CN115018920A - 一种相机阵列标定方法、装置、电子设备及存储介质 - Google Patents
一种相机阵列标定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115018920A CN115018920A CN202210422544.1A CN202210422544A CN115018920A CN 115018920 A CN115018920 A CN 115018920A CN 202210422544 A CN202210422544 A CN 202210422544A CN 115018920 A CN115018920 A CN 115018920A
- Authority
- CN
- China
- Prior art keywords
- images
- matrix
- initial
- group
- parameter matrix
- 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 64
- 239000011159 matrix material Substances 0.000 claims abstract description 323
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect 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
- 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
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种相机阵列标定方法、装置、电子设备及存储介质，用于改善对相机阵列的内参矩阵和外参矩阵进行标定的效果不好的问题。该方法包括：获取多组图像，并对多组图像中的每组图像进行光源检测，获得每组图像中的图像坐标点；根据图像特征对图像坐标点进行特征匹配，获得多个匹配坐标点组；根据多个匹配坐标点组计算出所有相机的初始内部参数矩阵和初始外部参数矩阵，并计算出目标光源投影在每组图像中的映射坐标点；根据映射坐标点与图像坐标点之间的距离误差，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，获得优化内参矩阵和优化外参矩阵；将优化内参矩阵和优化外参矩阵标定在相机阵列中的所有相机中。
Description
技术领域
本申请涉及相机阵列、相机标定和图像处理的技术领域，具体而言，涉及一种相机阵列标定方法、装置、电子设备及存储介质。
背景技术
目前，大部分是使用棋盘标定板(类似于黑白棋盘的板状物体)或者标志开发板(例如包括多种颜色的多边形物体)来对相机阵列进行标定的。首先，标定相机阵列中的一个相机的内参矩阵，即先计算出相机阵列中的其中一个相机的内参矩阵(即相机的内部参数矩阵)；然后，通过两两相机标定的方式求解出相机阵列的外参矩阵(即相机的外部参数矩阵)；最后，标定相机阵列中的剩余相机的内参矩阵。
在具体的实践过程中发现，使用棋盘标定板对相机阵列的内参矩阵和外参矩阵进行标定的效果不好，即使用该内参矩阵和外参矩阵还原出的三维模型的精度较低。
发明内容
本申请实施例的目的在于提供一种相机阵列标定方法、装置、电子设备及存储介质，用于改善对相机阵列的内参矩阵和外参矩阵进行标定的效果不好的问题。
本申请实施例提供了一种相机阵列标定方法，包括：获取多组图像，并对多组图像中的每组图像进行光源检测，获得目标光源在每组图像中的图像坐标点，多组图像中的每组图像是使用相机阵列中的所有相机在同一时刻对运动过程中的目标光源进行拍摄的图像；根据目标光源的图像特征对每组图像中的图像坐标点进行特征匹配，获得每组图像对应的多个匹配坐标点组；根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵，并根据初始内部参数矩阵和初始外部参数矩阵计算出目标光源投影在每组图像中的映射坐标点；根据每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，获得优化内参矩阵和优化外参矩阵；将优化内参矩阵和优化外参矩阵标定在相机阵列中的所有相机中。在上述方案的实现过程中，通过对多组图像进行光源点检测和特征匹配，并根据每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，从而减小了图像坐标点与目标光源投影的映射坐标点之间的距离误差，有效地提高了使用该内参矩阵和外参矩阵还原出的三维模型的精度，也有效地改善了对相机阵列的内参矩阵和外参矩阵进行标定的效果。
可选地，在本申请实施例中，在根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵之前，还包括：针对多组图像中的每组图像，从每组图像对应的多个匹配坐标点组中删除不满足对极约束的匹配坐标点组。
在上述方案的实现过程中，通过从每组图像对应的多个匹配坐标点组中删除不满足对极约束的匹配坐标点组，从而删除了误匹配的坐标点组，可以有效降低误匹配带来的误差，有效地提高了使用该内参矩阵和外参矩阵还原出的三维模型的精度，也有效地改善了对相机阵列的内参矩阵和外参矩阵进行标定的效果。
可选地，在本申请实施例中，根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵，包括：根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始基础矩阵，初始基础矩阵表征相机坐标系与像素坐标系之间的转换信息；根据每组图像的宽度值和高度值计算出初始内部参数矩阵，并根据初始内部参数矩阵和初始基础矩阵计算出初始本质矩阵，初始本质矩阵表征相机坐标系与世界坐标系之间的转换信息；对初始本质矩阵进行奇异值分解，获得初始外部参数矩阵。
在上述方案的实现过程中，通过采用随机抽样一致算法计算出相机阵列中的所有相机的初始基础矩阵，并根据初始内部参数矩阵和初始基础矩阵计算出初始本质矩阵，从而避免了直接使用最小二乘法来计算初始基础矩阵和初始本质矩阵，有效地提高了计算出的初始基础矩阵和初始本质矩的精度。
可选地，在本申请实施例中，初始内部参数矩阵包括：相机焦距和像主点坐标；根据每组图像的宽度值和高度值计算出初始内部参数矩阵，包括：根据宽度值和高度值中的最大值确定初始内部参数矩阵中的相机焦距；将宽度值的一半确定为像主点坐标的横坐标长度值，并将高度值的一半确定为像主点坐标的纵坐标长度值。
可选地，在本申请实施例中，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，获得优化内参矩阵和优化外参矩阵，包括：调整初始内部参数矩阵和初始外部参数矩阵，以改变每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差；将距离误差小于预设阈值时的初始内部参数矩阵确定为优化内参矩阵，并将距离误差小于预设阈值时的初始外部参数矩阵确定为优化外参矩阵。
在上述方案的实现过程中，通过将距离误差小于预设阈值时的初始内部参数矩阵确定为优化内参矩阵，并将距离误差小于预设阈值时的初始外部参数矩阵确定为优化外参矩阵，从而减小了图像坐标点与目标光源投影的映射坐标点之间的距离误差，有效地提高了使用该内参矩阵和外参矩阵还原出的三维模型的精度，也有效地改善了对相机阵列的内参矩阵和外参矩阵进行标定的效果。
可选地，在本申请实施例中，将优化内参矩阵和优化外参矩阵标定在相机阵列中的所有相机中，包括：对优化内参矩阵和优化外参矩阵进行尺度配准，获得配准内参矩阵和配准外参矩阵；将配准内参矩阵和配准外参矩阵标定在相机阵列中的所有相机中。
在上述方案的实现过程中，通过对优化内参矩阵和优化外参矩阵进行尺度配准，并将配准内参矩阵和配准外参矩阵标定在相机阵列中的所有相机中，能够让三维真实世界的尺寸能够更好地重建为一个可以预知的三维物体尺寸，有效地提高了使用该内参矩阵和外参矩阵还原出的三维模型的精度，也有效地改善了对相机阵列的内参矩阵和外参矩阵进行标定的效果。
可选地，在本申请实施例中，目标光源是连续运动的单一光源点。
本申请实施例还提供了一种相机阵列标定装置，包括：图像光源检测模块，用于获取多组图像，并对多组图像中的每组图像进行光源检测，获得目标光源在每组图像中的图像坐标点，多组图像中的每组图像是使用相机阵列中的所有相机在同一时刻对运动过程中的目标光源进行拍摄的图像；图像特征匹配模块，用于根据目标光源的图像特征对每组图像中的图像坐标点进行特征匹配，获得每组图像对应的多个匹配坐标点组；映射坐标计算模块，用于根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵，并根据初始内部参数矩阵和初始外部参数矩阵计算出目标光源投影在每组图像中的映射坐标点；距离误差优化模块，用于根据每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，获得优化内参矩阵和优化外参矩阵；相机阵列标定模块，用于将优化内参矩阵和优化外参矩阵标定在相机阵列中的所有相机中。
可选地，在本申请实施例中，相机阵列标定装置，还包括：坐标点组删除模块，用于针对多组图像中的每组图像，从每组图像对应的多个匹配坐标点组中删除不满足对极约束的匹配坐标点组。
可选地，在本申请实施例中，映射坐标计算模块，包括：基础矩阵计算模块，用于根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始基础矩阵，初始基础矩阵表征相机坐标系与像素坐标系之间的转换信息；本质矩阵计算模块，用于根据每组图像的宽度值和高度值计算出初始内部参数矩阵，并根据初始内部参数矩阵和初始基础矩阵计算出初始本质矩阵，初始本质矩阵表征相机坐标系与世界坐标系之间的转换信息；本质矩阵分解模块，用于对初始本质矩阵进行奇异值分解，获得初始外部参数矩阵。
可选地，在本申请实施例中，初始内部参数矩阵包括：相机焦距和像主点坐标；本质矩阵计算模块，包括：相机焦距确定模块，用于根据宽度值和高度值中的最大值确定初始内部参数矩阵中的相机焦距；主点坐标确定模块，用于将宽度值的一半确定为像主点坐标的横坐标长度值，并将高度值的一半确定为像主点坐标的纵坐标长度值。
可选地，在本申请实施例中，距离误差优化模块，包括：参数矩阵调整模块，用于调整初始内部参数矩阵和初始外部参数矩阵，以改变每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差；参数矩阵确定模块，用于将距离误差小于预设阈值时的初始内部参数矩阵确定为优化内参矩阵，并将距离误差小于预设阈值时的初始外部参数矩阵确定为优化外参矩阵。
可选地，在本申请实施例中，相机阵列标定模块，包括：矩阵尺度配准模块，用于对优化内参矩阵和优化外参矩阵进行尺度配准，获得配准内参矩阵和配准外参矩阵；参数矩阵标定模块，用于将配准内参矩阵和配准外参矩阵标定在相机阵列中的所有相机中。
可选地，在本申请实施例中，目标光源是连续运动的单一光源点。
本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请实施例中的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出的本申请实施例提供的相机阵列标定方法的流程示意图；
图2示出的本申请实施例提供的使用相机矩阵进行拍摄的示意图；
图3示出的本申请实施例提供的单一光源的标定杆的示意图；
图4示出的本申请实施例提供的相机阵列标定装置的结构示意图；
图5示出的本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请实施例中的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请实施例的详细描述并非旨在限制要求保护的本申请实施例的范围，而是仅仅表示本申请实施例中的选定实施例。基于本申请实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请实施例保护的范围。
可以理解的是，本申请实施例中的“第一”、“第二”用于区别类似的对象。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在介绍本申请实施例提供的相机阵列标定方法之前，先介绍本申请实施例中所涉及的一些概念：
对极约束，是指同一个空间点投射在不同相机拍摄的图像中的点应该在该图像的极线上，则说明该空间点满足对极约束，相反地，若同一个空间点投射在相机图像中的点不在极线上，则说明该空间点不满足对极约束。
需要说明的是，本申请实施例提供的相机阵列标定方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和UNIX服务器。
下面介绍该相机阵列标定方法适用的应用场景，这里的应用场景包括但不限于：使用该相机阵列标定方法对相机阵列中的所有相机进行标定，即设置相机阵列中的所有相机的内部参数和外部参数等。
请参见图1示出的本申请实施例提供的相机阵列标定方法的流程示意图；该相机阵列标定方法的主要可以包括：
步骤S110：获取多组图像，并对多组图像中的每组图像进行光源检测，获得目标光源在每组图像中的图像坐标点，多组图像中的每组图像是使用相机阵列中的所有相机在同一时刻对运动过程中的目标光源进行拍摄的图像。
步骤S120：根据目标光源的图像特征对每组图像中的图像坐标点进行特征匹配，获得每组图像对应的多个匹配坐标点组。
步骤S130：根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵，并根据初始内部参数矩阵和初始外部参数矩阵计算出目标光源投影在每组图像中的映射坐标点。
可选地，在计算初始内部参数矩阵和初始外部参数矩阵之前，还可以删除不满足对极约束的匹配坐标点组，该实施方式可以包括：针对多组图像中的每组图像，从每组图像对应的多个匹配坐标点组中删除不满足对极约束的匹配坐标点组。然后，根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵，并根据初始内部参数矩阵和初始外部参数矩阵计算出目标光源投影在每组图像中的映射坐标点。
步骤S140：根据每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，获得优化内参矩阵和优化外参矩阵。
步骤S150：将优化内参矩阵和优化外参矩阵标定在相机阵列中的所有相机中。
可选地，在具体地实施过程中，还可以多次迭代上面的步骤S120至步骤S150的过程，即通过多次迭代优化的方式让相机的内参矩阵和外参矩阵更加精确，其过程与上面的步骤S120至步骤S150类似，此处就不再赘述。
在上述方案的实现过程中，通过对多组图像进行光源点检测和特征匹配，并根据每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，从而减小了图像坐标点与目标光源投影的映射坐标点之间的距离误差，有效地提高了使用该内参矩阵和外参矩阵还原出的三维模型的精度，也有效地改善了对相机阵列的内参矩阵和外参矩阵进行标定的效果。
请参见图2示出的本申请实施例提供的使用相机矩阵进行拍摄的示意图；相机矩阵(Camera Matrix)，又被称为相机阵列，是指将多个相机固定搭建的框架上成为标定好的相机矩阵，以最大程度地从不同角度采集目标光源的图像和视频。相机矩阵可以包括不同角度的多个相机等，相机阵列中的所有相机可以采用波形发生器来同步拍摄时刻，即尽量使得相机阵列中的所有相机在同一时刻进行拍摄。在具体的实施过程中，这里的相机矩阵可以根据具体实际情况设置为一定的形状，这里的形状包括：正方体、长方体和球体，相机的数量也可以根据具体情况设置，例如相机矩阵中设置30个相机或50个相机等等。
目标光源，是指用于被相机阵列拍摄的发光来源物体，相机阵列拍摄后获得的图像可以用于提取光源图像特征(即光源检测)的图像坐标点，光源的产生不做任何限制，采用易于识别的光源即可，具体可以采用发光二极管(Light-Emitting Diode，LED)的红点光源。具体可以采用单一光源点的物体，或者多光源点的物体。为了便于理解和说明，本申请实施例以采用目标光源单一光源点物体为例进行详细地说明。
请参见图3示出的本申请实施例提供的单一光源的标定杆的示意图；具体可以将该标定杆设置在机器车或者机器人上，让机器车或者机器人在相机矩阵中上下左右移动(移动的原则是让尽可能多的点均匀的落在不同相机上)，直到所有相机都拍摄到预设数量的光源图像。当然也可以让人手持该标定杆，并让人将标定杆在相机矩阵中上下左右挥舞移动，直到所有相机都拍摄到预设数量的光源图像。
上述步骤S110中提取图像坐标点的实施方式包括：采用相机矩阵对单一光源的标定杆进行拍摄后，获得单光源点的多组图像，并对多组图像中的每组图像进行特征提取，获得光源特征图；然后提取出光源特征图中的图像坐标点。在具体的实践过程中，提取图像坐标点的实施方式有很多种，难以穷举，下面仅使用其中一个例子来说明上面的具体过程。
上述的对多组图像中的每组图像进行特征提取的具体过程可以包括：若目标光源采用的是LED的红点光源，那么可以采用公式
从单光源点的图像中提取每个像素点的光源图像特征，可以理解的是，对每个像素点都进行上述计算，即可获得整个图像的光源图像特征构成的图像，即光源特征图。其中，F是从单光源点的图像中提取的光源图像特征，R、G和B分别代表彩色图像中的红通道、绿通道和蓝通道的像素值，ε是一个极小值，其作用是为了避免除以0，具体可以根据情况设置，例如采用10-6，relu代表修正线性单元(Rectified Linear Unit)函数，
代表图像中红色像素点出现的比率，(0.3R+0.59G+0.11B)是彩色RGB图像转灰度图像的通用公式，可以有效地适应场景的不同明暗程度，从而增加特征提取算法的鲁棒性。在实践过程中发现，根据单一光源点的图像特征来提取图像坐标点的精度比较高。
上述的提取出光源特征图中的图像坐标点的具体过程可以包括：使用高斯核函数公式
高斯差分函数公式D(x,y,σ)＝(G(x,y,σ+δ)-G(x,y,σ-δ))*F(x,y)对光源特征图进行计算，获得光源特征图中每个像素点的高斯差分值，然后，使用公式
对光源特征图中每个像素点的高斯差分值进行计算，获得光源特征图中的图像坐标点。其中，G(x,y,σ)是高斯核函数的计算结果，x和y分别代表光源特征图中的像素点的横坐标和纵坐标，σ代表光源特征图中的所有像素点的方差值，该方差值具体代表光源点(例如红斑点)的尺度；D(x,y,σ)代表使用高斯差分函数计算每个像素点的高斯差分值，δ是一个极小量参数，该极小量参数用于构建尺度差分运算，具体可以根据情况进行设置，例如采用10-2或者10-3，*代表卷积运算，F(x,y)代表上面光源特征图中每个像素点的光源图像特征，即横坐标x和纵坐标y对应像素点的光源图像特征；threshold代表预设阈值，具体可以根据情况进行设置。
上述步骤S120的实施方式例如：在图像坐标点提取完成之后，由于可能存在同一时刻同一相机拍摄的图像中提取出了多个图像坐标点(例如环境中存在其它类似光源杂点)或者未提取到图像坐标点(例如未拍摄到目标光源)，因此，需要根据目标光源的图像特征对每组图像中的图像坐标点进行特征匹配。具体地，如果在图像中提取到多个图像坐标点或者未提取到图像坐标点，则将该图像删除，获得删除后的有效图像帧。然后，将删除后的有效图像帧对应的图像坐标点进行匹配，获得每组图像对应的多个匹配坐标点组(代表的是相机图像与特征图像坐标点之间的匹配关系)。其中，具体的匹配方式可以是两两匹配，特征匹配的作用在于将同一个目标光源在不同相机拍摄的图像坐标点进行关联，便于使用关联的图像坐标点来根据对极约束进行删除，以及初始内部参数矩阵和初始外部参数矩阵。
在获得每组图像对应的多个匹配坐标点组之后，还可以通过几何验证的方式来删除多个匹配坐标点组中不满足对极约束的匹配坐标点组，即去除多个匹配坐标点组中误匹配的坐标点组，该实施方式可以包括：针对多组图像中的每组图像，从每组图像对应的多个匹配坐标点组中删除不满足对极约束的匹配坐标点组，获得多个满足约束的匹配坐标点组。
作为步骤S130的一种可选实施方式，计算出初始内部参数矩阵和初始外部参数矩阵的实施方式可以包括：
步骤S131：根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始基础矩阵，初始基础矩阵表征相机坐标系与像素坐标系之间的转换信息。
上述步骤S131的实施方式例如：采用随机抽样一致(Random sample consensus，RANSAC)算法来计算初始基础矩阵，具体地，从多个满足约束的匹配坐标点组中筛选出8个匹配坐标点组，并采用八点法对8个匹配坐标点组进行计算，获得第一次估算基础矩阵，然后，基于第一次估算基础矩阵计算出剩余匹配坐标点组对应坐标点到对极线的距离，若该距离小于预设阈值(可以根据具体情况设置，例如16)，则认为坐标点是合格点，否则认为坐标点是不合格点。依次循环迭代上述过程预设次数(可以根据具体情况设置，例如1024次)，即可获得多次计算出的合格点数。从多次计算出的合格点数筛选出合格点数最大的估算基础矩阵，并将合格点数最大的估算基础矩阵确定为初始基础矩阵。
步骤S132：根据每组图像的宽度值和高度值计算出初始内部参数矩阵，并根据初始内部参数矩阵和初始基础矩阵计算出初始本质矩阵，初始本质矩阵表征相机坐标系与世界坐标系之间的转换信息。
上述的初始内部参数矩阵包括：相机焦距和像主点坐标，该初始内部参数矩阵可以使用公式表示为
其中，f代表相机焦距，fx和fy分别表示在x轴和在y轴上的归一化焦距，c表示像主点坐标，cx和cy分别表示像主点在x轴的坐标和在y轴上的坐标。
作为上述步骤S132的一种可选实施方式，根据每组图像的宽度值和高度值计算出初始内部参数矩阵，包括：
步骤S132a：根据宽度值和高度值中的最大值确定初始内部参数矩阵中的相机焦距。
上述步骤S132a的实施方式例如：将宽度值和高度值中的最大值与预设数值的乘积，确定初始内部参数矩阵中的相机焦距；该过程可以使用公式表示为fx＝fy＝max(w,h)*b；其中，fx和fy分别表示在x轴和在y轴上的归一化焦距，w表示图像的宽度值，h表示图像的高度值，b表示预设数值，此处的预设数值可以采用估算的相机焦距长度与传感器孔径的比值，例如此处的预设数值设置为1.2或者1.3等等。
步骤S132b：将宽度值的一半确定为像主点坐标的横坐标长度值，并将高度值的一半确定为像主点坐标的纵坐标长度值。
上述步骤S132b的实施方式例如：根据公式
确定像主点坐标的横坐标长度值和纵坐标长度值；其中，cx和cy分别表示像主点在x轴的坐标和在y轴上的坐标，w表示图像的宽度值，h表示图像的高度值。
步骤S133：对初始本质矩阵进行奇异值分解，获得初始外部参数矩阵。
上述步骤S133的实施方式例如：使用奇异值分解(Singular ValueDecomposition，SVD)算法对初始本质矩阵进行奇异值分解，获得相机的旋转矩阵和平移向量，根据相机的旋转矩阵和平移向量确定初始外部参数矩阵。此处的初始外部参数矩阵可以表示为
其中，R表示旋转矩阵，t表示平移向量。
作为步骤S140的一种可选实施方式，可以理解的是，随着需要计算图像数量的不断增加，那么误差也会不断累积，因此，需要对相机的初始内部参数矩阵和初始外部参数矩阵进行优化，此处的优化方式可以包括：
步骤S141：调整初始内部参数矩阵和初始外部参数矩阵，以改变每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差。
上述步骤S141的实施方式例如：采用随机梯度下降(Stochastic GradientDescent，SGD)、随机并行梯度下降(Stochastic Parallel Gradient Descent，SPGD)算法或者高斯牛顿迭代方式(Gauss-Newton iteration method)调整初始内部参数矩阵和初始外部参数矩阵，以改变每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差。上述的距离误差可以使用公式表示为
其中，g(C,X)表示映射坐标点与图像坐标点之间的距离误差，C表示相机中的内部参数矩阵和外部参数矩阵，Ci表示第i个相机中的内部参数矩阵和外部参数矩阵，X表示目标光源投影在每组图像中的映射坐标点，Xj表示第j个映射坐标点，qij表示从图像中提取(即光源检测)出的图像坐标点，wij表示观察轨迹(中的图像坐标点)的权重参数，当摄像机i观察到轨迹中的图像坐标点j时，wij取1，相反地，当摄像机i没有观察到轨迹中的图像坐标点j时，wij取0。
步骤S142：将距离误差小于预设阈值时的初始内部参数矩阵确定为优化内参矩阵，并将距离误差小于预设阈值时的初始外部参数矩阵确定为优化外参矩阵。
上述步骤S142的实施方式例如：在采用随机梯度下降或者高斯牛顿迭代方式调整初始内部参数矩阵和初始外部参数矩阵之后，可以将距离误差小于预设阈值时的初始内部参数矩阵确定为优化内参矩阵，并将距离误差小于预设阈值时的初始外部参数矩阵确定为优化外参矩阵。
作为步骤S150的一种可选实施方式，将优化内参矩阵和优化外参矩阵标定在相机阵列中的所有相机中，包括：
步骤S151：对优化内参矩阵和优化外参矩阵进行尺度配准，获得配准内参矩阵和配准外参矩阵。
步骤S152：将配准内参矩阵和配准外参矩阵标定在相机阵列中的所有相机中。
上述步骤S151至步骤S152的实施方式例如：在相机阵列中的所有相机的标定过程中，由于三维重建的工作人员并不知道三维重建后的三维物体尺寸(即空间长度)，因此，需要对优化内参矩阵和优化外参矩阵进行尺度配准，获得配准内参矩阵和配准外参矩阵，然后，将配准内参矩阵和配准外参矩阵标定在相机阵列中的所有相机中，能够让三维真实世界的尺寸能够更好地重建为一个可以预知的三维物体尺寸，有效地提高了使用该内参矩阵和外参矩阵还原出的三维模型的精度，也有效地改善了对相机阵列的内参矩阵和外参矩阵进行标定的效果。
具体地，可以采用任意多点光源的平面形状的标定杆，此处的平面形状包括：Z字形、多边形、圆形、T字形和Y字形。为了便于理解和说明，此处的T字形的标定杆为例进行说明，具体例如：将T字形的标定杆放置在水平地面上，打开相机阵列中的所有相机对T字形的标定杆拍摄一张图像，获得所有相机拍摄的多张图像；然后，对多张图像中的每张图像进行特征提取，获得光源特征图，并根据提取出的光源特征图中的图像坐标点来确定相机的内部参数矩阵和外部参数矩阵。再然后，根据相机的内部参数矩阵和外部参数矩阵进行三维重建，即重建出该T字形的标定杆的三维坐标点，获得T字形的重建坐标点。
由于T字形的重建坐标点和T字形的真实三维坐标点之间相差一个变换矩阵A，变换矩阵A包含了一个尺度矩阵S和一个旋转矩阵R，那么可以根据公式
A＝RS计算出变换矩阵；其中，A表示变换矩阵，S表示尺度矩阵，R表示旋转矩阵，θ为顺时针旋转的度数。
最后，根据该变换矩阵对优化内参矩阵和优化外参矩阵进行尺度配准，获得配准内参矩阵和配准外参矩阵，并将配准内参矩阵和配准外参矩阵标定在相机阵列中的所有相机中，从而让三维真实世界的尺寸能够更好地重建为一个可以预知的三维物体尺寸。
作为一种可选实施方式，本申请实施例中的目标光源是连续运动的单一光源点，具体例如：上面的目标光源可以是手持单一光源点的标定杆在相机阵列面前挥舞和晃动，直到相机拍完所有需要采集的三维空间点。
请参见图4示出的本申请实施例提供的相机阵列标定装置的结构示意图；本申请实施例提供了一种相机阵列标定装置200，包括：
图像光源检测模块210，用于获取多组图像，并对多组图像中的每组图像进行光源检测，获得目标光源在每组图像中的图像坐标点，多组图像中的每组图像是使用相机阵列中的所有相机在同一时刻对运动过程中的目标光源进行拍摄的图像。
图像特征匹配模块220，用于根据目标光源的图像特征对每组图像中的图像坐标点进行特征匹配，获得每组图像对应的多个匹配坐标点组。
映射坐标计算模块230，用于根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵，并根据初始内部参数矩阵和初始外部参数矩阵计算出目标光源投影在每组图像中的映射坐标点。
距离误差优化模块240，用于根据每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，获得优化内参矩阵和优化外参矩阵。
相机阵列标定模块250，用于将优化内参矩阵和优化外参矩阵标定在相机阵列中的所有相机中。
可选地，在本申请实施例中，相机阵列标定装置，还包括：
坐标点组删除模块，用于针对多组图像中的每组图像，从每组图像对应的多个匹配坐标点组中删除不满足对极约束的匹配坐标点组。
可选地，在本申请实施例中，映射坐标计算模块，包括：
基础矩阵计算模块，用于根据每组图像对应的多个匹配坐标点组计算出相机阵列中的所有相机的初始基础矩阵，初始基础矩阵表征相机坐标系与像素坐标系之间的转换信息。
本质矩阵计算模块，用于根据每组图像的宽度值和高度值计算出初始内部参数矩阵，并根据初始内部参数矩阵和初始基础矩阵计算出初始本质矩阵，初始本质矩阵表征相机坐标系与世界坐标系之间的转换信息。
本质矩阵分解模块，用于对初始本质矩阵进行奇异值分解，获得初始外部参数矩阵。
可选地，在本申请实施例中，初始内部参数矩阵包括：相机焦距和像主点坐标；本质矩阵计算模块，包括：
相机焦距确定模块，用于根据宽度值和高度值中的最大值确定初始内部参数矩阵中的相机焦距。
主点坐标确定模块，用于将宽度值的一半确定为像主点坐标的横坐标长度值，并将高度值的一半确定为像主点坐标的纵坐标长度值。
可选地，在本申请实施例中，距离误差优化模块，包括：
参数矩阵调整模块，用于调整初始内部参数矩阵和初始外部参数矩阵，以改变每组图像中的映射坐标点与每组图像中的图像坐标点之间的距离误差。
参数矩阵确定模块，用于将距离误差小于预设阈值时的初始内部参数矩阵确定为优化内参矩阵，并将距离误差小于预设阈值时的初始外部参数矩阵确定为优化外参矩阵。
可选地，在本申请实施例中，相机阵列标定模块，包括：
矩阵尺度配准模块，用于对优化内参矩阵和优化外参矩阵进行尺度配准，获得配准内参矩阵和配准外参矩阵。
参数矩阵标定模块，用于将配准内参矩阵和配准外参矩阵标定在相机阵列中的所有相机中。
可选地，在本申请实施例中，目标光源是连续运动的单一光源点。
应理解的是，该装置与上述的相机阵列标定方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。
请参见图5示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备300，包括：处理器310和存储器320，存储器320存储有处理器310可执行的机器可读指令，机器可读指令被处理器310执行时执行如上的方法。
本申请实施例还提供了一种计算机可读存储介质330，该计算机可读存储介质330上存储有计算机程序，该计算机程序被处理器310运行时执行如上的方法。
其中，计算机可读存储介质330可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Read-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这主要根据所涉及的功能而定。
另外，在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。
Claims (10)
1.一种相机阵列标定方法，其特征在于，包括：
获取多组图像，并对所述多组图像中的每组图像进行光源检测，获得目标光源在所述每组图像中的图像坐标点，所述多组图像中的每组图像是使用相机阵列中的所有相机在同一时刻对运动过程中的目标光源进行拍摄的图像；
根据所述目标光源的图像特征对所述每组图像中的图像坐标点进行特征匹配，获得所述每组图像对应的多个匹配坐标点组；
根据所述每组图像对应的多个匹配坐标点组计算出所述相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵，并根据所述初始内部参数矩阵和所述初始外部参数矩阵计算出所述目标光源投影在所述每组图像中的映射坐标点；
根据所述每组图像中的映射坐标点与所述每组图像中的图像坐标点之间的距离误差，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，获得优化内参矩阵和优化外参矩阵；
将所述优化内参矩阵和所述优化外参矩阵标定在所述相机阵列中的所有相机中。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述每组图像对应的多个匹配坐标点组计算出所述相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵之前，还包括：
针对所述多组图像中的每组图像，从所述每组图像对应的多个匹配坐标点组中删除不满足对极约束的匹配坐标点组。
3.根据权利要求2所述的方法，其特征在于，所述根据所述每组图像对应的多个匹配坐标点组计算出所述相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵，包括：
根据所述每组图像对应的多个匹配坐标点组计算出所述相机阵列中的所有相机的初始基础矩阵，所述初始基础矩阵表征相机坐标系与像素坐标系之间的转换信息；
根据所述每组图像的宽度值和高度值计算出所述初始内部参数矩阵，并根据所述初始内部参数矩阵和所述初始基础矩阵计算出初始本质矩阵，所述初始本质矩阵表征相机坐标系与世界坐标系之间的转换信息；
对所述初始本质矩阵进行奇异值分解，获得所述初始外部参数矩阵。
4.根据权利要求3所述的方法，其特征在于，所述初始内部参数矩阵包括：相机焦距和像主点坐标；所述根据所述每组图像的宽度值和高度值计算出所述初始内部参数矩阵，包括：
根据所述宽度值和所述高度值中的最大值确定所述初始内部参数矩阵中的相机焦距；
将所述宽度值的一半确定为所述像主点坐标的横坐标长度值，并将所述高度值的一半确定为所述像主点坐标的纵坐标长度值。
5.根据权利要求1所述的方法，其特征在于，所述对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，获得优化内参矩阵和优化外参矩阵，包括：
调整所述初始内部参数矩阵和所述初始外部参数矩阵，以改变所述每组图像中的映射坐标点与所述每组图像中的图像坐标点之间的距离误差；
将所述距离误差小于预设阈值时的初始内部参数矩阵确定为所述优化内参矩阵，并将所述距离误差小于预设阈值时的初始外部参数矩阵确定为所述优化外参矩阵。
6.根据权利要求1所述的方法，其特征在于，所述将所述优化内参矩阵和所述优化外参矩阵标定在所述相机阵列中的所有相机中，包括：
对所述优化内参矩阵和所述优化外参矩阵进行尺度配准，获得配准内参矩阵和配准外参矩阵；
将所述配准内参矩阵和所述配准外参矩阵标定在所述相机阵列中的所有相机中。
7.根据权利要求1-6任一所述的方法，其特征在于，所述目标光源是连续运动的单一光源点。
8.一种相机阵列标定装置，其特征在于，包括：
图像光源检测模块，用于获取多组图像，并对所述多组图像中的每组图像进行光源检测，获得目标光源在所述每组图像中的图像坐标点，所述多组图像中的每组图像是使用相机阵列中的所有相机在同一时刻对运动过程中的目标光源进行拍摄的图像；
图像特征匹配模块，用于根据所述目标光源的图像特征对所述每组图像中的图像坐标点进行特征匹配，获得所述每组图像对应的多个匹配坐标点组；
映射坐标计算模块，用于根据所述每组图像对应的多个匹配坐标点组计算出所述相机阵列中的所有相机的初始内部参数矩阵和初始外部参数矩阵，并根据所述初始内部参数矩阵和所述初始外部参数矩阵计算出所述目标光源投影在所述每组图像中的映射坐标点；
距离误差优化模块，用于根据所述每组图像中的映射坐标点与所述每组图像中的图像坐标点之间的距离误差，对所有相机的初始内部参数矩阵和初始外部参数矩阵进行优化，获得优化内参矩阵和优化外参矩阵；
相机阵列标定模块，用于将所述优化内参矩阵和所述优化外参矩阵标定在所述相机阵列中的所有相机中。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210422544.1A CN115018920A (zh) | 2022-04-21 | 2022-04-21 | 一种相机阵列标定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210422544.1A CN115018920A (zh) | 2022-04-21 | 2022-04-21 | 一种相机阵列标定方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115018920A true CN115018920A (zh) | 2022-09-06 |
Family
ID=83066594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210422544.1A Pending CN115018920A (zh) | 2022-04-21 | 2022-04-21 | 一种相机阵列标定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115018920A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115601451A (zh) * | 2022-12-14 | 2023-01-13 | 深圳思谋信息科技有限公司（Cn） | 外参数据标定方法、装置、计算机设备和存储介质 |
| CN117058243A (zh) * | 2023-07-03 | 2023-11-14 | 成都飞机工业（集团）有限责任公司 | 相机阵列场误差控制方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103006251A (zh) * | 2012-12-06 | 2013-04-03 | 深圳先进技术研究院 | 用于ct系统中标定几何参数的标定体模、标定装置及标定方法 |
| WO2021196108A1 (zh) * | 2020-04-02 | 2021-10-07 | 深圳市瑞立视多媒体科技有限公司 | 大空间环境下边扫场边标定方法、装置、设备及存储介质 |
| CN113592950A (zh) * | 2019-12-27 | 2021-11-02 | 深圳市瑞立视多媒体科技有限公司 | 基于光学动捕的大空间环境下多相机标定方法及相关设备 |
| CN113902808A (zh) * | 2021-08-31 | 2022-01-07 | 北京影谱科技股份有限公司 | 相机标定方法、装置、设备及存储介质 |
-
2022
- 2022-04-21 CN CN202210422544.1A patent/CN115018920A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103006251A (zh) * | 2012-12-06 | 2013-04-03 | 深圳先进技术研究院 | 用于ct系统中标定几何参数的标定体模、标定装置及标定方法 |
| CN113592950A (zh) * | 2019-12-27 | 2021-11-02 | 深圳市瑞立视多媒体科技有限公司 | 基于光学动捕的大空间环境下多相机标定方法及相关设备 |
| WO2021196108A1 (zh) * | 2020-04-02 | 2021-10-07 | 深圳市瑞立视多媒体科技有限公司 | 大空间环境下边扫场边标定方法、装置、设备及存储介质 |
| CN113902808A (zh) * | 2021-08-31 | 2022-01-07 | 北京影谱科技股份有限公司 | 相机标定方法、装置、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115601451A (zh) * | 2022-12-14 | 2023-01-13 | 深圳思谋信息科技有限公司（Cn） | 外参数据标定方法、装置、计算机设备和存储介质 |
| CN117058243A (zh) * | 2023-07-03 | 2023-11-14 | 成都飞机工业（集团）有限责任公司 | 相机阵列场误差控制方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115018920A (zh) | 一种相机阵列标定方法、装置、电子设备及存储介质 | |
| CN111243035B (zh) | 相机标定方法、装置、电子设备和计算机可读存储介质 | |
| CN108717714B (zh) | 多相机标定方法、标定系统、存储介质、及电子设备 | |
| US11651581B2 (en) | System and method for correspondence map determination | |
| CN111899282A (zh) | 基于双目摄像机标定的行人轨迹跟踪方法及装置 | |
| CN109949232B (zh) | 图像与rtk结合的测量方法、系统、电子设备及介质 | |
| CN113269671B (zh) | 一种基于局部和全局特征的桥梁表观全景图生成方法 | |
| CN109214254B (zh) | 一种确定机器人位移的方法及装置 | |
| CN109389645B (zh) | 相机自校准方法、系统、相机、机器人及云端服务器 | |
| CN115423863B (zh) | 相机位姿估计方法、装置及计算机可读存储介质 | |
| CN114080627A (zh) | 三维模型生成方法及三维模型生成装置 | |
| CN111445513A (zh) | 基于深度图像的植株冠层体积获取方法、装置、计算机设备和存储介质 | |
| CN117437303B (zh) | 一种标定相机外参的方法及系统 | |
| CN113870350A (zh) | 图像样本标注方法、装置、终端设备和图像标注系统 | |
| CN117788686A (zh) | 一种基于2d影像的三维场景重建方法、装置及电子设备 | |
| CN111735447B (zh) | 一种仿星敏式室内相对位姿测量系统及其工作方法 | |
| CN116704111B (zh) | 图像处理方法和设备 | |
| Brunken et al. | Deep learning self-calibration from planes | |
| CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
| CN116563460A (zh) | 三维重建优化方法及装置、介质、设备 | |
| CN110110767A (zh) | 一种图像特征优化方法、装置、终端设备及可读存储介质 | |
| CN115311336A (zh) | 多相机的图像配准方法、装置、设备及存储介质 | |
| CN108827157B (zh) | 激光测量的校验方法、装置、系统、设备和存储介质 | |
| CN111489439B (zh) | 一种三维线图重建方法、装置和电子设备 | |
| CN117689899B (zh) | 一种手势采集装置参数点检方法、系统、设备及存储介质 |
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 |