CN113256725B - 一种摄像头的标定方法、装置及存储介质 - Google Patents
一种摄像头的标定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113256725B CN113256725B CN202010085093.8A CN202010085093A CN113256725B CN 113256725 B CN113256725 B CN 113256725B CN 202010085093 A CN202010085093 A CN 202010085093A CN 113256725 B CN113256725 B CN 113256725B
- Authority
- CN
- China
- Prior art keywords
- corner
- straight line
- camera
- point
- distance
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种摄像头的标定方法、装置及存储介质，方法包括：获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取第一角点集；根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集；根据所述第二角点集对摄像头进行标定。本发明通过获取棋盘格角点的位置信息，根据位置信息对角点进行过滤剔除定位较差的角点，并使用过滤后的角点对摄像头进行标定，摄像头的标定结果不受定位较差的角点影响，标定结果更加准确。
Description
技术领域
本发明涉及标定处理技术领域，具体涉及一种摄像头的标定方法、装置及存储介质。
背景技术
在机器视觉测量中，为确定物体表面上点三维坐标与物体图像像点之间的关系，必须建立摄像头成像几何模型，求解几何模型参数的过程称为摄像头标定。摄像头标定是非常关键的环节，其标定精度和算法稳定性会直接影响测量结果准确性。
目前摄像头的标定主要利用棋盘格角点进行标定，摄像头标定的结果依赖于角点定位的质量，在摄像头成像质量较差的情况下，部分角点的定位准确度较差，会影响到后续的摄像头标定结果。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种摄像头的标定方法、装置及存储介质，旨在解决现有摄像头标定的结果依赖于角点定位的质量，部分角点的定位准确度较差，影响摄像头标定结果的问题。
本发明解决技术问题所采用的技术方案如下：
一种摄像头的标定方法，其中，包括步骤：
获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取第一角点集；
根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集；
根据所述第二角点集对所述摄像头进行标定。
所述的摄像头的标定方法，其中，所述获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取第一角点集的步骤具体包括：
获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取各个角点的位置信息；
根据所述位置信息对所述各个角点分别按行和列进行保存，获得第一角点集。
所述的摄像头的标定方法，其中，所述根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集的步骤具体包括：
根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第三角点集；
根据所述第三角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集。
所述的摄像头的标定方法，其中，所述根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第三角点集的步骤具体包括：
对所述第一角点集中各个角点分别按行和列进行直线拟合，得到第一拟合直线集；其中，所述第一拟合直线集包括各个角点对应的行拟合直线和列拟合直线；
根据所述第一角点集中各个角点与所述第一拟合直线集中各直线的距离对所述第一角点集进行角点过滤，获得第三角点集。
所述的摄像头的标定方法，其中，所述根据所述第一角点集中各个角点与所述第一拟合直线集中各直线的距离对所述第一角点集进行角点过滤，获得第三角点集的步骤具体包括：
计算所述第一角点集中各个角点与所述第一拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离，得到各个角点对应的第一距离集；其中，所述第一距离集包括各个角点对应的第一距离值；
剔除所述第一角点集中第一距离值大于预设第一阈值的角点，获得第三角点集。
所述的摄像头的标定方法，其中，所述根据所述第三角点集对所述第一角点集进行角点过滤，获得第二角点集的步骤具体包括：
对所述第三角点集中各个角点分别按行和列进行直线拟合，得到第二拟合直线集；其中，所述第二拟合直线集包括各个角点对应的行拟合直线和列拟合直线；
根据所述第一角点集中各个角点与所述第二拟合直线集中各直线的距离对所述第一角点集进行角点过滤，获得第二角点集。
所述的摄像头的标定方法，其中，所述根据所述第一角点集中各个角点与所述第二拟合直线集中各直线的距离对所述第一角点集进行角点过滤，获得第二角点集的步骤具体包括：
计算所述第一角点集中各个角点与所述第二拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离，得到各个角点对应的第二距离集；其中，所述第二距离集包括各个角点对应的第二距离值；
剔除所述第一角点集中第二距离值大于预设第二阈值的角点，获得第二角点集。
所述的摄像头的标定方法，其中，所述根据所述第二角点集对所述摄像头进行标定的步骤具体包括：
根据所述第二角点集中的角点在世界坐标系中的坐标值以及对应的棋盘格图片中的坐标值，利用最小二乘法得到单应性矩阵；
根据所述单应性矩阵求解所述摄像头的内外参数以及畸变系数以对摄像头进行标定。
一种摄像头的标定装置，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的摄像头的标定方法的步骤。
一种存储介质，其上存储有多条指令，其特征在于，所述指令适于由处理器加载并执行，以执行实现上述任一项所述的摄像头的标定方法的步骤。
本发明的有益效果：本发明通过获取棋盘格角点的位置信息，根据位置信息对角点进行过滤剔除定位较差的角点，并使用过滤后的角点对摄像头进行标定，摄像头的标定结果不受定位较差的角点影响，标定结果更加准确。
附图说明
图1是本发明的摄像头的标定方法的较佳实施例的流程图；
图2是本发明的摄像头的标定方法的具体应用实施例的流程图；
图3是本发明的摄像头的标定装置的功能原理图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
本发明提供的一种摄像头的标定方法，可以应用于终端中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中，终端的处理器可以为中央处理器(Central ProcessingUnit，CPU)，图形处理器(Graphics Processing Unit，GPU)、视频处理单元(VideoProcessing Unit，VPU)等中的至少一种。
为了解决现有摄像头标定的结果依赖于角点定位的质量，部分角点的定位准确度较差，影响摄像头标定结果，本发明提供了一种摄像头的标定方法。
请参照图1，图1是本发明提供的一种摄像头的标定方法较佳实施例的流程图。
在本发明的较佳实施例中，所述摄像头的标定方法有三个步骤：
步骤S100、获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取第一角点集；
步骤S200、根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集；
步骤S300、根据所述第二角点集对所述摄像头进行标定。
在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立摄像头成像的几何模型，建立摄像头成像的几何模型的参数为摄像头参数，而摄像头参数的求解过程即为摄像头的标定。由于现有摄像头标定的结果依赖于角点定位的质量，部分角点的定位准确度较差，影响摄像头标定结果。本实施例中首先通过待标定的摄像头对预先定制的棋盘格进行拍照，获得一系列与摄像头参数相关联的棋盘格图片，然后从所述棋盘格图片中定位出角点的位置信息获取第一角点集；然后根据第一角点集中各个角点的位置信息对第一角点集进行角点过滤剔除定位较差的角点，获得第二角点集；最后根据第二角点集求解摄像头参数，对摄像头进行标定，由于对摄像头进行标定前剔除了定位较差的角点，使得后续摄像头的标定结果更加精确。
在一具体实施方式中，所述步骤S100具体包括：
S110、获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取各个角点的位置信息；
S120、根据所述位置信息对所述各个角点分别按行和列进行保存，获得第一角点集。
具体实施时，采用预先定制的棋盘格，将棋盘格放于暗箱中并固定在一个平面上作为标定物，通过调整标定物或待标定摄像头的方向，为标定物拍摄一些不同方向的照片，获得一系列与摄像头关联的棋盘格图片。对棋盘格角点进行定位获得各个角点的位置信息即各个角点对应的坐标信息，由于标准棋盘格中各个角点是按照行和列进行排列的，根据位置信息就可以对各个角点分别按行和列进行保存，获得第一角点集。对棋盘格角点进行定位具体是利用OpenCV的摄像机标定技术，调用cvFindChessboardCorners()函数提取棋盘格中各个角点的位置信息。
在一具体实施方式中，所述步骤S200具体包括：
S210、根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第三角点集；
S220、根据所述第三角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集。
为了更加准确的过滤掉棋盘格图片中定位较差的角点，本实施例中对第一角点集进行两次过滤，第一次角点过滤是根据第一角点集中各个角点的位置信息进行角点过滤，将定位较差的角点剔除，得到第三角点集。由于第一角点集中包含大量定位较差的角点，根据第一角点集中各个角点的位置信息进行角点过滤时可能会误剔除掉定位较好的角点，因此本实施例中还对角点进行第二次过滤，第二次过滤时根据已经剔除定位较差的角点的第三角点集中各个角点的位置信息对第一角点集重新进行角点过滤，得到第二角点集。由于第三角点集中基本都是定位较好的角点，通过第三角点集对第一角点集进行角点过滤，能够更加准确的过滤掉定位较差的角点。
在一具体实施方式中，所述步骤S210具体包括：
S211、对所述第一角点集中各个角点分别按行和列进行直线拟合，得到第一拟合直线集；其中，所述第一拟合直线集包括各个角点对应的行拟合直线和列拟合直线；
S212、根据所述第一角点集中各个角点与所述第一拟合直线集中各直线的距离对所述第一角点集进行角点过滤，获得第三角点集。
具体实施时，前述步骤中提到第一角点集中各个角点是按照行和列进行保存的，在获取到第一角点集后，对第一角点集中各个角点分别按行和列进行直线拟合，具体是利用最小二乘法对各个角点分别按行和列对第一角点集中的各个角点进行直线拟合，获得各个角点对应的行拟合直线和列拟合直线组成第一拟合直线集。然后根据第一角点集中各个角点与第一拟合直线集中各直线的距离对第一角点集进行角点过滤，得到第三角点集。
在一具体实施方式中，所述步骤S212具体包括：
步骤S2121、计算所述第一角点集中各个角点与所述第一拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离，得到各个角点对应的第一距离集；其中，所述第一距离集包括各个角点对应的第一距离值；
步骤S2122、剔除所述第一角点集中第一距离值大于预设第一阈值的角点，获得第三角点集。
具体实施时，如果角点定位完全无偏差，棋盘格中同一行或同一列的各个角点应该是位于同一直线上的，角点定位越差则其偏离直线的距离越远，本实施例中获取到第一角点集中各个角点对应的行拟合直线和列拟合直线后，进一步计算各个角点与其对应的行拟合直线和列拟合直线之间的距离。假设角点坐标为P(x1,y1)，该角点所在的行拟合直线为y＝k1x+b1，该角点所在的列拟合直线为y＝k2x+b2，其中，k1、k2、b1、b2为常数，k1和k2分别为坐标为P(x1,y1)的角点所在的行拟合直线和列拟合直线的斜率，b1和b2分别为坐标为P(x1,y1)的角点所在的行拟合直线和列拟合直线在y轴上的截距。那么该角点到其行拟合直线的距离为d1＝|y1-(k1x1+b1)|，该角点到其列拟合直线的距离为d2＝|x1-(y1-b2)/k2|。最后得到各个角点与其对应的行拟合直线和列拟合直线的行距离值和列距离值即第一距离值组成第一距离集。
具体实施时，计算出各个角点与第一拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离值获得第一距离集后，判断第一角点集中各个角点对应的第一距离值是否大于预设第一阈值；若是，则剔除第一角点集中第一距离值大于预设第一阈值的角点。由于每个角点都有其对应的行拟合直线和列拟合直线，首先判断各个角点与其对应的行拟合直线或者列拟合直线之间的距离是否大于预设第一阈值，若是，则将该角点从第一角点集中剔除；若否，则进一步判断各个角点与其对应的列拟合直线或者行拟合直线之间的距离是否大于预设第一阈值；若是，则将该角点从第一角点集中剔除；若否，则说明该角点定位较好，无需剔除。即只要角点与其对应的行拟合直线和列拟合直线中的任意一个距离值大于预设第一阈值，则判断该角点定位较差，将该角点从第一角点集中剔除。例如，假设角点坐标为(x1,y1)的角点到其对应的行拟合直线和列拟合直线之间的距离值分别为d1和d2，判断d1和d2中的任意一个大于预设第一阈值时，则将该角点从第一角点集中剔除，最后剔除第一角点集中所有第一距离值大于预设第一阈值的角点，得到第三角点集。
在一具体实施方式中，所述步骤S220具体包括：
S221、对所述第三角点集中各个角点分别按行和列进行直线拟合，得到第二拟合直线集；其中，所述第二拟合直线集包括各个角点对应的行拟合直线和列拟合直线；
S222、根据所述第一角点集中各个角点与所述第二拟合直线集中各直线的距离对所述第一角点集进行角点过滤，获得第二角点集。
具体实施时，第一次直线拟合时，由于有较多定位较差的角点，导致拟合得到的拟合直线与定位较好的角点之间的距离值大于预设第一阈值，使得第一次过滤时将部分定位较好的角点剔除掉。为了更加精确的剔除定位较差的角点，在获取到第三角点集后，进一步对第三角点集中各个角点分别按行和列进行直线拟合，具体也是利用最小二乘法进行直线拟合得到由各个角点对应的行拟合直线和列拟合直线组成的第二拟合直线集。然后根据第一角点集中各个角点与第二拟合直线集中各直线的距离对第一角点集进行第二次角点过滤，获得第二角点集。由于第三角点集中剔除了定位较差的角点，根据第三角点集得到的第二拟合直线集中的拟合直线不受定位较差的角点的影响，能够更加精确的剔除第一角点集中定位较差的角点。
在一具体实施方式中，所述步骤S222具体包括：
S2221、计算所述第一角点集中各个角点与所述第二拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离，得到各个角点对应的第二距离集；其中，所述第二距离集包括各个角点对应的第二距离值；
S2222、剔除所述第一角点集中第二距离值大于预设第二阈值的角点，获得第二角点集。
具体实施时，得到第二拟合直线集后，计算第一角点集中各个角点与第二拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离，得到各个角点与其对应的行拟合直线和列拟合直线的行距离值和列距离值即第二距离值组成的第二距离集，然后剔除所述第一角点集中第二距离值大于预设第二阈值的角点，获得第二角点集。与第一次角点过滤步骤类似，首先判断各个角点对应的行距离值或列距离值是否超过预设第二阈值，若是，则将该角点从第一角点集中剔除；若否，则继续判断各个角点对应的列距离值或行距离值是否超过预设第二阈值；若是，则将该角点从第一角点集中剔除；若否，则说明该角点定位较好，无需剔除。即只要角点与其对应的行拟合直线和列拟合直线中的任意一个距离值大于预设第二阈值，则判断该角点定位较差，将该角点从第一角点集中剔除。在一具体实施例中，预先设置用于角点过滤的第一阈值和第二阈值，且所述第一阈值大于第二阈值，所述第一阈值设置较大能够将定位较差的角点剔除掉，而第二阈值设置比第一阈值小是为了防止定位较好的角点被剔除。
在一具体实施方式中，所述步骤S300具体包括：
S310、根据所述第二角点集中的角点在世界坐标系中的坐标值以及对应的棋盘格图片中的坐标值，利用最小二乘法得到单应性矩阵；
S320、根据所述单应性矩阵求解所述摄像头的内外参数以及畸变系数以对摄像头进行标定。
具体实施时，获取到第二角点集后，将第二角点集中的角点在世界坐标系中的坐标值以及对应的棋盘格图片中的坐标值，利用最小二乘法得到单应性矩阵；依据传统两步法的标定方法以及最小二乘法得到的单应性矩阵，求解摄像头内外参数以及畸变系数从而对摄像头进行标定。
为了更好地理解本发明的技术，本发明还提供一种具体的应用实施例，如图2中所示，具体包括如下步骤：
步骤201、获取与摄像头关联的棋盘格图片；
步骤202、从棋盘格图片中获取各个角点的位置信息；
步骤203、根据位置信息对各个角点按行和列进行保存，获得第一角点集；
步骤204、对第一角点集中各个角点按照行和列进行直线拟合，得到第一拟合直线集；
步骤205、计算第一角点集中角点与其对应的第一拟合直线集中直线的距离，得到第一距离集；
步骤206、判断第一距离集中的第一距离值是否大于预设第一阈值，若是，则执行步骤207，若否，则执行步骤208；
步骤207、剔除第一角点集中第一距离值对应的角点；
步骤208、获得第三角点集；
步骤209、对第三角点集中各个角点按照行和列进行直线拟合，得到第二拟合直线集；
步骤210、计算第一角点集中角点与其对应的第二拟合直线集中直线的距离，得到第二距离集；
步骤211、判断第二距离集中的第二距离值是否大于预设第二阈值，若是，则执行步骤212，若否，则执行步骤213；
步骤212、剔除第一角点集中第二距离值对应的角点；
步骤213、获得第二角点集；
步骤214、根据第二角点集对摄像头进行标定。
基于上述实施例，本发明还提供了一种摄像头的标定装置，其原理框图可以如图3所示。该装置包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中，该装置的处理器用于提供计算和控制能力。该装置的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该装置的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种摄像头的标定方法。该装置的显示屏可以是液晶显示屏或者电子墨水显示屏，该装置的温度传感器是预先在装置内部设置，用于检测内部设备的当前运行温度。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的装置的限定，具体的装置可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种摄像头的标定装置，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时至少可以实现以下步骤：
获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取第一角点集；
根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集；
根据所述第二角点集对所述摄像头进行标定。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取各个角点的位置信息；根据所述位置信息对所述各个角点分别按行和列进行保存，获得第一角点集。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第三角点集；根据所述第三角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：对所述第一角点集中各个角点分别按行和列进行直线拟合，得到第一拟合直线集；其中，所述第一拟合直线集包括各个角点对应的行拟合直线和列拟合直线；根据所述第一角点集中各个角点与所述第一拟合直线集中各直线的距离对所述第一角点集进行角点过滤，获得第三角点集。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：计算所述第一角点集中各个角点与所述第一拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离，得到各个角点对应的第一距离集；其中，所述第一距离集包括各个角点对应的第一距离值；剔除所述第一角点集中第一距离值大于预设第一阈值的角点，获得第三角点集。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：对所述第三角点集中各个角点分别按行和列进行直线拟合，得到第二拟合直线集；其中，所述第二拟合直线集包括各个角点对应的行拟合直线和列拟合直线；根据所述第一角点集中各个角点与所述第二拟合直线集中各直线的距离对所述第一角点集进行角点过滤，获得第二角点集。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：计算所述第一角点集中各个角点与所述第二拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离，得到各个角点对应的第二距离集；其中，所述第二距离集包括各个角点对应的第二距离值；剔除所述第一角点集中第二距离值大于预设第二阈值的角点，获得第二角点集。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：根据所述第二角点集中的角点在世界坐标系中的坐标值以及对应的棋盘格图片中的坐标值，利用最小二乘法得到单应性矩阵；根据所述单应性矩阵求解所述摄像头的内外参数以及畸变系数以对摄像头进行标定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种摄像头的标定方法、装置及存储介质，方法包括：获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取第一角点集；根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集；根据所述第二角点集对摄像头进行标定。本发明通过获取棋盘格角点的位置信息，根据位置信息对角点进行过滤剔除定位较差的角点，并使用过滤后的角点对摄像头进行标定，摄像头的标定结果不受定位较差的角点影响，标定结果更加准确。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种摄像头的标定方法，其特征在于，包括步骤：
获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取第一角点集；
根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集；
根据所述第二角点集对所述摄像头进行标定；
所述根据所述第一角点集中各个角点的位置信息对所述第一角点集进行角点过滤，获得第二角点集的步骤具体包括：
对所述第一角点集中各个角点分别按行和列进行直线拟合，得到第一拟合直线集；其中，所述第一拟合直线集包括各个角点对应的行拟合直线和列拟合直线；
计算所述第一角点集中各个角点与所述第一拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离，得到各个角点对应的第一距离集；其中，所述第一距离集包括各个角点对应的第一距离值；
剔除所述第一角点集中第一距离值大于预设第一阂值的角点，获得第三角点集；
对所述第三角点集中各个角点分别按行和列进行直线拟合，得到第二拟合直线集；其中，所述第二拟合直线集包括各个角点对应的行拟合直线和列拟合直线；
计算所述第一角点集中各个角点与所述第二拟合直线集中各个角点对应的行拟合直线和列拟合直线的距离，得到各个角点对应的第二距离集；其中，所述第二距离集包括各个角点对应的第二距离值；
剔除所述第一角点集中第二距离值大于预设第二阈值的角点，获得第二角点集。
2.根据权利要求1所述的摄像头的标定方法，其特征在于，所述获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取第一角点集的步骤具体包括：
获取与摄像头关联的棋盘格图片，从所述棋盘格图片中获取各个角点的位置信息；
根据所述位置信息对所述各个角点分别按行和列进行保存，获得第一角点集。
3.根据权利要求1所述的摄像头的标定方法，其特征在于，所述根据所述第二角点集对所述摄像头进行标定的步骤具体包括：
根据所述第二角点集中的角点在世界坐标系中的坐标值以及对应的棋盘格图片中的坐标值，利用最小二乘法得到单应性矩阵；
根据所述单应性矩阵求解所述摄像头的内外参数以及畸变系数以对摄像头进行标定。
4.一种摄像头的标定装置，其特征在于，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-3任一项所述的摄像头的标定方法的步骤。
5.一种存储介质，其上存储有多条指令，其特征在于，所述指令适于由处理器加载并执行，以执行实现上述权利要求1-3任一项所述的摄像头的标定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010085093.8A CN113256725B (zh) | 2020-02-10 | 2020-02-10 | 一种摄像头的标定方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010085093.8A CN113256725B (zh) | 2020-02-10 | 2020-02-10 | 一种摄像头的标定方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113256725A CN113256725A (zh) | 2021-08-13 |
| CN113256725B true CN113256725B (zh) | 2023-06-20 |
Family
ID=77219439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010085093.8A Active CN113256725B (zh) | 2020-02-10 | 2020-02-10 | 一种摄像头的标定方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113256725B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
| CN103679729A (zh) * | 2013-12-17 | 2014-03-26 | 中国人民解放军第二炮兵工程大学 | 基于彩色标定板的全自动摄像机参数标定方法 |
| CN106815869A (zh) * | 2016-10-28 | 2017-06-09 | 北京鑫洋泉电子科技有限公司 | 鱼眼相机的光心确定方法及装置 |
| CN107633536A (zh) * | 2017-08-09 | 2018-01-26 | 武汉科技大学 | 一种基于二维平面模板的相机标定方法及系统 |
| CN108305291A (zh) * | 2018-01-08 | 2018-07-20 | 武汉大学 | 利用包含定位二维码的墙体广告的单目视觉定位定姿方法 |
| CN108986172A (zh) * | 2018-07-25 | 2018-12-11 | 西北工业大学 | 一种面向小景深系统的单视图线性摄像机标定方法 |
| CN109102545A (zh) * | 2018-07-11 | 2018-12-28 | 大连理工大学 | 一种基于非度量的畸变校正方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6980690B1 (en) * | 2000-01-20 | 2005-12-27 | Canon Kabushiki Kaisha | Image processing apparatus |
-
2020
- 2020-02-10 CN CN202010085093.8A patent/CN113256725B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
| CN103679729A (zh) * | 2013-12-17 | 2014-03-26 | 中国人民解放军第二炮兵工程大学 | 基于彩色标定板的全自动摄像机参数标定方法 |
| CN106815869A (zh) * | 2016-10-28 | 2017-06-09 | 北京鑫洋泉电子科技有限公司 | 鱼眼相机的光心确定方法及装置 |
| CN107633536A (zh) * | 2017-08-09 | 2018-01-26 | 武汉科技大学 | 一种基于二维平面模板的相机标定方法及系统 |
| CN108305291A (zh) * | 2018-01-08 | 2018-07-20 | 武汉大学 | 利用包含定位二维码的墙体广告的单目视觉定位定姿方法 |
| CN109102545A (zh) * | 2018-07-11 | 2018-12-28 | 大连理工大学 | 一种基于非度量的畸变校正方法 |
| CN108986172A (zh) * | 2018-07-25 | 2018-12-11 | 西北工业大学 | 一种面向小景深系统的单视图线性摄像机标定方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于改进棋盘的角点自动检测与排序;赵斌等;《光学精密工程》;20150115(第01期);全文 * |
| 增强现实数控加工中虚拟注册技术研究;范志超等;《机械与电子》;20070424(第04期);全文 * |
| 径向畸变的校正及其效果评估;贾厚勇等;《济南大学学报(自然科学版)》;20121105;第38-41页 * |
| 鱼眼镜头径向畸变的校正方法;宋阳等;《仪器仪表学报》;20170415(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113256725A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633536B (zh) | 一种基于二维平面模板的相机标定方法及系统 | |
| CN108230397B (zh) | 多目摄像机标定与校正方法和装置、设备、程序和介质 | |
| CN101448065B (zh) | 校正图像失真的方法以及使用该方法处理图像的装置 | |
| CN108074237B (zh) | 图像清晰度检测方法、装置、存储介质及电子设备 | |
| CN110097516B (zh) | 内孔壁面图像畸变纠正方法、系统及介质 | |
| CN112470192A (zh) | 双摄像头标定方法、电子设备、计算机可读存储介质 | |
| CN111652937B (zh) | 车载相机标定方法和装置 | |
| CN116433737A (zh) | 一种激光雷达点云与图像配准的方法、装置及智能终端 | |
| CN108648141B (zh) | 一种图像拼接方法及装置 | |
| CN113256725B (zh) | 一种摄像头的标定方法、装置及存储介质 | |
| CN113256735B (zh) | 一种基于双目标定的相机标定方法和系统 | |
| CN115272473A (zh) | 相机标定方法、装置、电子设备及存储介质 | |
| CN116777769A (zh) | 畸变图像的校正方法及装置、电子设备、存储介质 | |
| CN113793402B (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
| CN112911058B (zh) | 一种拍照控制方法、装置、移动终端及存储介质 | |
| CN115239789A (zh) | 用于确定液体体积的方法及装置、存储介质、终端 | |
| WO2021032034A1 (zh) | 光感校正方法、装置、电子设备和存储介质 | |
| CN114387165A (zh) | 图像处理方法、图像处理装置、电子设备、存储介质 | |
| CN115100225B (zh) | 一种相机视场的误差场确定方法、装置、电子设备及介质 | |
| CN112288649A (zh) | 一种圆柱状物体透视成像失真的图像校正方法及设备 | |
| CN112465913A (zh) | 一种基于双目相机的校正方法及装置 | |
| CN112233020A (zh) | 无人机图像拼接方法、装置、计算机设备及存储介质 | |
| CN117115144B (zh) | 一种pcb内部孔位缺陷在线检测系统 | |
| CN115278071B (zh) | 图像处理方法、装置、电子设备和可读存储介质 | |
| CN115147797B (zh) | 一种电子外后视镜视野智能调整方法、系统和介质 |
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 |