CN113902808A - 相机标定方法、装置、设备及存储介质 - Google Patents

相机标定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113902808A
CN113902808A CN202111016757.6A CN202111016757A CN113902808A CN 113902808 A CN113902808 A CN 113902808A CN 202111016757 A CN202111016757 A CN 202111016757A CN 113902808 A CN113902808 A CN 113902808A
Authority
CN
China
Prior art keywords
initial
image pair
target image
initial image
camera
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
Application number
CN202111016757.6A
Other languages
English (en)
Inventor
王俊翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Moviebook Science And Technology Co ltd
Original Assignee
Beijing Moviebook Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Moviebook Science And Technology Co ltd filed Critical Beijing Moviebook Science And Technology Co ltd
Priority to CN202111016757.6A priority Critical patent/CN113902808A/zh
Publication of CN113902808A publication Critical patent/CN113902808A/zh
Pending legal-status Critical Current

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
    • G06T7/85—Stereo camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Studio Devices (AREA)

Abstract

本申请公开了一种相机标定方法、装置、设备及存储介质，属于计算机视觉领域，方法包括：首先获取目标物体从待标定相机不同位姿拍摄到的目标图像集合，并选取相邻序列的两张目标图像的作为初始图像对进行特征点提取与特征点匹配，得到特征点对；根据特征点对得到基础矩阵F；根据基础矩阵F得到初始图像对的初始三维点集；根据目标图像集合中的其他图像通过光束法平差对初始三维点集进行优化，得到优化后的所述待标定相机的参数。相比于现有技术来说，本申请实施例提供的相机标定方法有较高的精度和鲁棒性。

Description

相机标定方法、装置、设备及存储介质
技术领域
本发明涉及计算机视觉领域，特别涉及一种相机标定方法、装置、设备及存储介质。
背景技术
随着计算机视觉的发展，三维重建，AR，SLAM等技术逐渐走入我们的日常生活，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，必须建立相机成像的几何模型，这些几何模型参数就是相机参数。在大多数条件下，这些参数必须通过实验与计算才能得到，这个求解参数的过程就称之为相机标定，相机标定的目的就是获取相机的内参和外参系数对之后该相机拍摄的图像进行矫正，得到畸变相对较小的图像。
现有方法通常是采用人工的方式进行相机标定，导致标定的结果不够准确并且效率较低。
发明内容
基于此，本申请实施例提供了一种相机标定方法、装置、设备及存储介质，可以提高相机标定的精度和鲁棒性。
第一方面，提供了一种相机标定方法，该方法包括：
获取目标物体从待标定相机不同位姿拍摄到的目标图像集合，所述目标图像集合中每张目标图像具有序列标识，从所述目标图像集合中选取相邻序列的两张目标图像的作为初始图像对；
对所述初始图像对进行特征点提取与特征点匹配，得到所述初始图像对的特征点对；
根据所述特征点对得到所述初始图像对的基础矩阵F；根据所述基础矩阵F得到所述初始图像对的初始三维点集；
根据所述目标图像集合中的其他图像通过光束法平差对所述初始三维点集进行优化，得到优化后的所述待标定相机的参数。
在其中一个实施例中，根据所述特征点对得到所述初始图像对的基础矩阵F，包括：
选取预设数量的特征点对；
根据预设数量的特征点对通过最小二乘法得到基础矩阵Ftmp；
通过所述初始图像对的其余特征点对所述基础矩阵Ftmp进行优化得到基础矩阵F。
在其中一个实施例中，所述根据预设数量的特征点对通过最小二乘法得到基础矩阵Ftmp，包括：
所述特征点对满足pr TFtmppl＝0，其中pr、pl为所述初始图像对中的一对特征点。
在其中一个实施例中，对所述初始图像对进行特征点提取与特征点匹配，包括：
通过SIFT算法对所述初始图像对进行特征点提取；
通过K近邻算法对所述初始图像对中的特征点进行一一匹配。
在其中一个实施例中，通过K近邻算法对所述初始图像对中的特征点进行一一匹配，包括：
所述初始图像对包括第一目标图像和第二目标图像；
采用K近邻算法来得到所述第一目标图像中每个特征点在所述第二目标图像中的欧式距离最短的特征点；其中，欧式距离表示为：
Figure BDA0003240106790000021
其中key1表示第一目标图像中的特征点，key2表示第二目标图像中的特征点，i表示第i组特征点对，dim表示提取到的特征点最大数量。
在其中一个实施例中，所述相邻序列的两张目标图像具有共视关系。
在其中一个实施例中，所述方法还包括：根据所述基础矩阵F通过SVD分解得到旋转和平移信息。
第二方面，提供了一种相机标定装置，该相机标定装置包括：
获取模块，获取目标物体从待标定相机不同位姿拍摄到的目标图像集合，所述目标图像集合中每张目标图像具有序列标识，从所述目标图像集合中选取相邻序列的两张目标图像的作为初始图像对；
匹配模块，用于对所述初始图像对进行特征点提取与特征点匹配，得到所述初始图像对的特征点对；
计算模块，用于根据所述特征点对得到所述初始图像对的基础矩阵F；根据所述基础矩阵F得到所述初始图像对的初始三维点集；
优化模块，用于根据所述目标图像集合中的其他图像通过光束法平差对所述初始三维点集进行优化，得到优化后的所述待标定相机的参数。
第三方面，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面任一所述的相机标定方法。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一所述的相机标定方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的技术方案中，首先获获取目标物体从待标定相机不同位姿拍摄到的目标图像集合，并选取相邻序列的两张目标图像的作为初始图像对进行特征点提取与特征点匹配，得到特征点对；根据特征点对得到基础矩阵F；根据基础矩阵F得到初始图像对的初始三维点集；根据目标图像集合中的其他图像通过光束法平差对初始三维点集进行优化，得到优化后的所述待标定相机的参数。相比于现有技术来说，本申请实施例提供的相机标定方法有较高的精度和鲁棒性。
附图说明
图1为本申请实施例提供的一种实施环境的示意图；
图2为本申请实施例提供的一种相机标定方法的流程图；
图3为本申请实施例提供的一种相机标定模型立体示意图；
图4为本申请实施例提供的一种相机标定方法的流程图；
图5为本申请实施例提供的一种相机标定装置的框图；
图6为本申请实施例提供的一种设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
下面，将对本申请实施例提供的相机标定方法所涉及到的实施环境进行说明。
图1为本申请实施例提供肢体动作识别方法所涉及到的实施环境的示意图。如图1所示，该实施环境可以包括待标定相机101和设备102，其中，待标定相机101和设备102之间可以通过有线或无线的方式进行通信。
待标定相机101可以从不同位置和姿势对目标物体进行拍摄，得到不同位姿拍摄到的目标图像，待标定相机101可以将带有目标图像的图片集合发送至设备102。设备102通过执行本申请实施例提供的相机标定方法输出对应的相机标定结果。
请参考图2，其示出了本申请实施例提供的一种相机标定方法的流程图，该相机标定方法可以应用于上文所述实施环境中。如图2所示，该相机标定方法可以包括以下步骤：
步骤201，获取目标物体从待标定相机不同位姿拍摄到的目标图像集合，目标图像集合中每张目标图像具有序列标识，从目标图像集合中选取相邻序列的两张目标图像的作为初始图像对。
在本申请实施例中，目标物体表面具有丰富纹理。序列标识指的是将获取到的目标图像按照拍摄的顺序进行依次编号，其中相邻序列的两张目标图像具有共视关系，即这两张目标图像之间包含相比于其他图像具有更多的交集，将这两张目标图像作为初始图像对，在本申请实施例中初始图像对可以包括第一目标图像和第二目标图像。
在本申请一个可选的实施例中，可以根据图像获取相机EXIF信息，并且根据EXIF信息得到相机初始内部参数(焦距、长宽比、主点、扭曲等)，由此可以增加场景重建的精度，从而使得最终的相机的标定更为精确，例如可以根据EXIF信息得到相机初始焦距值f0。
步骤202，对初始图像对进行特征点提取与特征点匹配，得到初始图像对的特征点对。
对初始图像对进行特征点提取，即使是一幅分辨率比较小的图像，如果要匹配所有点，工作量也会非常大，如果能够在图像中找到一些特殊的点，这些点相比它周围的点有明显的特征，这样就会很大程度地降低图像匹配的复杂度，即降低误匹配率。
在本申请一个可选的实施例中，通过SIFT算法对初始图像对进行特征点提取，获取每个特征点在图像中的位置和描述子。通过K近邻算法对初始图像对中的特征点进行一一匹配。
采用K近邻算法来得到所述第一目标图像中每个特征点在所述第二目标图像中的欧式距离最短的特征点，在本申请实施例中采用K近邻算法来得到每个关键点在另一幅图像中的欧氏距离最短的两个点即NN(NearestNeighbor)和SCN(SecondClosetedNeighbor)。其欧式距离表示为：
Figure BDA0003240106790000051
其中key1，key2分别表示两幅图像中的同一个SIFT特征点，具体的key1表示第一目标图像中的特征点，key2表示第二目标图像中的特征点，i表示第i组特征点对，dim表示提取到的特征点最大数量。
一幅图像可以和任意其他图像间匹配特征点对,若对每两幅图像都匹配特征点对，则计算量将会随图像的增加而急剧增加，显然，具有共视关系的图像所对应的相机的旋转平移都和该图像对应的相机的旋转和平移比较接近，图像间包含更多相同的信息，有更多的相似度，特征匹配点对也更多，对于远离该幅图像序列的那些图像则相似度较低，因此只对初始图像对进行特征点提取与特征点匹配。本申请中初始图像对可以是图像集合中任意两幅序列相连的图像。
步骤203，根据特征点对得到初始图像对的基础矩阵F；根据基础矩阵F得到初始图像对的初始三维点集。
本质矩阵E包含在物理空间中相机两个位姿相关的旋转和平移信息，基础矩阵F除了包含E的信息外，还包含了相机的内参数。由于F包含了这些内参数，因此它可以在像素坐标系将两幅目标图像对应的相机位姿关联起来。
本申请实施例中，通过改进RANSAC算法优化的8点法求解基础矩阵F，其基础步骤如下：
(1)根据置信概率设置抽样停止条件。
(2)随机从两图像的匹配特征点中抽取8对匹配点组成一个抽样。
(3)在步骤(2)中选择的随机抽样中，用这8个点采用最小二乘法得到一个基础矩阵Ftmp。
(4)用两图像所有的匹配对来检验每个Ftmp，获得每个Ftmp所对应的内点(inliers)数量。重复步骤(2)到步骤(4)，直到满足置信概率为止。
(5)根据内点数量选择对应的基础矩阵F。
(6)找出这个最优的基础矩阵F所对应的所有内点，并用这些内点采用非线性最小二乘方法得到最终的基础矩阵F。
在本申请一个可选的实施例中，如图3所示双摄像头模型立体视图。在本申请实施例中可以将第一目标图像看作左摄图像，第二目标图像看作右摄图像，其中P为空间中的一个物体，Pr为物体在右摄图像中的成像位置，即第一目标图像的特征点，Pl为物体在右摄图像中的成像位置，即第二目标图像的特征点，f为焦距，Ol为左摄模组的镜头光心，Or为左摄模组的镜头光心，T为双摄模组光心，Z为模组到物体的实际距离。
可以看出，左摄图像有pl＝(xp,yp,1)T与右摄图像pr＝(xr,yr,1)是一对特征点，则特征点对满足pr TFpl＝0。
展开得到:
(xprxpl,xprypl,xpr,yprxpl,yprypl,ypr,xpl,ypl,1)F＝0 (2)
其中F＝(f00,f01,f02,f10,f11,f12,f20,f21,f22)T。
n对特征点就可以构成一个线性方程组，通常采用多于8对特征点对即可计算出基础矩阵。
在本申请一个可选的实施例中，根据基础矩阵F通过SVD分解得到旋转和平移信息，即得到相机的外参数。
步骤204，根据目标图像集合中的其他图像通过光束法平差对初始三维点集进行优化，得到优化后的待标定相机的参数。
在本申请实施例中，通过光束法平差对初始三维点集进行优化，得到优化后的待标定相机的参数过程具体为：
(1)在得到初始图像对和初始三维点集时，对于其他图像采取按特征点鲁棒性挑选机制，每次挑选一张图像，
(2)根据已知的三维点集，计算得到对应的相机参数并用LM算法优化。
(3)将每次计算新图像后对应的三维点集加入到步骤(2)所得到的三维点集中。用于计算下一个新相机的参数，这样就可以充分利用各个相机图像对应的三维点，
(4)随着三维点集的增多，对于新加入的相机图像来说，计算得到的相机参数将更为精确。同样更为精确的相机参数能得到其对应的更精确的三维点集，并加入到已知三维点集中。
(5)最后将所有得到的相机参数通过算法进行最后的全局优化得到最优解。
本申请实施例提供的技术方案中，首先获获取目标物体从待标定相机不同位姿拍摄到的目标图像集合，并选取相邻序列的两张目标图像的作为初始图像对进行特征点提取与特征点匹配，得到特征点对；根据特征点对得到基础矩阵F；根据基础矩阵F得到初始图像对的初始三维点集；根据目标图像集合中的其他图像通过光束法平差对初始三维点集进行优化，得到优化后的待标定相机的参数。相比于现有技术来说，本申请实施例提供的相机标定方法有较高的精度和鲁棒性。
在本申请的可选实施例中，如图4所示，根据特征点对得到初始图像对的基础矩阵F，包括：
步骤301，选取预设数量的特征点对。
在本申请实施例中，根据置信概率设置抽样停止条件；随机从初始图像对的特征点对中抽取8对特征点组成一个抽样。
步骤302，根据预设数量的特征点对通过最小二乘法得到基础矩阵Ftmp。
用这8个点采用最小二乘法得到一个基础矩阵Ftmp。在本申请可选的实施例中，利用初始图像对的所有特征点对来检验每个基础矩阵Ftmp，获得每个基础矩阵Ftmp所对应的内点(Inliers)的数量，直到满足置信概率为止。
步骤303，通过初始图像对的其余特征点对所述基础矩阵Ftmp进行优化得到基础矩阵F。
根据内点数量选择对应的基础矩阵F；找出这个最优的基础矩阵F所对应的所有内点，并用这些内点采用非线性最小二乘方法得到最终的基础矩阵F。
在模型估计中，要解出准确的模型，就要消除外点，最直观方法是通过RANSAC方法从原始数据中找出一组不包含外点的数据抽样来进行参数估计，本申请实施例通过改进RANSAC算法优化的8点法求解基础矩阵F，能够得到更精确的基础矩阵F。
请参考图5，其示出了本申请实施例提供的一种相机标定装置500的框图。如图5所示，该相机标定装置500可以包括：获取模块501、匹配模块502、计算模块503，优化模块504。
获取模块501，用于获取目标物体从待标定相机不同位姿拍摄到的目标图像集合，所述目标图像集合中每张目标图像具有序列标识，从所述目标图像集合中选取相邻序列的两张目标图像的作为初始图像对。
匹配模块502，用于对所述初始图像对进行特征点提取与特征点匹配，得到所述初始图像对的特征点对。
计算模块503，用于根据所述特征点对得到所述初始图像对的基础矩阵F；根据所述基础矩阵F得到所述初始图像对的初始三维点集。
优化模块504，用于根据所述目标图像集合中的其他图像通过光束法平差对所述初始三维点集进行优化，得到优化后的所述待标定相机的参数。
关于相机标定装置的具体限定可以参见上文中对于相机标定方法的限定，在此不再赘述。上述相机标定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种设备，该设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该设备的处理器用于提供计算和控制能力。该设备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、计算机程序和数据库。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。该设备的数据库用于存储相机标定数据。该计算机设备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相机标定方法。
本领域技术人员可以理解，如图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备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。
在本申请的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现相机标定方法。本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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，本申请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M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(SyMchliMk)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。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种相机标定方法，其特征在于，所述方法包括：
获取目标物体从待标定相机不同位姿拍摄到的目标图像集合，所述目标图像集合中每张目标图像具有序列标识，从所述目标图像集合中选取相邻序列的两张目标图像的作为初始图像对；
对所述初始图像对进行特征点提取与特征点匹配，得到所述初始图像对的特征点对；
根据所述特征点对得到所述初始图像对的基础矩阵F；根据所述基础矩阵F得到所述初始图像对的初始三维点集；
根据所述目标图像集合中的其他图像通过光束法平差对所述初始三维点集进行优化，得到优化后的所述待标定相机的参数。
2.根据权利要求1所述的方法，其特征在于，根据所述特征点对得到所述初始图像对的基础矩阵F，包括：
选取预设数量的特征点对；
根据预设数量的特征点对通过最小二乘法得到基础矩阵Ftmp；
通过所述初始图像对的其余特征点对所述基础矩阵Ftmp进行优化得到基础矩阵F。
3.根据权利要求2所述的方法，其特征在于，所述根据预设数量的特征点对通过最小二乘法得到基础矩阵Ftmp，包括：
所述特征点对满足pr TFtmppl＝0，其中pr、pl为所述初始图像对中的一对特征点。
4.根据权利要求1所述的方法，其特征在于，对所述初始图像对进行特征点提取与特征点匹配，包括：
通过SIFT算法对所述初始图像对进行特征点提取；
通过K近邻算法对所述初始图像对中的特征点进行一一匹配。
5.根据权利要求4所述的方法，其特征在于，通过K近邻算法对所述初始图像对中的特征点进行一一匹配，包括：
所述初始图像对包括第一目标图像和第二目标图像；
采用K近邻算法来得到所述第一目标图像中每个特征点在所述第二目标图像中的欧式距离最短的特征点；其中，欧式距离表示为：
Figure FDA0003240106780000021
其中key1表示第一目标图像中的特征点，key2表示第二目标图像中的特征点，i表示第i组特征点对，dim表示提取到的特征点最大数量。
6.根据权利要求1所述的方法，其特征在于，所述相邻序列的两张目标图像具有共视关系。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述基础矩阵F通过SVD分解得到旋转和平移信息。
8.一种相机标定装置，其特征在于，所述装置包括：
获取模块，用于获取目标物体从待标定相机不同位姿拍摄到的目标图像集合，所述目标图像集合中每张目标图像具有序列标识，从所述目标图像集合中选取相邻序列的两张目标图像的作为初始图像对；
匹配模块，用于对所述初始图像对进行特征点提取与特征点匹配，得到所述初始图像对的特征点对；
计算模块，用于根据所述特征点对得到所述初始图像对的基础矩阵F；根据所述基础矩阵F得到所述初始图像对的初始三维点集；
优化模块，用于根据所述目标图像集合中的其他图像通过光束法平差对所述初始三维点集进行优化，得到优化后的所述待标定相机的参数。
9.一种设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一所述的相机标定方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一所述的相机标定方法。
CN202111016757.6A 2021-08-31 2021-08-31 相机标定方法、装置、设备及存储介质 Pending CN113902808A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111016757.6A CN113902808A (zh) 2021-08-31 2021-08-31 相机标定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111016757.6A CN113902808A (zh) 2021-08-31 2021-08-31 相机标定方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113902808A true CN113902808A (zh) 2022-01-07

Family

ID=79188202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111016757.6A Pending CN113902808A (zh) 2021-08-31 2021-08-31 相机标定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113902808A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708331A (zh) * 2022-02-24 2022-07-05 合肥的卢深视科技有限公司 深度相机的校准方法、装置、电子设备和存储介质
CN115661321A (zh) * 2022-12-07 2023-01-31 煤炭科学研究总院有限公司 全息图的获取方法、装置、电子设备和介质
CN116701501A (zh) * 2022-11-21 2023-09-05 荣耀终端有限公司 相机标定数据的加载方法、装置及终端设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708331A (zh) * 2022-02-24 2022-07-05 合肥的卢深视科技有限公司 深度相机的校准方法、装置、电子设备和存储介质
CN114708331B (zh) * 2022-02-24 2023-03-14 合肥的卢深视科技有限公司 深度相机的校准方法、装置、电子设备和存储介质
CN116701501A (zh) * 2022-11-21 2023-09-05 荣耀终端有限公司 相机标定数据的加载方法、装置及终端设备
CN116701501B (zh) * 2022-11-21 2024-04-12 荣耀终端有限公司 相机标定数据的加载方法、装置及终端设备
CN115661321A (zh) * 2022-12-07 2023-01-31 煤炭科学研究总院有限公司 全息图的获取方法、装置、电子设备和介质
CN115661321B (zh) * 2022-12-07 2023-03-28 煤炭科学研究总院有限公司 全息图的获取方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
CN113902808A (zh) 相机标定方法、装置、设备及存储介质
CN112258528B (zh) 图像处理方法和装置、电子设备
CN109389665B (zh) 三维模型的纹理获取方法、装置、设备和存储介质
CN112017216B (zh) 图像处理方法、装置、计算机可读存储介质及计算机设备
CN112927280B (zh) 深度图像的获取方法及装置、单目散斑结构光系统
CN111932636B (zh) 双目摄像头的标定及图像矫正方法、装置、存储介质、终端、智能设备
JP2010513907A (ja) カメラシステムのキャリブレーション
CN111553939B (zh) 一种多目摄像机的图像配准算法
JP2020523703A5 (zh)
CN111383270B (zh) 物体定位方法、装置、计算机设备及存储介质
CN112017215B (zh) 图像处理方法、装置、计算机可读存储介质及计算机设备
CN113269671A (zh) 一种基于局部和全局特征的桥梁表观全景图生成方法
CN109859142B (zh) 图像亮度的调节方法、装置、计算机设备和存储介质
CN111915681B (zh) 多组3d相机群的外参标定方法、装置、存储介质及设备
CN115018920A (zh) 一种相机阵列标定方法、装置、电子设备及存储介质
CN109191530A (zh) 全景相机标定方法、系统、计算机设备和存储介质
CN111160233B (zh) 基于三维成像辅助的人脸活体检测方法、介质及系统
CN108345463B (zh) 基于机器人的三维测量方法、装置、机器人和存储介质
CN111292380A (zh) 图像处理方法及装置
CN109658459A (zh) 摄像头标定方法、装置、电子设备和计算机可读存储介质
KR102310789B1 (ko) 다양한 시점에서 연속적으로 획득된 영상을 활용한 카메라 자세 및 깊이 추정 장치 및 방법
CN111553850A (zh) 基于双目立体视觉的三维信息获取方法和装置
CN112750164A (zh) 轻量化定位模型的构建方法、定位方法、电子设备
CN113178000B (zh) 三维重建方法、装置、电子设备及计算机存储介质
CN113781583B (zh) 相机自标定方法、装置、设备和介质

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