图像为相机拍摄位于同一位置的标定板获得的图像；
根据所述第一标定图像和所述第二标定图像，确定所述第一相机与所述第二相机之间的初始相对姿态数据；
根据所述初始相对姿态数据计算获得所述第一相机与所述第二相机之间的初始重投影误差；
对所述初始重投影误差进行迭代优化计算，确定第二重投影误差；
根据所述第二重投影误差，确定所述第一相机与所述第二相机间的相对姿态数据。
第二方面，本申请实施例提供了一种多相机联合标定装置，包括：
获取模块，用于分别获取第一相机的第一标定图像和第二相机的第二标定图像；其中，标定图像为相机拍摄位于同一位置的标定板获得的图像；
第一确定模块，用于根据所述第一标定图像和所述第二标定图像，确定所述第一相机与所述第二相机之间的初始相对姿态数据；
计算模块，用于根据所述初始相对姿态数据计算获得所述第一相机与所述第二相机之间的初始重投影误差；
误差优化模块，用于对所述初始重投影误差进行迭代优化计算，确定第二重投影误差；
第二确定模块，用于根据所述第二重投影误差，确定所述第一相机与所述第二相机间的相对姿态数据。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的多相机联合标定方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的多相机联合标定方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的多相机联合标定方法。
通过自动化获取相机的标定图像实现自动化标定，能够适应复杂的环境，对重投影误差进行迭代误差优化，获得优化后的相机之间的相对姿态数据，减小了多相机之间的重投影误差，提高了多相机间的标定精度、标定效率，及多相机联合标定技术的鲁棒性。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的多相机联合标定系统的结构示意图；
图2是本申请实施例提供的多相机联合标定方法的流程示意图；
图3是本申请实施例提供的标定板的示意图；
图4是本申请实施例提供的第一相机和第二相机之间存在重叠视场的应用场景示意图；
图5是本申请实施例提供的第一相机和第二相机之间不存在重叠视场的应用场景示意图；
图6是本申请一实施例提供的多相机联合标定装置的结构示意图；
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的多相机联合标定方法可以应用于手机、平板电脑、笔记本电脑等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
近年来，虽然通过多相机标定技术确定多个机器人之间的相对位姿关系的技术已经得到了广泛推广，但是，现有的多相机标定技术的实现的约束条件较高、标定精度低且鲁棒性不足，无法适应复杂的作业环境。为解决这一问题，本申请提出了一种多相机联合标定方法、多相机联合标定装置、终端设备及可读存储介质，可以实现自动化的多相机联合标定技术，能够适应复杂的作业环境，减小了多相机之间的重投影误差，提高了多相机间的标定精度和标定效率，及多相机联合标定技术的鲁棒性。
为实现本申请所提出的技术方案，可先构建一多相机联合标定系统。请参阅图1，该相机联合标定系统由一个以上机器人J(图1中仅示出3个，其中，每个机器人J身上需设定一个相机C)、一个智能移动小车(智能移动小车固定固定有一立体标定板，其与可变换角度的智能云台通信连接)以及一个终端设备构成，且机器人、相机、智能移动小车、智能云台均与终端设备通信连接。
其中，机器人为携带有相机且存在定位服务需求，以实现与其他机器人协作作业的机器人；智能云台为根据终端设备的转动指令进行旋转，进而旋转立体标定板的云台设备；智能移动小车为携带立体标定板，根据终端设备的移动指令进行移动的智能小车；终端设备为控制智能云台旋转、控制智能移动小车移动，控制机器人携带的相机进行拍摄并获取相机拍摄得到的标定图像，根据标定图像进行联合标定处理，确定相机之间的相对姿态，进而确定与相机对应的机器人之间的相对位姿关系的终端设备。
在自动化多相机联合标定的过程中，终端设备可向智能移动小车发送移动指令以控制智能移动小车抵达指定位置，向智能云台发送转动指令以控制智能云台进行旋转，使得立体标定板面向机器人携带的相机。同时发送拍摄指令，控制机器人携带的相机对立体标定板进行拍摄，获得所有相机发送的标定图像，对相机的标定图像、相机编号及立体标定板的位置信息进行关联并存储，然后对关联的相机的标定图像进行联合标定处理，确定多个相机之间的相对位姿关系，以获得与相机对应的机器人之间的相对位姿关系。
为了说明本申请所提出的技术方案，下面通过具体实施例来进行说明。
图2示出了本申请提供的多相机联合标定方法的示意性流程图，作为示例而非限定，该方法可以应用于上述笔记本电脑中。
S101、分别获取第一相机的第一标定图像和第二相机的第二标定图像；其中，标定图像为相机拍摄位于同一位置的标定板获得的图像。
在具体应用中，首先控制智能移动小车移动至目的地点，控制智能云台进行旋转使得标定板面向相机，然后获取第一相机发送的第一标定图像及第二相机发送的第二标定图像，其中，标定图像为通过第一相机和第二相机拍摄位于同一位置的标定板获得的图像。其中，标定板为一个五面立体的棋盘格标定板(如图3所示)。在第一相机和第二相机间具有重叠视场时，智能移动小车的目的地点位于两个相机的重叠视场中；在第一相机和第二相机间不具有重叠视场时，智能移动小车的目的地点为第三相机与第一相机的重叠视场中及第三相机与第二相机的重叠视场中。其中，第三相机为除第一相机与第二相机以外的，且分别和第一相机、第二相机之间存在重叠视场的任一个相机。
如图3所示，提供了一种标定板的示意图；
图3中的立体标定板上每一面均为7×10的棋盘格标定板。其中，2号、3号、4号、5号标定板分别与1号标定板之间的夹角角度为45°，以在不同方位的相机拍摄获得的标定图像中检测得到较多的角点信息。其中，角点为标定图像中的极值点。
S102、根据所述第一标定图像和所述第二标定图像，确定所述第一相机与所述第二相机之间的初始相对姿态数据。
在具体应用中，根据第一相机的第一标定图像中的标定板数据，计算获得第一相机的参数；根据第二相机的第二标定图像中的标定板数据，计算获得第二相机的参数，进而根据第一相机和第二相机的参数，计算获得第一相机和第二相机之间的初始相对姿态数据。其中，相机的参数包括但不限于相机的内参矩阵K和单相机旋转平移矩阵(R，t)；其中，标定板数据为标定图像中检测到的角点的位置数据。
S103、根据所述初始相对姿态数据计算获得所述第一相机与所述第二相机之间的初始重投影误差。
在具体应用中，对第一标定图像和第二标定图像进行角点检测，确定第一标定图像和第二标定图像中的标定板数据，根据标定板数据确定第一相机和第二相机具有的公共角点，获取上述公共角点在第一标定图像(即目标点)中的二维坐标，根据第一相机和第二相机之间的初始相对姿态数据，对目标点的二维坐标进行转换，获得估计点的二维坐标，进而根据目标点的二维坐标和估计点的二维坐标，计算获得第一相机和第二相机之间的初始重投影误差。
S104、对所述初始重投影误差进行迭代优化计算，确定第二重投影误差。
在具体应用中，根据第一相机和第二相机之间的公共角点的位置坐标，建立重投影误差优化模型，并对重投影误差优化模型进行迭代优化计算，确定第二重投影误差。其中，第二重投影误差是指满足预设条件的，通过迭代优化计算获得的最小重投影误差。
S105、根据所述第二重投影误差，确定所述第一相机与所述第二相机间的相对姿态数据。
在具体应用中，根据第二重投影误差确定通过迭代优化后的第一相机与第二相机之间的相对姿态数据，进而通过第一相机与第二相机之间的相对姿态数据，确定与第一相机对应的第一机器人和与第二相机对应的第二机器人之间的相对位姿关系。
可以理解的是，在确定第一机器人和第二机器人之间的相对位姿关系后，应将相对位姿关系数据发送至第一机器人和第二机器人，便于机器人确定自身与其他机器人之间的位置关系。
在具体应用中，可通过预设算法对重投影误差优化模型进行迭代优化，以确定第二重投影误差。其中，预设算法包括但不限于列文伯格-马夸尔特(Levenberg-Marquardt)算法。
其中：通过列文伯格-马夸尔特算法对重投影误差f(x)进行K次迭代优化如公式(1)和(2)：
||DΔxk||2≤μ (2)；
其中，xk表示经过K次优化后的初始相对姿态数据，xk+1表示经过K+1次优化后的初始相对姿态数据，Δxk表示第k+1次优化过程中，求得的对xk的修正量，f(xk)表示第K次优化后的估计点的二维坐标；J[xk]表示f(xk)关于x一阶导数，D为系数矩阵。
在具体应用中，通过列文伯格-马夸尔特算法对重投影误差f(x)进行迭代优化的实施步骤如下：
给定初始值x0，初始值x0为第一相机与第二相机之间的初始相对姿态数据R12；设定初始优化半径μ；其中，初始优化半径μ可根据实际情况进行具体设定。
在对重投影误差f(x)进行K次迭代优化后，计算
的值；其中，ρ是在列文伯格马夸尔特算法中，为了刻画高斯牛顿法中采用的近似二阶泰勒展开式的好坏程度而设置的一个指标。式中分子J(x)TΔxk是实际函数下降的值，分母f(x+Δxk)-f(x)是近似模型下降的值。
检测ρ的大小，如果计算获得的ρ值较小，则应缩小优化半径μ(在本实施例中，设定
时，缩小优化半径μ，令μ＝0.5μ)；如果计算获得的ρ值较大，则应放大优化半径μ(在本实施例中，设定
时，放大优化半径μ，令μ＝2μ)。
在检测到ρ大于预设阈值时，判定表示此次迭代过程采用的近似可行，可令xk+1＝xk+Δxk；此时可通过比较迭代优化后的重投影误差与预设重投影误差阈值的大小，来判断算法是否收敛；若迭代优化后的重投影误差小于或等于预设重投影误差阈值，则判定迭代优化完成，将迭代优化后的重投影误差作为第二重投影误差，此时，xk+1即为第一相机与第二相机之间的相对姿态数据。若迭代优化后的重投影误差大于预设重投影误差阈值，则继续执行第k+2次迭代优化。
根据上述迭代优化后得到的第一相机与第二相机之间的相对姿态数据xk+1再次计算第一相机和第二相机之间的重投影误差，可以检测到此时重投影误差远远小于根据初始重投影误差(此时的重投影误差约为初始重投影误差的10％)，提高了多相机间的标定精度。
在一个实施例中，所述步骤S102，包括：
S1021、获取所述第一标定图像和所述第二标定图像的标定板数据；其中，所述标定板数据为标定图像中的角点的位置数据；
S1022、根据所述第一标定图像和所述第二标定图像的标定板数据，分别计算获得所述第一相机和所述第二相机的参数；
S1023、根据所述第一相机和所述第二相机的参数，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
在具体应用中，获取第一标定图像的标定板数据，及第二标定图像的标定板数据，根据第一标定图像的标定板数据计算获得第一相机的参数，根据第二标定图像的标定板数据计算获得第二相机的参数，并根据第一相机的参数和第二相机的参数，计算获得第一相机与第二相机之间的初始相对姿态数据。其中，相机的参数包括但不限于相机的内参矩阵K和单相机旋转平移矩阵(R，t)。单相机旋转平移矩阵具体为相机与重叠视场中的标定板之间的旋转平移矩阵。标定板数据为标定图像中识别获得的角点的位置数据。角点的位置数据为角点在标定图像中的位置坐标。
在本实施例中，可通过张正友标定法计算获得相机的参数。
在一个实施例中，所述步骤S1023，包括：
若所述第一相机与所述第二相机之间存在重叠视场，则根据所述第一相机和所述第二相机的参数，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
在具体应用中，若第一相机和第二相机之间存在重叠视场，则可以根据第一相机和第二相机的参数计算获得第一相机与第二相机之间的初始相对姿态数据。
如图4所示，提供了一种第一相机和第二相机之间存在重叠视场的应用场景示意图；
图4中，第一相机和第二相机之间存在重叠视场，首先应控制智能移动小车移动至第一相机和第二相机间的重叠视场内，并通过旋转智能云台使得标定板面向第一相机和第二相机，通过获取第一相机的第一标定图像和第二相机的第二标定图像，分别计算获得第一相机的内参矩阵、第二相机的内参矩阵、第一相机相对于重叠视场中的标定板的单相机旋转矩阵R1，及第二相机相对于重叠视场中的标定板的单相机旋转矩阵R2，根据公式(3)计算获得第一相机与第二相机之间的初始相对姿态数据R12。
R12＝R1 -1·R2公式(3)。
在一个实施例中，所述步骤S1023，还包括：
若所述第一相机与所述第二相机之间不存在重叠视场，则计算获得所述第一相机与第三相机之间的第一相对姿态数据，以及所述第二相机与所述第三相机之间的第二相对姿态数据；其中，第三相机为除所述第一相机与所述第二相机以外的，且分别和所述第一相机、所述第二相机之间存在重叠视场的任一个相机；
根据所述第一相对姿态数据，以及所述第二相对姿态数据，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
在具体应用中，若检测到第一相机和第二相机之间不存在重叠视场，则获取第三相机的第三标定图像。根据第三标定图像的标定板数据和第一标定图像的标定板数据，计算获得第一相机与第三相机之间的第一相对姿态数据；根据第三标定图像的标定板数据和第二标定图像的标定板数据，计算获得第二相机与第三相机之间的第二相对姿态数据；然后根据第一相对姿态数据以及第二相对姿态数据，计算获得第一相机与第二相机之间的初始相对姿态数据。
如图5所示，提供了一种第一相机和第二相机之间不存在重叠视场的应用场景示意图。
图5中，第一相机和第二相机之间不存在重叠视场，应确定一个第三相机，通过控制智能移动小车移动至第一相机和第三相机之间的重叠视场内，通过旋转智能云台使得标定板面向第一相机和第三相机。获取第一相机的第一标定图像和第三相机的第三标定图像，通过计算获得第一相机的内参矩阵、第三相机的内参矩阵、第一相机相对于重叠视场中的标定板的单相机旋转矩阵R1，第三相机相对于重叠视场中的标定板的单相机旋转矩阵R3，进而计算获得第一相机与第三相机之间的第一相对姿态数据R13。然后控制智能移动小车移动至第二相机和第三相机之间的重叠视场内，通过旋转智能云台使得标定板面向第二相机和第三相机，根据上述计算方式计算获得第二相机与第三相机之间的第二相对姿态数据R23，最后通过公式(4)根据第一相机与第三相机之间的第一相对姿态数据R13和第二相机与第三相机之间的第二相对姿态数据R23，计算获得第一相机与第二相机之间的初始相对姿态数据R12，如下式：
R12＝R13 -1·R23 公式(4)。
通过存在重叠视场的相机之间的初始相对姿态数据，计算获得不存在重叠视场的相机之间的初始相对姿态数据，可以适用于部分相机间不存在重叠视场的作业环境，提高多相机联合标定方法的鲁棒性。
在一个实施例中，所述步骤S103，包括：
确定所述第一相机和所述第二相机的公共角点；
以所述第一标定图像中的所述公共角点为目标点，获取目标点的三维坐标和二维坐标；
根据所述第一相机与所述第二相机之间的初始相对姿态数据，对所述目标点的三维坐标进行转化，获得估计点的二维坐标；其中，所述估计点为所述第二标定图像中的所述公共角点；
根据所述目标点的二维坐标和所述估计点的二维坐标，计算获得所述第一相机与所述第二相机之间的初始重投影误差。
在具体应用中，根据第一相机的第一标定图像的标定板数据及第二相机的第二标定图像中的标定板数据，确定第一相机和第二相机的公共角点。以第一标定图像中的公共角点为目标点，获取目标点的三维坐标，对第一相机进行单相机标定处理获得目标点的二维坐标；根据第一相机的内参矩阵、第二相机的内参矩阵及第一相机与第二相机之间的初始相对姿态数据，对目标点的三维坐标进行转化，获得估计点的二维坐标(如公式(5)所示)。根据目标点的二维坐标和估计点的二维坐标，计算获得第一相机与第二相机之间的初始重投影误差(如公式(6)所示)。其中，估计点为第二标定图像中的公共角点。
在具体应用中，公共角点为第一相机的第一标定图像和第二相机的第二标定图像共有的角点。例如，第一相机的第二标定图像中具有第1面的角点和第4面的角点，第二相机的第二标定图像中具有第1面的角点和第5面的角点，则设定第1面的角点为第一相机和第二相机之间的公共角点。
error＝||P2D-P3D_2D||2 (6)；
公式(5)中，P3D表示第一标定图像中的目标点的三维坐标；
P2D表示对第一相机进行单相机标定获得的目标点的二维坐标；
P3D_2D表示估计点的二维坐标。
在一个实施例中，所述步骤S104，包括：
根据所述目标点的二维坐标和所述估计点的二维坐标进行全局建模，获得重投影误差优化模型；
对重投影误差优化模型进行迭代计算，确定满足预设条件的第二重投影误差。
在具体应用中，根据目标点的二维坐标和估计点的二维坐标进行全局建模，获得重投影误差的优化模型(如公式(7)所示)，通过预设算法对重投影误差优化模型进行迭代优化计算，确定满足预设条件的第二重投影误差。
其中，预设条件可根据实际情况进行具体设定。在本实施例中，设定预设条件为获取小于或等于预设重投影误差阈值的重投影误差。即在确定迭代优化后的重投影误差小于或等于预设重投影误差阈值时，判定算法的迭代优化完成，上述小于或等于预设重投影误差阈值的重投影误差即为第二重投影误差。预设重投影误差阈值可根据实际需求进行具体设定。例如，设定预设重投影误差阈值为初始重投影误差的15％。
建立的重投影误差优化模型如公式(7)：
公式(7)中，f(x)表示估计点P3D_2D的二维坐标，P3D_2D＝K[R，t]P3D；y表示通过对第一相机进行单相机标定处理，获得的目标点P2D的二维坐标。其中，f(x)的值根据标定图像的图像数据格式进行具体设定，例如，若当前标定图像的分辨率为600×800，对应的0≤f(x)≤800。
通过自动化获取相机的标定图像实现自动化标定，能够适应复杂的环境，对重投影误差进行迭代误差优化，获得优化后的相机之间的相对姿态数据，减小了多相机之间的重投影误差，提高了多相机间的标定精度、标定效率及多相机联合标定技术的鲁棒性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的多相机联合标定方法，图6示出了本申请实施例提供的多相机联合标定装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该多相机联合标定装置100包括：
获取模块101，用于分别获取第一相机的第一标定图像和第二相机的第二标定图像；其中，标定图像为相机拍摄位于同一位置的标定板获得的图像；
第一确定模块102，用于根据所述第一标定图像和所述第二标定图像，确定所述第一相机与所述第二相机之间的初始相对姿态数据；
计算模块103，用于根据所述初始相对姿态数据计算获得所述第一相机与所述第二相机之间的初始重投影误差；
误差优化模块104，用于对所述初始重投影误差进行迭代优化计算，确定第二重投影误差；
第二确定模块105，用于根据所述第二重投影误差，确定所述第一相机与所述第二相机间的相对姿态数据。
在一个实施例中，所述第一确定模块，包括：
第一获取单元，用于获取所述第一标定图像和所述第二标定图像的标定板数据；其中，所述标定板数据为标定图像中的角点的位置数据；
第一计算单元，用于根据所述第一标定图像和所述第二标定图像的标定板数据，分别计算获得所述第一相机和所述第二相机的参数；
第二计算单元，用于根据所述第一相机和所述第二相机的参数，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
在一个实施例中，所述第二计算单元，包括：
第一计算子单元，用于若所述第一相机与所述第二相机之间存在重叠视场，则根据所述第一相机和所述第二相机的参数，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
在一个实施例中，所述第二计算单元，还包括：
第二计算子单元，用于若所述第一相机与所述第二相机之间不存在重叠视场，则计算获得所述第一相机与第三相机之间的第一相对姿态数据，以及所述第二相机与所述第三相机之间的第二相对姿态数据；其中，第三相机为除所述第一相机与所述第二相机以外的，且分别和所述第一相机、所述第二相机之间存在重叠视场的任一个相机；
第三计算子单元，用于根据所述第一相对姿态数据，以及所述第二相对姿态数据，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
在一个实施例中，所述计算模块103，包括：
第一确定单元，用于确定所述第一相机和所述第二相机的公共角点；
第二获取单元，用于以所述第一标定图像中的所述公共角点为目标点，获取目标点的三维坐标和二维坐标；
转化单元，用于根据所述第一相机与所述第二相机之间的初始相对姿态数据，对所述目标点的三维坐标进行转化，获得估计点的二维坐标；其中，所述估计点为所述第二标定图像中的所述公共角点；
第三计算单元，用于根据所述目标点的二维坐标和所述估计点的二维坐标，计算获得所述第一相机与所述第二相机之间的初始重投影误差。
在一个实施例中，所述误差优化模块104，包括：
建模单元，用于根据所述目标点的二维坐标和所述估计点的二维坐标进行全局建模，获得重投影误差优化模型；
第二确定单元，用于，用于对重投影误差优化模型进行迭代计算，确定满足预设条件的第二重投影误差。
通过自动化获取相机的标定图像实现自动化标定，能够适应复杂的环境，对重投影误差进行迭代误差优化，获得优化后的相机之间的相对姿态数据，减小了多相机之间的重投影误差，提高了多相机间的标定精度、标定效率，及多相机联合标定技术的鲁棒性。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图7为本申请一实施例提供的终端设备的结构示意图。如图7所示，该实施例的终端设备7包括：至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意各个多相机联合标定方法实施例中的步骤。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的举例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，该处理器70还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字卡(Secure Digital,SD)，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种多相机联合标定方法，其特征在于，包括：
分别获取第一相机的第一标定图像和第二相机的第二标定图像；其中，标定图像为相机拍摄位于同一位置的标定板获得的图像；
根据所述第一标定图像和所述第二标定图像，确定所述第一相机与所述第二相机之间的初始相对姿态数据；
根据所述初始相对姿态数据计算获得所述第一相机与所述第二相机之间的初始重投影误差；
对所述初始重投影误差进行迭代优化计算，确定第二重投影误差；
根据所述第二重投影误差，确定所述第一相机与所述第二相机间的相对姿态数据。
2.如权利要求1所述的多相机联合标定方法，其特征在于，所述根据所述第一标定图像和所述第二标定图像，确定所述第一相机与所述第二相机之间的初始相对姿态数据，包括：
获取所述第一标定图像和所述第二标定图像的标定板数据；其中，所述标定板数据为标定图像中的角点的位置数据；
根据所述第一标定图像和所述第二标定图像的标定板数据，分别计算获得所述第一相机和所述第二相机的参数；
根据所述第一相机和所述第二相机的参数，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
3.如权利要求2所述的多相机联合标定方法，其特征在于，所述根据所述第一相机和所述第二相机的参数，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据，包括：
若所述第一相机与所述第二相机之间存在重叠视场，则根据所述第一相机和所述第二相机的参数，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
4.如权利要求2所述的多相机联合标定方法，其特征在于，所述根据所述第一相机和所述第二相机的参数，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据，还包括：
若所述第一相机与所述第二相机之间不存在重叠视场，则计算获得所述第一相机与第三相机之间的第一相对姿态数据，以及所述第二相机与所述第三相机之间的第二相对姿态数据；其中，第三相机为除所述第一相机与所述第二相机以外的，且分别和所述第一相机、所述第二相机之间存在重叠视场的任一个相机；
根据所述第一相对姿态数据，以及所述第二相对姿态数据，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
5.如权利要求1所述的多相机联合标定方法，其特征在于，所述根据所述初始相对姿态数据计算获得所述第一相机与所述第二相机之间的初始重投影误差，包括：
确定所述第一相机和所述第二相机的公共角点；
以所述第一标定图像中的所述公共角点为目标点，获取目标点的三维坐标和二维坐标；
根据所述第一相机与所述第二相机之间的初始相对姿态数据，对所述目标点的三维坐标进行转化，获得估计点的二维坐标；其中，所述估计点为所述第二标定图像中的所述公共角点；
根据所述目标点的二维坐标和所述估计点的二维坐标，计算获得所述第一相机与所述第二相机之间的初始重投影误差。
6.如权利要求5所述的多相机联合标定方法，其特征在于，所述对所述初始重投影误差进行迭代优化计算，确定第二重投影误差，包括：
根据所述目标点的二维坐标和所述估计点的二维坐标进行全局建模，获得重投影误差优化模型；
对重投影误差优化模型进行迭代计算，确定满足预设条件的第二重投影误差。
7.一种多相机联合标定装置，其特征在于，包括：
获取模块，用于分别获取第一相机的第一标定图像和第二相机的第二标定图像；其中，标定图像为相机拍摄位于同一位置的标定板获得的图像；
第一确定模块，用于根据所述第一标定图像和所述第二标定图像，确定所述第一相机与所述第二相机之间的初始相对姿态数据；
计算模块，用于根据所述初始相对姿态数据计算获得所述第一相机与所述第二相机之间的初始重投影误差；
误差优化模块，用于对所述初始重投影误差进行迭代优化计算，确定第二重投影误差；
第二确定模块，用于根据所述第二重投影误差，确定所述第一相机与所述第二相机间的相对姿态数据。
8.如权利要求7所述的多相机联合标定装置，其特征在于，所述第一确定模块，包括：
第一获取单元，用于获取所述第一标定图像和所述第二标定图像的标定板数据；其中，所述标定板数据为标定图像中的角点的位置数据；
第一计算单元，用于根据所述第一标定图像和所述第二标定图像的标定板数据，分别计算获得所述第一相机和所述第二相机的参数；
第二计算单元，用于根据所述第一相机和所述第二相机的参数，计算获得所述第一相机与所述第二相机之间的初始相对姿态数据。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011273007.2A CN112330752A (zh) | 2020-11-13 | 2020-11-13 | 多相机联合标定方法、装置、终端设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011273007.2A CN112330752A (zh) | 2020-11-13 | 2020-11-13 | 多相机联合标定方法、装置、终端设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112330752A true CN112330752A (zh) | 2021-02-05 |
Family
ID=74317533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011273007.2A Pending CN112330752A (zh) | 2020-11-13 | 2020-11-13 | 多相机联合标定方法、装置、终端设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330752A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837382A (zh) * | 2021-02-20 | 2021-05-25 | 中国铁建重工集团股份有限公司 | 一种多相机标定方法 |
| CN112991459A (zh) * | 2021-03-09 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种相机标定方法、装置、设备以及存储介质 |
| CN113112553A (zh) * | 2021-05-26 | 2021-07-13 | 北京三快在线科技有限公司 | 双目相机的参数标定方法、装置、电子设备及存储介质 |
| CN114004901A (zh) * | 2022-01-04 | 2022-02-01 | 南昌虚拟现实研究院股份有限公司 | 多相机标定方法、装置、终端设备及可读存储介质 |
| CN115170674A (zh) * | 2022-07-20 | 2022-10-11 | 禾多科技（北京）有限公司 | 基于单张图像的相机主点标定方法、装置、设备和介质 |
| CN117422776A (zh) * | 2023-12-14 | 2024-01-19 | 西北工业大学青岛研究院 | 一种非参数畸变模型的水下视觉相机标定装置及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064404A (zh) * | 2018-08-10 | 2018-12-21 | 西安电子科技大学 | 一种基于多相机标定的全景拼接方法、全景拼接系统 |
-
2020
- 2020-11-13 CN CN202011273007.2A patent/CN112330752A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064404A (zh) * | 2018-08-10 | 2018-12-21 | 西安电子科技大学 | 一种基于多相机标定的全景拼接方法、全景拼接系统 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837382A (zh) * | 2021-02-20 | 2021-05-25 | 中国铁建重工集团股份有限公司 | 一种多相机标定方法 |
| CN112991459A (zh) * | 2021-03-09 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种相机标定方法、装置、设备以及存储介质 |
| CN112991459B (zh) * | 2021-03-09 | 2023-12-12 | 阿波罗智联(北京)科技有限公司 | 一种相机标定方法、装置、设备以及存储介质 |
| CN113112553A (zh) * | 2021-05-26 | 2021-07-13 | 北京三快在线科技有限公司 | 双目相机的参数标定方法、装置、电子设备及存储介质 |
| CN113112553B (zh) * | 2021-05-26 | 2022-07-29 | 北京三快在线科技有限公司 | 双目相机的参数标定方法、装置、电子设备及存储介质 |
| CN114004901A (zh) * | 2022-01-04 | 2022-02-01 | 南昌虚拟现实研究院股份有限公司 | 多相机标定方法、装置、终端设备及可读存储介质 |
| CN114004901B (zh) * | 2022-01-04 | 2022-03-18 | 南昌虚拟现实研究院股份有限公司 | 多相机标定方法、装置、终端设备及可读存储介质 |
| CN115170674A (zh) * | 2022-07-20 | 2022-10-11 | 禾多科技（北京）有限公司 | 基于单张图像的相机主点标定方法、装置、设备和介质 |
| CN115170674B (zh) * | 2022-07-20 | 2023-04-14 | 禾多科技（北京）有限公司 | 基于单张图像的相机主点标定方法、装置、设备和介质 |
| CN117422776A (zh) * | 2023-12-14 | 2024-01-19 | 西北工业大学青岛研究院 | 一种非参数畸变模型的水下视觉相机标定装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330752A (zh) | 多相机联合标定方法、装置、终端设备及可读存储介质 | |
| WO2019170164A1 (zh) | 基于深度相机的三维重建方法、装置、设备及存储介质 | |
| CN108447097B (zh) | 深度相机标定方法、装置、电子设备及存储介质 | |
| WO2022120567A1 (zh) | 一种基于视觉引导的自动化标定系统 | |
| WO2021115331A1 (zh) | 基于三角测量的坐标定位方法、装置、设备及存储介质 | |
| KR20200107789A (ko) | 로봇 광 센서에 대한 자동 보정 | |
| CN110111388B (zh) | 三维物体位姿参数估计方法及视觉设备 | |
| CN111801198A (zh) | 一种手眼标定方法、系统及计算机存储介质 | |
| Frahm et al. | Pose estimation for multi-camera systems | |
| US20220319050A1 (en) | Calibration method and apparatus, processor, electronic device, and storage medium | |
| WO2014168848A1 (en) | Multi-sensor camera recalibration | |
| CN111083376B (zh) | 确定目标物安装位置的方法、系统、装置以及电子设备 | |
| CN110717861A (zh) | 图像拼接方法、装置、电子设备和计算机可读存储介质 | |
| CN110930444B (zh) | 一种基于双边优化的点云匹配方法、介质、终端和装置 | |
| WO2023005457A1 (zh) | 位姿计算方法和装置、电子设备、可读存储介质 | |
| CN111438688A (zh) | 机器人校正方法、装置、计算机设备及存储介质 | |
| CN112686950A (zh) | 位姿估计方法、装置、终端设备及计算机可读存储介质 | |
| CN110967017B (zh) | 一种用于双移动机器人刚体协作搬运的协同定位方法 | |
| CN115588054A (zh) | 无角度约束的相机标定方法、装置、电子设备及存储介质 | |
| JP2024503275A (ja) | 移動ロボット制御方法、コンピュータで実現される記憶媒体及び移動ロボット | |
| CN112669389A (zh) | 一种基于视觉引导的自动化标定系统 | |
| WO2021027945A1 (zh) | 可移动设备的坐标获取方法及装置 | |
| CN113084791B (zh) | 机械臂控制方法、机械臂控制装置及终端设备 | |
| CN111696141A (zh) | 一种三维全景扫描采集方法、设备及存储设备 | |
| CN116817920A (zh) | 无需三维地图模型的平面移动机器人视觉定位方法及装置 |
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 |