CN115375772B - 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 PDFInfo
- Publication number
- CN115375772B CN115375772B CN202210957788.XA CN202210957788A CN115375772B CN 115375772 B CN115375772 B CN 115375772B CN 202210957788 A CN202210957788 A CN 202210957788A CN 115375772 B CN115375772 B CN 115375772B
- Authority
- CN
- China
- Prior art keywords
- camera
- pose
- dimensional
- reflection
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005457 optimization Methods 0.000 claims abstract description 105
- 230000003287 optical effect Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 16
- 239000003550 marker Substances 0.000 description 11
- 238000013519 translation Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
Abstract
本发明提供一种相机标定方法、装置、设备及存储介质,涉及计算机视觉技术领域,包括:获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿。本发明解决了相机标定结果的准确性较低的技术问题。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种相机标定方法、装置、设备及存储介质。
背景技术
目前,光学动捕系统通过利用在空间中部署的多个相机采集的标记点信息,对标记点的三维空间位置进行估计,从而对由多个标记点组合构成的物体进行持续定位与追踪。
为了从多个相机采集的标记点信息中计算出标记点的三维空间位置,需要对光学动捕相机进行准确的位姿估计。现有的光学动捕系统通常是利用尺寸已知的固定有光学标记点的特定刚体(标定杆)来估计相机外参。然而,由于无法确定光学动捕系统中大量相机的初始位姿,导致相机位姿的优化算法难以收敛,进而导致相机标定结果误差较大,从而影响整个光学动捕系统的定位与追踪性能。
发明内容
本发明提供一种相机标定方法、装置、设备及存储介质,用以解决现有技术中由于大量相机初始位姿未知,导致位姿的优化算法难以收敛的缺陷,旨在提高相机标定的准确性。
本发明提供一种相机标定,包括:
获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;
基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;
基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿。
可选地,根据本发明提供的一种相机标定,所述基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿,包括:
基于各所述相机采集到的视频帧信息,确定待标定相机组,其中,所述待标定相机组包括第一相机和第二相机,所述第一相机和第二相机对应的视频帧信息存在若干个相同反射点;
基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算所述第一相机和所述第二相机之间的相对位姿;
基于所述相对位姿和各所述相同反射点的二维像素位置,计算各所述相同反射点的初始三维空间位置;
对所述相对位姿和所述初始三维空间位置进行重投影误差优化,得到优化相机位姿和各所述相同反射点的优化三维空间位置;
基于所述优化三维空间位置,逐步增量计算其余相机的相对位姿,并返回执行步骤:基于所述相对位姿、所述相同反射点的二维像素位置,计算得到所述相同反射点的初始三维空间位置,直至计算优化得到全部相机之间的相机位姿。
可选地,根据本发明提供的一种相机标定,所述基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算所述第一相机和所述第二相机之间的相对位姿,包括:
构建所述第一相机、所述第二相机和所述相同标记点之间的对极约束;
基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算满足多数对极约束对应的相对位姿。
可选地,根据本发明提供的一种相机标定,所述对所述相对位姿和所述初始三维空间位置进行重投影误差优化,得到优化相机位姿和各所述相同反射点的优化三维空间位置,包括:
基于所述相对位姿、各所述相同反射点的初始三维空间位置和二维像素位置,通过预先设置的重投影误差算法分别计算各个相同反射点的第一重投影残差信息;
通过预先设置的鲁棒核函数,分别对每一所述相同反射点的第一重投影残差信息进行优化处理,得到重投影残差处理结果;
基于所述重投影残差处理结果,通过预设优化目标算法计算得到优化相机位姿和优化三维空间位置。
可选地,根据本发明提供的一种相机标定,所述基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿,包括:
确定各个反射点在预设标定杆坐标系下的标定三维坐标,并确定各所述标定三维坐标在世界坐标系对应的世界三维坐标;
基于各所述反射点对应的世界三维坐标和二维像素位置,通过预先设置的鲁棒核函数和重投影误差算法对各所述相机的相机位姿进行全局优化,得到各所述相机的优化位姿;
基于每一所述反射点的世界三维坐标和二维像素位置,对各所述反射点进行筛选,得到目标反射点,并对所述视频帧信息进行筛选得到有效视频帧信息;
基于所述有效视频帧信息中目标反射点对应的世界三维坐标和二维像素位置,对各所述相机的优化位姿进行全局优化,得到各所述相机的目标位姿。
可选地,根据本发明提供的一种相机标定,所述基于各所述反射点对应的世界三维坐标和二维像素位置,通过预先设置的鲁棒核函数和重投影误差算法对各所述相机的相机位姿进行全局优化,得到各所述相机的优化位姿,包括:
基于每一所述反射点的世界三维坐标和二维像素位置,通过所述重投影误差算法计算得到第二重投影残差信息;
通过所述鲁棒核函数,对所述第二重投影残差信息进行优化处理,得到目标残差处理结果;
基于所述目标残差处理结果,计算得到各所述相机的优化位姿。
可选地,根据本发明提供的一种相机标定,所述基于每一所述反射点的世界三维坐标和二维像素位置,对各所述反射点进行筛选,得到目标反射点,包括:
针对每一所述反射点:计算所述反射点的世界三维坐标在各个相机中成像平面的投影位置;
计算所述二维像素位置与所述投影位置之间的距离差值;
将所述距离差值和预设外点阈值进行比较,并基于所述比较结果对所述反射点进行筛选,得到所述目标反射点。
本发明还提供一种相机标定装置,包括:
获取模块,用于获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;
计算模块,用于基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;
优化模块,用于基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述相机标定方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述相机标定方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述相机标定方法。
本发明提供的相机标定方法、装置、设备及存储介质,通过获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机的相机位姿;基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到目标相机位姿。实现了基于各个反射点的二维像素位置,增量式逐步优化估计各个相机之间的相机位姿,从而为后期的全局优化提供了相对准确的初始位姿,进而对各所述相机的相机位姿进行全局优化,能够有效提升全局优化的收敛速度与稳定性,从而提高相机标定的精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的相机标定方法的流程示意图之一;
图2为本发明一个实施例中标定杆的结构示意图;
图3为本发明提供的相机标定方法的相机位姿与标记点空间位置的关系示意图;
图4是本发明提供的相机标定方法的流程示意图之二;
图5是本发明提供的相机标定方法的流程示意图之三;
图6是本发明提供的相机标定装置的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
在本发明一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明一个或多个实施例。在本发明一个或多个实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本发明一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合图1-图7对本发明示例实施方式进行详细说明。
如图1所示的是本发明实施例的一种相机标定方法的流程图。如图1所示,该相机标定方法方法包括:
步骤S10,获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;
在本实施例中,需要说明的是,所述相机为光学动捕系统中的光学相机,通过各个光学相机同步对移动中的标定杆进行拍摄得到多帧连续图像,其中,标定杆上有多个标记点,且标记点涂有高反光材料,能够被光学相机识别,标记点的位置关系是预先设置好的,即可直接得到多个标记点之间的位置关系数据。使用过程中,在动捕拍摄空间内多相机环境下挥动标定杆,通过各个光学相机会识别到标定杆上的标记点或者光学动捕场景中其它反光物体的二维投影信息,其中,标记点以及反光物体被相机拍摄在视频帧呈现的是一个个光斑,所述二维投影信息包括各反射点对应光斑中心在视频帧中的二维像素位置以及光斑的半径。如图2所示,标定杆包括横段和竖段,标定杆上设有3个标记点,3个标记点的位置是固定不变的,标定杆在移动过程中,相机会识别到3个标记点的二维像素位置。
步骤S20,基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;
在本实施例中,需要说明的是,所述增量式估计优化方法为根据各反射点的二维像素位置,先计算具有相同反射点最多对应的相机之间的位姿再逐步计算其余各个相机对应相机位姿的方法。
作为一种可实施方式,具体地,基于各所述相机采集到的视频帧信息,查询各个相机之间的共视点数量,其中,所述共视点数量为各个相机之间观测到相同反射点对应的数量,参照图3,点p即为相机C1和相机C2的共视点,进而选取共视点数量最多的两个相机作为待标定相机组,进而将该两个相机设置为第一相机和第二相机,进一步地,基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算所述第一相机和所述第二相机之间的相对位姿,进而基于所述相对位姿和各所述相同反射点的二维像素位置,三角化各个相同反射点,具体地,基于所述第一相机和所述第二相机的相对位姿,计算各所述相同反射点的深度信息,进而基于深度信息以及所述二维像素位置,确定各个相同反射点的初始三维空间位置。
由于初步估计计算得到的相对位姿和各个相同反射点的初始三维空间位置的误差可能较大,作为另一种可实施方式,可对所述相对位姿和所述初始三维空间位置进行优化,具体地,基于所述相对位姿和所述相同反射点的初始三维空间位置,计算所述相同反射点对应的投影位置,进而基于所述投影位置和所述相同反射点之间的差值,计算所述相同反射点的重投影残差信息,另外地,在本实施例中,为了防止非标定杆的反射点带来的误匹配噪声的干扰,可通过鲁棒核函数对重投影残差信息进行优化处理,以提高计算相机位姿的准确性,进而将所述相对位姿与初始三维空间位置的优化转化为最小二乘问题,从而计算使优化处理后的重投影残差信息取最小值时对应的相对位姿和三维空间位置,并将该相对位姿作为优化后的相机位姿,以及将该三维空间位置作为优化后的三维空间位置,最小二乘问题公式如下:
其中,T21表示所述第一相机与所述第二相机之间的相对位姿,表示第一相机与第二相机观测到所有相同反射点的集合,/>表示优化目标,argmin表示表示使重投影残差信息取最小值时对应的相机位姿和三维空间位置,e表示所述重投影残差信息,H(e(T21,Pk))表示利用鲁棒核函数对重投影残差信息进行优化处理。
进一步地,在计算得到第一相机和第二相机的相机位姿和各个相同反射点的优化三维空间位置后,在光学动捕系统中其余相机中个确定新增相机,从而基于新增相机的视频帧信息,识别与待标定相机组的各个相同反射点相同的反射点,进而基于该反射点对应的优化三维空间位置,计算所述新增相机的相机位姿,由于光学动捕系统在两个相机的基础上加入了新的相机位姿,所以光学动捕系统能够观测到更多的相同反射点,进而需要进一步计算新增的相同反射点的原始三维空间位置,并优化新增相机的相机位姿以及新增的相同反射点的原始三维空间位置,以此类推,直至得到光学动捕系统全部相机对应的相机位姿。
可以理解地,例如:待标定相机组中相机C1和相机C2有6个相同反射点:p1、p2、p3、p3、p4、p5和p6,在计算得到6个相同反射点对应的优化三维空间位置后,此时新增相机得到C3,其中,相机C3的内参是预先知道的,其中,内参包括相机焦距、像素大小等参数,若识别到相机C1和相机C3之间的相同反射点为p3、p4、p5和p6,相机C1和相机C3之间的相同反射点为p3、p4、p5、p6和p7,即可将相机C1和相机C3作为新的待标定相机组,利用p4、p5或者p6对应的优化三维空间位置计算得到相机C3的相对位姿,并且基于p7在相机C1和相机C3中的二维像素位置,以及相机C3的相对位姿,计算得到p7的初始三维空间位置,并对所述相对位姿和所述初始三维空间位置进行重投影误差优化,依次类推,直至计算优化得到全部相机之间的相机位姿。
步骤S30,基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿。
在本实施例中,作为一种可实施方式,具体地,在进行全局优化过程,首先确定标定杆上的标记点在预设标定杆坐标系的三维坐标,例如:如图2所示,标定杆包括横段和竖段,可以设置为:横段上的三个标记点,从左到右的位置关系如下:第一个标记点到第二个标记点的距离是10cm,第二个标记点到第三个标记点的距离是20cm,第一个标记点到第三个标记点的距离是30cm。若建立标定杆坐标系,可以横段中的第一个标记点为原点,以竖段自上至下为X轴正方向,以垂直向上为Y轴正方向,以横段自左向右为Z轴正方向,那么3个标记点(a,b,c)的坐标为:横段的三个标记点从左到右依次为:第一个标记点a(0,0,0),第二个标记点b(0,0,0.1),第三个标记点c(0,0,0.3)。
进一步地,确定各个标记点在世界坐标系上的世界三维坐标,可以理解地,世界坐标系是系统的绝对坐标系,所述预设标定杆坐标系上的坐标可通过旋转以及平移计算得到在世界坐标系的坐标,进而基于所述各个标记点的世界三维坐标以及二维像素位置,计算得到各个标记点的重投影残差信息,并且利用鲁棒核函数对所述重投影残差信息进行优化处理,进而将所述相机位姿与初始三维空间位置的优化转化为最小二乘问题,从而计算使优化处理后的重投影残差信息取最小值时对应的相对位姿和三维空间位置,得到各所述相机的优化位姿。
更进一步地,为了进一步提高相机标定的准确性,在本实施例中,可对反射点和视频帧信息进行筛选,具体地,基于每一所述反射点的世界三维坐标和优化位姿,计算所述反射点在该相机视图下的投影位置,进而计算所述投影位置和所述反射点在该相机对应的二维像素位置之间的距离差值,并将所述距离差值和预设外点阈值进行比较,其中,预设外点阈值可基于实际情况进行设置,优选地,将其设置为光斑半径的三分之一,进而基于比较结果,对各所述反射点进行筛选,得到目标反射点,另外地,对所述视频帧信息进行筛选得到有效视频帧信息,进而基于所述有效视频帧信息中目标反射点对应的世界三维坐标和二维像素位置,再一次对各所述相机的优化位姿进行全局优化,得到各所述相机的目标位姿,其中,由于已经对反射点以及视频帧信息进行筛选,因此在本次全局优化过程中无需利用鲁棒核函数对所述重投影残差信息进行优化处理。
本发明实施例通过上述方案,也即,获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机的相机位姿;基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到目标相机位姿。实现了基于各个反射点的二维像素位置,增量式逐步优化估计各个相机之间的相机位姿,从而为后期的全局优化提供了相对准确的初始位姿,进而对各所述相机的相机位姿进行全局优化,能够有效提升全局优化的收敛速度与稳定性,从而提高相机标定的精度。
参照图4,基于第一实施例,在本发明的另一实施例中,上述步骤S20:基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿,具体包括:
步骤S21,基于各所述相机采集到的视频帧信息,确定待标定相机组,其中,所述待标定相机组包括第一相机和第二相机,所述第一相机和第二相机对应的视频帧信息存在若干个相同反射点;
在本实施例中,作为一种可实施方式,具体地,基于各所述相机对应的视频帧信息,分别计算各个相机之间观测到相同反射点对应的数量,将数量超过预设数量阈值的两个相机作为所述待标定相机组,所述预设数量阈值可基于实际情况进行设置,优选地,所述预设数量阈值可设置为8个,作为另一种可实施方式,将所述将数量最多的两个相机作为所述待标定相机组,并将该两个相机作为第一相机和第二相机。
步骤S22,基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算所述第一相机和所述第二相机之间的相对位姿;
在本实施例中,需要说明的是,所述相对位姿包括第一相机和第二相机之间的旋转参数和平移参数,例如:相机C1与相机C2的相对位姿T21={R21,t21},其中,T21表示从相机C1到相机C2的位姿变换。
作为一种可实施方式,具体地,构建所述第一相机、所述第二相机和所述相同反射点之间的对极约束,进而基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算满足所述对极约束对应的相对位姿,其中,两个相机与其对应的相同反射点满足以下形式的对极约束如下:
其中,p1表示相同反射点在第一相机对应的二维像素位置,p2相同反射点在第二相机对应的二维像素位置,F为基础矩阵,F可以分解为以下形式:
其中,R21表示第一相机和第二相机之间的旋转参数,t21表示第一相机和第二相机之间的平移参数,表示的t21反对称矩阵,K代表第一相机或者第二相机预先知道的相机内参,从而计算得到满足所述对极约束对应的相对位姿。
步骤S23,基于所述相对位姿和各所述相同反射点的二维像素位置,计算各所述相同反射点的初始三维空间位置;
在本实施例中,需要说明的是,所述初始三维空间位置为相机坐标系对应的三维空间坐标,另外地,当预先将一个相机作为世界坐标系上的原点时,所述初始三维空间位置既可表示相机坐标系对应的三维空间坐标,也可表示世界坐标系对应的三维空间坐标。
作为一种可实施方式,具体地,针对每一个相同反射点:基于所述相同反射点的二维像素位置,计算所述相同反射点在第一相机视图中的第一归一化坐标,以及在第二相机视图中的第二归一化坐标,进而基于所述第一归一化坐标和所述第二归一化坐标以及所述相对位姿,计算所述相同反射点在第一相机对应的深度信息和在所述第二相机的深度信息,其中,计算深度信息的公式如下:
s2x2=s1R21x1+t21
其中,R21表示第一相机和第二相机之间的旋转参数,t21表示第一相机和第二相机之间的平移参数,x1表示所述第一归一化坐标,x2表示所述第二归一化坐标,s1表示相同反射点在第一相机对应的深度信息,s2表示相同反射点在第二相机对应的深度信息。
进一步地,基于所述第一相机的深度信息和所述第二相机的深度信息,计算所述相同反射点对应的目标深度信息,其中,所述目标深度信息的计算方式包括算术平均、最小二乘法等方法,进而基于所述相同反射点的三维像素位置和所述目标深度信息,确定所述相同反射点的初始三维空间位置。
步骤S24,对所述相对位姿和所述初始三维空间位置进行重投影误差优化,得到优化相机位姿和各所述相同反射点的优化三维空间位置;
在本实施例中,需要说明的是,为了得到较为准确的相对位姿和初始三维空间位置,需要对所述相对位姿和所述初始三维空间位置进一步进行优化。
作为一种可实施方式,具体地,针对每一所述相同反射点:基于所述相对位姿和所述相同反射点的初始三维空间位置,计算所述相同反射点对应的投影位置,进而基于所述投影位置和所述相同反射点之间的差值,计算所述相同反射点的第一重投影残差信息,其中,第一重投影残差信息计算公式如下:
e(T21,Pk)=pk-K(R21Pk+t21)
其中,T21={R21,t21}
其中,e表示所述第一重投影残差信息,pk表示第k个相同反射点的二维图像位置,Pk表示第k个相同反射点的初始三维空间位置,K表示第一相机或者第二相机的内参,R21表示第一相机和第二相机之间的旋转参数,t21表示第一相机和第二相机之间的平移参数。进而基于所述第一重投影残差信息,通过预设优化目标算法计算得到所述优化相机位姿和所述优化三维空间位置,例如,将相机位姿与初始三维空间位置的优化转化为最小二乘问题,如下:
其中,
其中,表示第一相机与第二相机观测到所有相同反射点的集合,/>表示优化目标,argmin表示表示使第一重投影残差信息取最小值时对应的相机位姿和三维空间位置。
其中,上述步骤S24:对所述相对位姿和所述初始三维空间位置进行重投影误差优化,得到优化相机位姿和各所述相同反射点的优化三维空间位置,包括:
基于所述相对位姿、各所述相同反射点的初始三维空间位置和二维像素位置,通过预先设置的重投影误差算法分别计算各个相同反射点的第一重投影残差信息;
通过预先设置的鲁棒核函数,分别对每一所述相同反射点的第一重投影残差信息进行优化处理,得到重投影残差处理结果;
基于所述重投影残差处理结果,通过预设优化目标算法计算得到优化相机位姿和优化三维空间位置。
在本实施例中,作为另一种可实施方式,为了防止非标定杆的反射点带来的误匹配噪声的干扰,在本实施例中,计算得到第一重投影残差信息之后,其中第一重投影残差信息计算过程与步骤S24的计算过程相同,在此不再赘述,进而使用鲁棒核函数对所述第一重投影残差信息进行优化处理,得到重投影残差处理结果,其中,鲁棒核函数优化处理公式如下:
其中,δ为预先根据实际情况定义的阈值,优选地,δ可为当前视频帧信息中观测到的各个光斑对应的平均半径大小,H(e)表示重投影残差处理结果。更进一步地,基于所述重投影残差处理结果,计算得到所述优化相机位姿和所述优化三维空间位置,从而计算得到更为精确的优化相机位姿,其中,计算公式如下:
其中,其中,所述/>表示第一相机与第二相机观测到所有相同反射点的集合,argmin表示使重投影残差处理结果取最小值时对应的相机位姿和三维空间位置。
步骤S25,基于各所述相同反射点的优化三维空间位置,逐步增量计算其余相机的相对位姿,并返回执行步骤:基于所述相对位姿和各所述相同反射点的二维像素位置,计算各所述相同反射点的初始三维空间位置,直至计算优化得到全部相机之间的相机位姿。
在本实施例中,作为一种可实施方式,具体地,确定新增相机对应的各反射点的二维像素位置,基于所述第一相机和第二相机的各个相同反射点,在所述新增相机的各反射点中确定与所述相同反射点相同的目标反射点,进而基于所述新增相机的内参、所述目标反射点在新增相机图像中的二维像素位置以及优化三维空间位置,计算所述新增相机的相对位姿,计算公式如下:
p=Ki(RiP+ti)
其中,p表示目标反射点的二维像素位置,P表示目标反射点的优化三维空间位置,Ki表示所述新增相机的内参,Ri表示新增相机的相对位姿中的旋转参数,ti表示新增相机的相对位姿中的平移参数。
进一步地,识别所述新增相机分别与第一相机和第二相机之间的相同反射点,当新增相机与第一相机和第二相机均有相同反射点,可将新增相机和与相同反射点最多的相机作为新的待标定相机组,或者,可分别将新增相机与第一相机作为新的待标定相机组和将新增相机与第二相机作为新的待标定相机组,需要说明的是,由于加入了新的相机位姿,光学动捕系统能够观测到更多的相同反射点,从而返回执行步骤S24:基于所述相对位姿和各所述相同反射点的二维像素位置,计算各所述相同反射点的初始三维空间位置,以计算新增的相同反射点对应的初始三维空间位置,从而对新的相对位姿和新的初始三维空间位置进行重投影误差优化,以此类推,直至计算优化得到全部相机之间的相机位姿。
本发明实施例通过上述方案,实现了通过逐步计算各个相机的位姿以及标记点在三维空间中的位置,并优化相机的位姿,从而为后期的全局优化提供了相对准确的相机位姿,有效提升全局优化的收敛速度与稳定性,进而提高相机标定的准确性。
参照图5,基于第一实施例,在本发明的另一实施例中,上述步骤S30:基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿,具体包括:
步骤S31,确定各个反射点在预设标定杆坐标系下的标定三维坐标,并确定各所述标定三维坐标在世界坐标系对应的世界三维坐标;
在本实施例中,需要说明的是,所述预设标定杆坐标系为人为根据实际情况构建的标定杆坐标系,标定三维坐标为在标定杆上标记点对应的三维坐标,预设标定杆坐标系与世界坐标系存在相应的旋转平移关系,在确定各个反射点在预设标定杆坐标系下的标定三维坐标,即可基于所述旋转平移关系以及标定三维坐标,确定各所述反射点在世界坐标系对应的世界三维坐标,例如:设Rr为标记点在预设标定杆坐标系下的标定三维坐标,Pw为其对应的世界坐标系下的世界三维坐标,转换关系如下:
Pw=RwrPr+twr
其中,Rwr表示从预设标定杆坐标系到世界坐标系的旋转参数,twr表示从预设标定杆坐标系到世界坐标系的位移参数。
步骤S32,基于各所述反射点对应的世界三维坐标和二维像素位置,通过预先设置的鲁棒核函数和重投影误差算法对各所述相机的相机位姿进行全局优化,得到各所述相机的优化位姿;
在本实施例中,需要说明的是,所述优化位姿为从世界坐标系到相机坐标系的旋转参数与位移参数。
其中,上述步骤S32,具体包括:
基于每一所述反射点的世界三维坐标和二维像素位置,通过所述重投影误差算法计算得到第二重投影残差信息;
通过所述鲁棒核函数,对所述第二重投影残差信息进行优化处理,得到目标残差处理结果;
基于所述目标残差处理结果,计算得到各所述相机的优化位姿。
作为一种可实施方式,具体地,基于每一所述反射点的世界三维坐标和二维像素位置,通过所述重投影误差算法计算得到第二重投影残差信息,其中,重投影误差算法计算公式如下:
其中,e表示第二重投影残差信息,表示第i个反射点的世界三维坐标,pi表示第i个反射点的二维像素位置,M为标定杆上标记点的总数量,Rcw表示从世界坐标系到相机坐标系的旋转参数,tcw表示从世界坐标系到相机坐标系的位移参数。
进一步地,通过所述鲁棒核函数,对所述第二重投影残差信息进行优化处理,得到目标残差处理结果,其中,通过鲁棒核函数对重投影残差信息处理过程与步骤S24的鲁棒核函数处理过程基本相同,在此不再赘述。基于所述目标残差处理结果,计算得到各所述相机的优化位姿,其中,优化位姿计算过程与步骤S24的通过预设优化目标算法计算优化相机位姿的过程基本相同,在此不再赘述。
步骤S33,基于每一所述反射点的世界三维坐标和二维像素位置,对各所述反射点进行筛选,得到目标反射点,并对所述视频帧信息进行筛选得到有效视频帧信息;
在本实施例中,需要说明的是,相机采集到的视频帧信息可能会包含光学动捕场景下其他反光物体的信息。在本实施例中,为了提高相机标定的精度,需要对反射点进行筛选。
其中,上述步骤S33:基于每一所述反射点的世界三维坐标和二维像素位置,对各所述反射点进行筛选,得到目标反射点,包括:
步骤a1,针对每一所述反射点:计算所述反射点的世界三维坐标在各个相机中成像平面的投影位置;
步骤a2,计算所述二维像素位置与所述投影位置之间的距离差值;
步骤a3,将所述距离差值和预设外点阈值进行比较,并基于所述比较结果对所述反射点进行筛选,得到所述目标反射点。
在本实施例中,作为一种可实施方式,具体地,针对每一个相机对应的反射点均执行一下步骤:
根据所述相机的内参、优化位姿以及所述反射点的世界三维坐标,计算所述反射点在该相机视图下的投影位置,进而计算所述投影位置和所述反射点在该相机对应的二维像素位置之间的距离差值,进而将所述距离差值和预设外点阈值进行比较,若所述距离差值大于所述预设外点阈值,则证明该反射点不属于标定杆上的标记点,进而剔除高反射点,若所述距离差值不大于所述预设外点阈值,则证明该反射点属于标定杆上的标记点,从而得到筛选后的目标反射点,其中,反射点筛选公式如下:
其中,P表示世界三维坐标,p表示二维像素位置,R表示从世界坐标系到相机坐标系的旋转参数,t表示从世界坐标系到相机坐标系的位移参数,σ为所述预设外点阈值。
进一步地,还需对视频帧信息进行筛选,具体地,在计算相机位姿过程中,是根据相机之间采集到的相同反射点进行计算的,因此,针对某一时刻采集到的视频帧信息,若至少存在有2个相机同时采集到同一个标记点,则证明该视频帧信息有效,否则需要剔除该视频帧信息,另外地,针对如图2所示的标定杆,当视频帧信息反射点的观测数量大于3时,则证明该视频帧信息有效,否则需要剔除该视频帧信息,从而得到筛选后的有效视频帧信息,在优化中嵌入反射点与有效帧的筛选,有效减少了噪声的干扰,从而提高相机标定的精确度。
步骤S34,基于所述有效视频帧信息中目标反射点对应的世界三维坐标和二维像素位置,对各所述相机的优化位姿进行全局优化,得到各所述相机的目标位姿。
在本实施例中,作为一种可实施方式,具体地,基于所述有效视频帧信息中目标反射点对应的世界三维坐标和二维像素位置,通过鲁棒核函数和重投影误差算法对各所述相机的优化位姿进行全局优化,得到各所述相机的目标位姿,其中,全局优化过程与步骤S32的优化过程基本相同,在此不再赘述。另外地,由于已对反射点和视频帧信息进行筛选,为了提高计算的速度,作为另一种可实施方式,在全局优化过程中,无需使用鲁棒核函数对各个相机的优化位姿进行全局优化。
本发明实施例通过上述方案,实现了通过对各所述相机的相机位姿进行一次全局优化,并且在优化过程中进行筛选反射点以及有效视频帧信息,有效减少了噪声的干扰,在筛选过后,再一次对各所述相机的优化位姿进行一次全局优化,提升相机标定的准确性。
下面对本发明提供的相机标定装置进行描述,下文描述的相机标定装置与上文描述的相机标定方法可相互对应参照。
如图6所示,本发明实施例的一种相机标定装置,该装置包括:
获取模块10,用于获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;
计算模块20,用于基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;
优化模块30,用于基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿。
可选地,所述计算模块20还用于:
基于各所述相机采集到的视频帧信息,确定待标定相机组,其中,所述待标定相机组包括第一相机和第二相机,所述第一相机和第二相机对应的视频帧信息存在若干个相同反射点;
基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算所述第一相机和所述第二相机之间的相对位姿;
基于所述相对位姿和各所述相同反射点的二维像素位置,计算各所述相同反射点的初始三维空间位置;
对所述相对位姿和所述初始三维空间位置进行重投影误差优化,得到优化相机位姿和各所述相同反射点的优化三维空间位置;
基于各所述相同反射点的优化三维空间位置,逐步增量计算其余相机的相对位姿,并返回执行步骤:基于所述相对位姿和各所述相同反射点的二维像素位置,计算各所述相同反射点的初始三维空间位置,直至计算优化得到全部相机之间的相机位姿。
可选地,所述计算模块20还用于:
构建所述第一相机、所述第二相机和所述相同反射点之间的对极约束;
基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算满足所述对极约束对应的相对位姿。
可选地,所述计算模块20还用于:
基于所述相对位姿、各所述相同反射点的初始三维空间位置和二维像素位置,通过预先设置的重投影误差算法分别计算各个相同反射点的第一重投影残差信息;
通过预先设置的鲁棒核函数,分别对每一所述相同反射点的第一重投影残差信息进行优化处理,得到重投影残差处理结果;
基于所述重投影残差处理结果,通过预设优化目标算法计算得到优化相机位姿和优化三维空间位置。
可选地,所述优化模块30还用于:
确定各个反射点在预设标定杆坐标系下的标定三维坐标,并确定各所述标定三维坐标在世界坐标系对应的世界三维坐标;
基于各所述反射点对应的世界三维坐标和二维像素位置,通过预先设置的鲁棒核函数和重投影误差算法对各所述相机的相机位姿进行全局优化,得到各所述相机的优化位姿;
基于每一所述反射点的世界三维坐标和二维像素位置,对各所述反射点进行筛选,得到目标反射点,并对所述视频帧信息进行筛选得到有效视频帧信息;
基于所述有效视频帧信息中目标反射点对应的世界三维坐标和二维像素位置,对各所述相机的优化位姿进行全局优化,得到各所述相机的目标位姿。
可选地,所述优化模块30还用于:
基于每一所述反射点的世界三维坐标和二维像素位置,通过所述重投影误差算法计算得到第二重投影残差信息;
通过所述鲁棒核函数,对所述第二重投影残差信息进行优化处理,得到目标残差处理结果;
基于所述目标残差处理结果,计算得到各所述相机的优化位姿。
可选地,所述优化模块30还用于:
针对每一所述反射点:计算所述反射点的世界三维坐标在各个相机中成像平面的投影位置;
计算所述二维像素位置与所述投影位置之间的距离差值;
将所述距离差值和预设外点阈值进行比较,并基于所述比较结果对所述反射点进行筛选,得到所述目标反射点。
在此需要说明的是,本申请实施例提供的上述装置,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同技术效果,在此不再对本实施例中与方法实施例相同部分及有益效果进行具体赘述。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行相机标定方法,该方法包括:获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿。
此外,上述的存储器830中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的相机标定方法,该方法包括:获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的相机标定方法,该方法包括:获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置;基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (7)
1.一种相机标定方法,其特征在于,包括:
获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置和光斑的光斑半径;
基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;
基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿;
所述基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿,包括:
确定各个反射点在预设标定杆坐标系下的标定三维坐标,并确定各所述标定三维坐标在世界坐标系对应的世界三维坐标;
基于各所述反射点对应的世界三维坐标和二维像素位置,通过预先设置的鲁棒核函数和重投影误差算法对各所述相机的相机位姿进行全局优化,得到各所述相机的优化位姿;
基于每一所述反射点的世界三维坐标和二维像素位置,对各所述反射点进行筛选,得到目标反射点,并对所述视频帧信息进行筛选得到有效视频帧信息;
基于所述有效视频帧信息中目标反射点对应的世界三维坐标和二维像素位置,对各所述相机的优化位姿进行全局优化,得到各所述相机的目标位姿;
所述基于每一所述反射点的世界三维坐标和二维像素位置,对各所述反射点进行筛选,得到目标反射点,包括:
针对每一所述反射点:计算所述反射点的世界三维坐标在各个相机中成像平面的投影位置;
计算所述二维像素位置与所述投影位置之间的距离差值;
将所述距离差值和预设外点阈值进行比较,并基于比较结果对所述反射点进行筛选,得到所述目标反射点,所述预设外点阈值为所述光斑半径的三分之一;
所述基于各所述反射点对应的世界三维坐标和二维像素位置,通过预先设置的鲁棒核函数和重投影误差算法对各所述相机的相机位姿进行全局优化,得到各所述相机的优化位姿,包括:
基于每一所述反射点的世界三维坐标和二维像素位置,通过所述重投影误差算法计算得到第二重投影残差信息;
通过所述鲁棒核函数,对所述第二重投影残差信息进行优化处理,得到目标残差处理结果;
基于所述目标残差处理结果,计算得到各所述相机的优化位姿;
所述鲁棒核函数关于所述目标残差处理结果的优化处理公式如下:
;
其中,H(e)表示所述目标重投影残差处理结果,表示所述第二重投影残差信息,/>为所述视频帧信息中观测到的各个光斑对应的平均半径大小。
2.根据权利要求1所述的相机标定方法,其特征在于,所述基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿,包括:
基于各所述相机采集到的视频帧信息,确定待标定相机组,其中,所述待标定相机组包括第一相机和第二相机,所述第一相机和第二相机对应的视频帧信息存在若干个相同反射点;
基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算所述第一相机和所述第二相机之间的相对位姿;
基于所述相对位姿和各所述相同反射点的二维像素位置,计算各所述相同反射点的初始三维空间位置;
对所述相对位姿和所述初始三维空间位置进行重投影误差优化,得到优化相机位姿和各所述相同反射点的优化三维空间位置;
基于各所述相同反射点的优化三维空间位置,逐步增量计算其余相机的相对位姿,并返回执行步骤:基于所述相对位姿和各所述相同反射点的二维像素位置,计算各所述相同反射点的初始三维空间位置,直至计算优化得到全部相机之间的相机位姿。
3.根据权利要求2所述的相机标定方法,其特征在于,所述基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算所述第一相机和所述第二相机之间的相对位姿,包括:
构建所述第一相机、所述第二相机和所述相同反射点之间的对极约束;
基于所述第一相机和所述第二相机分别对应的相同反射点的二维像素位置,计算满足所述对极约束对应的相对位姿。
4.根据权利要求2所述的相机标定方法,其特征在于,所述对所述相对位姿和所述初始三维空间位置进行重投影误差优化,得到优化相机位姿和各所述相同反射点的优化三维空间位置,包括:
基于所述相对位姿、各所述相同反射点的初始三维空间位置和二维像素位置,通过预先设置的重投影误差算法分别计算各个相同反射点的第一重投影残差信息;
通过预先设置的鲁棒核函数,分别对每一所述相同反射点的第一重投影残差信息进行优化处理,得到重投影残差处理结果;
基于所述重投影残差处理结果,通过预设优化目标算法计算得到优化相机位姿和优化三维空间位置。
5.一种相机标定装置,其特征在于,包括:
获取模块,用于获取光学动捕系统中各个相机采集到的视频帧信息,其中,所述视频帧信息包括各反射点的二维像素位置和光斑的光斑半径;
计算模块,用于基于各所述反射点的二维像素位置,通过增量式估计优化方法逐步计算各所述相机之间的相机位姿;
优化模块,用于基于各所述反射点的二维像素位置,对各所述相机的相机位姿进行多轮全局优化,得到各个相机的目标相机位姿;
所述优化模块还用于:
确定各个反射点在预设标定杆坐标系下的标定三维坐标,并确定各所述标定三维坐标在世界坐标系对应的世界三维坐标;
基于各所述反射点对应的世界三维坐标和二维像素位置,通过预先设置的鲁棒核函数和重投影误差算法对各所述相机的相机位姿进行全局优化,得到各所述相机的优化位姿;
基于每一所述反射点的世界三维坐标和二维像素位置,对各所述反射点进行筛选,得到目标反射点,并对所述视频帧信息进行筛选得到有效视频帧信息;
基于所述有效视频帧信息中目标反射点对应的世界三维坐标和二维像素位置,对各所述相机的优化位姿进行全局优化,得到各所述相机的目标位姿;
所述优化模块还用于:
针对每一所述反射点:计算所述反射点的世界三维坐标在各个相机中成像平面的投影位置;
计算所述二维像素位置与所述投影位置之间的距离差值;
将所述距离差值和预设外点阈值进行比较,并基于比较结果对所述反射点进行筛选,得到所述目标反射点,所述预设外点阈值为所述光斑半径的三分之一;
所述基于各所述反射点对应的世界三维坐标和二维像素位置,通过预先设置的鲁棒核函数和重投影误差算法对各所述相机的相机位姿进行全局优化,得到各所述相机的优化位姿,包括:
基于每一所述反射点的世界三维坐标和二维像素位置,通过所述重投影误差算法计算得到第二重投影残差信息;
通过所述鲁棒核函数,对所述第二重投影残差信息进行优化处理,得到目标残差处理结果;
基于所述目标残差处理结果,计算得到各所述相机的优化位姿;
所述鲁棒核函数关于所述目标残差处理结果的优化处理公式如下:
;
其中,H(e)表示所述目标重投影残差处理结果,表示所述第二重投影残差信息,/>为所述视频帧信息中观测到的各个光斑对应的平均半径大小。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至4任一项所述相机标定方法。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,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4任一项所述相机标定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210957788.XA CN115375772B (zh) | 2022-08-10 | 2022-08-10 | 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 |
---|---|---|---|
CN202210957788.XA CN115375772B (zh) | 2022-08-10 | 2022-08-10 | 相机标定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115375772A CN115375772A (zh) | 2022-11-22 |
CN115375772B true CN115375772B (zh) | 2024-01-19 |
Family
ID=84065362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210957788.XA Active CN115375772B (zh) | 2022-08-10 | 2022-08-10 | 相机标定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375772B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211223A (zh) * | 2019-05-28 | 2019-09-06 | 哈工大新材料智能装备技术研究院(招远)有限公司 | 一种增量式多视图三维重建方法 |
CN111127559A (zh) * | 2019-12-26 | 2020-05-08 | 深圳市瑞立视多媒体科技有限公司 | 光学动捕系统中标定杆检测方法、装置、设备和存储介质 |
CN111815765A (zh) * | 2020-07-21 | 2020-10-23 | 西北工业大学 | 一种基于异构数据融合的图像三维重建方法 |
CN112967330A (zh) * | 2021-03-23 | 2021-06-15 | 之江实验室 | 一种结合SfM和双目匹配的内窥图像三维重建方法 |
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 |
CN113538592A (zh) * | 2021-06-18 | 2021-10-22 | 深圳奥锐达科技有限公司 | 一种距离测量装置与相机融合系统的标定方法及装置 |
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 |
WO2022007886A1 (zh) * | 2020-07-08 | 2022-01-13 | 深圳市瑞立视多媒体科技有限公司 | 一种相机自动标定优化方法及相关系统、设备 |
WO2022037285A1 (zh) * | 2020-08-20 | 2022-02-24 | 北京达佳互联信息技术有限公司 | 相机外参标定方法及装置 |
CN114283203A (zh) * | 2021-12-08 | 2022-04-05 | 凌云光技术股份有限公司 | 一种多相机系统的标定方法及系统 |
CN114445506A (zh) * | 2021-12-31 | 2022-05-06 | 深圳市瑞立视多媒体科技有限公司 | 相机标定处理方法、装置、设备及存储介质 |
CN114842080A (zh) * | 2022-05-10 | 2022-08-02 | 苏州易航远智智能科技有限公司 | 位姿优化方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200294269A1 (en) * | 2020-05-28 | 2020-09-17 | Intel Corporation | Calibrating cameras and computing point projections using non-central camera model involving axial viewpoint shift |
-
2022
- 2022-08-10 CN CN202210957788.XA patent/CN115375772B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211223A (zh) * | 2019-05-28 | 2019-09-06 | 哈工大新材料智能装备技术研究院(招远)有限公司 | 一种增量式多视图三维重建方法 |
CN111127559A (zh) * | 2019-12-26 | 2020-05-08 | 深圳市瑞立视多媒体科技有限公司 | 光学动捕系统中标定杆检测方法、装置、设备和存储介质 |
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 |
CN113744347A (zh) * | 2020-04-02 | 2021-12-03 | 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 |
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 |
WO2022007886A1 (zh) * | 2020-07-08 | 2022-01-13 | 深圳市瑞立视多媒体科技有限公司 | 一种相机自动标定优化方法及相关系统、设备 |
CN111815765A (zh) * | 2020-07-21 | 2020-10-23 | 西北工业大学 | 一种基于异构数据融合的图像三维重建方法 |
WO2022037285A1 (zh) * | 2020-08-20 | 2022-02-24 | 北京达佳互联信息技术有限公司 | 相机外参标定方法及装置 |
CN112967330A (zh) * | 2021-03-23 | 2021-06-15 | 之江实验室 | 一种结合SfM和双目匹配的内窥图像三维重建方法 |
CN113538592A (zh) * | 2021-06-18 | 2021-10-22 | 深圳奥锐达科技有限公司 | 一种距离测量装置与相机融合系统的标定方法及装置 |
CN114283203A (zh) * | 2021-12-08 | 2022-04-05 | 凌云光技术股份有限公司 | 一种多相机系统的标定方法及系统 |
CN114445506A (zh) * | 2021-12-31 | 2022-05-06 | 深圳市瑞立视多媒体科技有限公司 | 相机标定处理方法、装置、设备及存储介质 |
CN114842080A (zh) * | 2022-05-10 | 2022-08-02 | 苏州易航远智智能科技有限公司 | 位姿优化方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Motion Inspires Notion: Self-supervised Visual-LiDAR Fusion for Environment Depth Estimation;Danyang Li 等;《ACM》;全文 * |
SfM with MRFs: Discrete-Continuous Optimization for Large-Scale Structure from Motion;David J. Crandall 等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;第35卷(第12期);全文 * |
基于综合特征SLAM的无人机多传感器融合导航算法研究;何凯文;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第2020年卷(第1期);全文 * |
面向动态场景复合深度学习与并行计算的 DG-SLAM算法;兰凤崇;《吉林大学学报(工学版)》;第51卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115375772A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569704A (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN110807809B (zh) | 基于点线特征和深度滤波器的轻量级单目视觉定位方法 | |
CN110493488B (zh) | 视频稳像方法、视频稳像装置和计算机可读存储介质 | |
WO2021063128A1 (zh) | 单相机环境中主动式刚体的位姿定位方法及相关设备 | |
CN105069804B (zh) | 基于智能手机的三维模型扫描重建方法 | |
CN111144213B (zh) | 一种对象检测方法和相关设备 | |
JP2014192613A (ja) | 画像処理装置及び方法、及び撮像装置 | |
CN111897349A (zh) | 一种基于双目视觉的水下机器人自主避障方法 | |
CN110119679B (zh) | 物体三维信息估计方法及装置、计算机设备、存储介质 | |
CN111507132B (zh) | 一种定位方法、装置及设备 | |
CN112348775B (zh) | 基于车载环视的路面坑塘检测系统及方法 | |
CN110349257B (zh) | 一种基于相位伪映射的双目测量缺失点云插补方法 | |
CN111699410A (zh) | 点云的处理方法、设备和计算机可读存储介质 | |
CN110619660A (zh) | 一种物体定位方法、装置、计算机可读存储介质及机器人 | |
CN113793266A (zh) | 一种多目机器视觉图像拼接方法、系统及存储介质 | |
JP2019091122A (ja) | デプスマップフィルタ処理装置、デプスマップフィルタ処理方法及びプログラム | |
CN112017259B (zh) | 一种基于深度相机与热像仪的室内定位与建图方法 | |
JP2006195790A (ja) | レンズ歪推定装置、レンズ歪推定方法、及びレンズ歪推定プログラム | |
KR101766823B1 (ko) | 불규칙한 조도 변화에 강건한 영상 기반 주행거리 측정 시스템 및 방법 | |
CN115375772B (zh) | 相机标定方法、装置、设备及存储介质 | |
CN117058183A (zh) | 一种基于双摄像头的图像处理方法、装置、电子设备及存储介质 | |
CN110335308B (zh) | 基于视差约束与双向环形检验的双目视觉里程计计算方法 | |
CN109712230B (zh) | 三维模型补充方法、装置、存储介质及处理器 | |
CN111899277A (zh) | 运动目标检测方法及装置、存储介质、电子装置 | |
CN107622514B (zh) | 摄像机凸镜模型自主标定方法 |
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 |