CN115482298A - 相机内参自动校准方法 - Google Patents

Abstract

本发明提供了一种相机内参自动校准方法，包括：S1、获取相机拍摄一般场景的原始图像集；S2、通过边缘检测算法提取所述原始图像集中每张原始图像的第一边缘信息，所述第一边缘信息包括第一边缘点的图像坐标和梯度方向；S3、基于4D霍夫空间对所述第一边缘信息进行直线检测，并获取镜头畸变参数的初始估计值；S4、统计所述原始图像集中有效直线的总数量；S5、判断所述有效直线的总数量是否大于给定的第一阈值，若大于，则进入S6，反之，回到S1；S6、利用所述有效直线基于4D霍夫空间对相机内参进行迭代优化；S7、更新所述相机内参并进行图像校正。本发明利用一般场景拍摄的图像对相机的主点以及镜头畸变参数进行标定，可简化相机内参的标定过程。

Description

相机内参自动校准方法

技术领域

本发明涉及相机标定技术领域，尤其涉及一种相机内参自动校准方法。

背景技术

在机器视觉等领域，相机的标定是众多视觉应用中重要的一个环节。“A FlexibleNew Technique for Camera Calibration”文章给出了经典的相机标定方法，该标定方法可以通过拍摄多张规则的棋盘格等图形的标定图案对相机的内参进行估计，但很多复杂现场环境不具备采用棋盘格进行标定的条件，并且由于相机使用过程中受到外力挤压撞击，甚至是环境的温度湿度影响，均有可能对相机的内参造成影响，因此，需要一种较为便捷的方法方便定期对相机内参进行更新。

发明内容

本发明的目的在于提供一种相机内参自动校准方法，不依靠棋盘格等标定工具，能够简化相机内参的标定过程，适用于长焦镜头、变焦镜头及各种复杂恶劣环境中使用。

为了达到上述目的，本发明提供了一种相机内参自动校准方法，包括：

S1、获取相机拍摄一般场景的原始图像集，所述原始图像集包括N张原始图像，其中N≥1；

S2、通过边缘检测算法提取所述原始图像集中每张原始图像的第一边缘信息，所述第一边缘信息包括第一边缘点的图像坐标和梯度方向，所述第一边缘点为所述原始图像的边缘点；

S3、基于4D霍夫空间对所述第一边缘信息进行直线检测，并获取镜头畸变参数的初始估计值；

S4、统计所述原始图像集中有效直线的总数量；

S5、判断所述有效直线的总数量是否大于给定的第一阈值，若大于，则进入S6，反之，回到S1；

S6、利用所述有效直线基于4D霍夫空间对相机内参进行迭代优化；

S7、更新所述相机内参并进行图像校正。

可选的，通过边缘检测算法提取所述原始图像集中每张原始图像的第一边缘信息时，对所述原始图像的边缘点进行筛选，确定所述第一边缘点，具体包括：

对所述原始图像的每个边缘点p，计算所述边缘点p与邻域内所有其他边缘点的梯度方向差值的余弦和，表示为EOC_p；

当EOC_p小于第二阈值时，剔除所述边缘点p。

可选的，以所述边缘点p为圆心，在设定半径的邻域内只保留EOC_p最大的边缘点，作为所述第一边缘点。

可选的，所述4D霍夫空间是在传统2D霍夫空间的基础上增加图像维度和畸变维度，所述图像维度的长度最小为1，每张所述原始图像对应一个3D霍夫空间，所述S3具体包括：

S31、对每张所述原始图像分别初始化距离维度、角度维度及畸变维度在对应的3D霍夫空间的采样值，每个畸变维度对应一个2D霍夫空间；

S32、在所述4D霍夫空间中，从图像维度和畸变维度进行操作，基于第i个畸变维度的采样值，通过畸变模型对第j个原始图像的第一边缘信息进行变换，生成第j个原始图像的第二边缘信息，所述第二边缘信息包括第二边缘点的图像坐标和梯度方向，所述第二边缘点为所述第一边缘点通过畸变模型变换生成的边缘点；

S33、在第j个原始图像对应的第i个2D霍夫空间上，利用所述第二边缘信息对一组直线进行投票并将所述第一边缘点和所述第二边缘点与所投票直线关联，计算第j个原始图像对应的第i个2D霍夫空间的得分；

S34、计算所述4D霍夫空间中第i个2D霍夫空间对应的所有原始图像的总得分，选择得分最高的2D霍夫空间i_max对应的畸变维度的采样值作为所述镜头畸变参数的初始估计值。

可选的，所述S31具体包括：

按照传统2D霍夫空间初始化的方式生成所述距离维度的距离采样值及所述角度维度的角度采样值；

所述畸变维度使用第一径向畸变系数k₁表示，根据给定的第一径向畸变系数的范围[k_min,k_max]和步长δ_k，第i个畸变维度的采样值表示为：

其中i＝0,1,2...(k_max-k_min)/δ_k。

可选的，所述畸变维度使用第一归一化畸变参数p₁表示；

所述第一归一化畸变系数p₁在多项式畸变模型下表示为：

所述第一归一化畸变系数p₁在除法畸变模型下表示为：

其中，r_max表示原始图像坐标到畸变中心的最远距离；

根据给定的第一归一化畸变系数范围[p_min,p_max]和步长δ_p，所述4D霍夫空间下第i个畸变维度的采样值表示为：

其中i＝0,1,2...(p_max-p_min)/δ_p。

可选的，所述S4具体包括：

给定所述有效直线关联的第二边缘点的最小数量阈值T_p，当某一直线关联的第二边缘点数量不少于T_p时，判定该直线为有效直线；

在所述4D霍夫空间中，对第j个图像对应的第i_max个2D霍夫空间，统计并记录所述有效直线的数量

统计所述原始图像集中有效直线的总数量

可选的，在所述S5中，保留所述原始图像集中存在有效直线的原始图像。

可选的，所述S6具体包括：

S61、在所述4D霍夫空间中，对所述原始图像集的每张原始图像对应的第i_max个2D霍夫空间，统计所有所述原始图像的所有所述有效直线关联的第二边缘点数量的总和并作为初始有效的第二边缘点数量Np_last；

S62、所述相机内参包括畸变中心(u_c,v_c)以及镜头畸变参数(k₁,k₂,k₃)，记为Dp(u_c,v_c,k₁,k₂,k₃)，设定所述相机内参的初始值为

w和h分别为所述原始图像的像素宽度和高度；

S63、优化的目标函数为所述4D霍夫空间中所有原始图像的第二边缘点到其关联有效直线的加权距离平方和，目标函数定义为：

其中，

表示第j个原始图像中所述有效直线m关联的第一边缘点k在相机内参Dp下对应的第二边缘点，

表示第j个原始图像中所述第二边缘点到其关联有效直线m的距离，β_jm表示第j个原始图像中有效直线m的权值，可根据有效直线m关联的边缘点数量来决定，α_j表示第j个图像的权值，可根据第j个图像的有效直线数量来决定；

S64、在每次优化过程中，有效直线m保持不变，所述第一边缘点k保持不变，所述第二边缘点根据所述相机内参Dp发生改变，通过改变所述相机内参Dp使目标函数达到最小，输出此次优化的最优相机内参Dp_opt；

S65、根据此次优化的最优相机内参对每个原始图像的第一边缘信息进行变换，重新生成第二边缘信息，并根据所述第二边缘信息重新进行直线检测，统计原始图像集中有效直线总数量Nl_opt以及所有所述有效直线关联的第二边缘点数量的总和Np_out；

S66、当所述有效直线总数量满足Nl_opt大于所述第一阈值且Np_opt＞Np_last，则此次优化有效，下次迭代将继续根据重新生成的有效直线和关联的第二边缘点以Dp_opt作为初始值进行优化，初始有效的第二边缘点数量Np_last更新为Np_opt；反之，此次优化无效，迭代结束，所述相机内参选择所述最优相机内参Dp_opt。

可选的，所述S7具体包括：

S71、使用所述最优相机内参Dp_opt作为相机内参；

S72、遍历校正后图像的每个坐标(x′,y′)，根据畸变模型得到所述坐标(x′,y′)在原始图像中的坐标(x,y)；

S73、采用插值的方式得到校正后图像坐标(x′,y′)处的像素值。

在本发明提供的相机内参自动校准方法中，利用一般场景拍摄的原始图像集对相机的主点以及镜头畸变参数进行标定，不依靠棋盘格等标定工具，可简化相机内参的标定过程，相比单张图像拥有更高的稳定性和精度。

附图说明

本领域的普通技术人员应当理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：

图1为本实施例提供的相机内参自动校准方法的流程图。

具体实施方式

相机内参主要包括焦距，主点(u_c,v_c)以及镜头畸变参数。镜头的径向畸变模型如下所示：

其中，(u,v)是原始图像坐标，

为变换后的图像坐标，r＝‖(u,v)-(u_c,v_c)‖₂表示图像坐标到畸变中心的距离，D(r)表示镜头的径向畸变模型。镜头的畸变模型包括但不限于多项式模型和除法模型，多项式模型如下：

D(r)＝1+k₁r²+k₂r⁴+k₃r⁶ (2)

除法模型法如下：

镜头畸变参数包括径向畸变系数k₁，k₂，k₃，其中k₂和k₃可选。

通常相机内参需要通过棋盘格等标准图案进行标定，不方便长焦镜头、变焦镜头或者复杂恶劣环境中使用。基于此，本发明的目的在于提供一种相机内参自动校准方法，利用一般场景拍摄的原始图像集对相机的主点以及镜头畸变参数进行标定，不依靠棋盘格等标定工具，可简化相机内参的标定过程，相比单张图像拥有更高的稳定性和精度。

为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

请参照图1，图1为本实施例提供的相机内参自动校准方法的流程图。本实施例提供了一种相机内参自动校准方法，包括以下步骤：

S1、获取相机拍摄一般场景的原始图像集，所述原始图像集包括N张原始图像，其中N≥1；

S2、通过边缘检测算法提取所述原始图像集中每张原始图像的第一边缘信息，所述第一边缘信息包括第一边缘点的图像坐标和梯度方向，所述第一边缘点为所述原始图像的边缘点；

S3、基于4D霍夫空间对所述第一边缘信息进行直线检测，并获取镜头畸变参数的初始估计值；

S4、统计所述原始图像集中有效直线的总数量；

S5、判断所述有效直线的总数量是否大于给定的第一阈值，若大于，则进入S6，反之，回到S1；

S6、利用所述有效直线基于4D霍夫空间对相机内参进行迭代优化；

S7、更新所述相机内参并进行图像校正。

首先，执行步骤S1，获取相机拍摄一般场景的原始图像集，所述原始图像集包括N张原始图像，其中N≥1。

然后执行步骤S2，通过边缘检测算法提取所述原始图像集中每张原始图像的第一边缘信息，所述第一边缘信息包括第一边缘点的图像坐标(x,y)和梯度方向θ，所述第一边缘点为所述原始图像的边缘点。所述第一边缘检测算法包括但不限于一阶边缘检测方法Roberts算子、Prewitt算子、Sobel算子、Canny算子等，二阶边缘检测方法Laplacian算子等。

进一步的，为了快速利用第一边缘点进行直线检测，有效的去除冗余的边缘点和异常的边缘点，通过边缘检测算法提取所述原始图像集中每张原始图像的第一边缘信息时，对所述原始图像的边缘点进行筛选，确定所述第一边缘点。

具体的，确定所述第一边缘点的步骤具体包括：

S21、对所述原始图像的每个边缘点p，计算所述边缘点p与邻域内所有其他边缘点的梯度方向差值的余弦和，表示为EOC_p，用来衡量p点邻域的边缘方向变化情况；

EOC_p＝∑_q cos(θ_q-θ_p) (4)

其中，θ_p、θ_q分别为边缘点p和边缘点q的梯度方向。

S22、当EOC_p小于第三阈值EOC₀时，剔除所述边缘点p。

更进一步的，为了减少边缘点冗余，以所述边缘点p为圆心，在设定半径的邻域内只保留EOC_p最大的边缘点，作为所述第一边缘点。

接着，执行步骤S3，基于4D霍夫空间对所述第一边缘信息进行直线检测，并获取镜头畸变参数的初始估计值。具体包括：

S31、对每张所述原始图像分别初始化距离维度、角度维度及畸变维度在对应的3D霍夫空间的采样值，每个畸变维度对应一个2D霍夫空间；

S32、在所述4D霍夫空间中，从图像维度和畸变维度进行操作，基于第i个畸变维度的采样值，通过畸变模型对第j个原始图像的第一边缘信息进行变换，生成第j个原始图像的第二边缘信息，所述第二边缘信息包括第二边缘点的图像坐标和梯度方向，所述第二边缘点为所述第一边缘点通过畸变模型变换生成的边缘点；

S33、在第j个原始图像对应的第i个2D霍夫空间上，利用所述第二边缘信息对一组直线进行投票并将所述第一边缘点和所述第二边缘点与所投票直线关联，计算第j个原始图像对应的第i个2D霍夫空间的得分；

S34、计算所述4D霍夫空间中第i个2D霍夫空间对应的所有原始图像的总得分，选择得分最高的2D霍夫空间i_max对应的畸变维度的采样值作为所述镜头畸变参数的初始估计值。

得到所述第一边缘信息之后，先执行步骤S31，初始化所述4D霍夫空间。所述4D霍夫空间是在传统2D霍夫空间的基础上增加了图像维度和畸变维度，对所述图像维度而言，图像维度的长度最小为1，每张原始图像对应一个3D霍夫空间，对每张原始图像分别初始化距离维度、角度维度及畸变维度在对应的3D霍夫空间的采样值，每个畸变维度对应一个包含距离维度和角度维度的2D霍夫空间。

其中，所述距离维度及所述角度维度按照传统2D霍夫空间初始化的方式生成所述距离维度的距离采样值及所述角度维度的角度采样值；所述畸变维度使用第一径向畸变系数k₁表示，根据给定的第一径向畸变系数的范围[k_min，k_max]和步长δ_k，第i个畸变维度的采样值表示为：

其中i＝0，1，2...(k_max-k_min)/δ_k。

由于镜头畸变参数包括径向畸变系数k₁，k₂，k₃，其中k₂和k₃可选，当所述畸变维度使用第一径向畸变系数k₁表示时，k₂，k₃＝0。

较佳的，为了避免畸变维度的采样值

过小且与图像分辨率有关，本申请采用归一化畸变参数替代径向畸变参数，所述归一化畸变参数定义为原始图像中某个点在畸变模型变换前后到畸变中心的距离变化百分比。第一归一化畸变参数p₁由原始图像上距离畸变中心的最远点来定义，以多项式模型为例，第一归一化畸变参数p₁满足

其中，r_max表示原始图像坐标到畸变中心的最远距离。第二归一化畸变参数p₂和第三归一化畸变参数p₃对应的点到畸变中心的距离r₂和r₃可以自定义为r₂＝ρ₂r_max和r₃＝ρ₃r_max。例如，

等。以多项式模型为例，p₁、p₂、p₃满足：

畸变维度若采用上述第一归一化畸变参数p₁(p₂，p₃＝0)，则利用上述(5)式可以得到多项式模式下第一畸变参数

即

根据给定的第一归一化畸变系数范围[p_min，p_max]和步长δ_p，4D霍夫空间第i个畸变维度的采样值表示为：

其中i＝0，1，2...(p_max-p_min)/δ_p。

然后执行步骤S32，在4D霍夫空间中，从图像维度和畸变维度进行操作，基于第i个畸变维度的采样值

或

通过畸变模型对第j个原始图像的第一边缘信息的图像坐标(x_ij，y_ij)和梯度方向θ_ij进行变换，生成第二边缘信息，所述第二边缘信息包括第二边缘点的图像坐标(x′_ij，y′_ij)和梯度方向θ′_ij，所述第二边缘点为所述第一边缘点通过畸变模型变换生成的边缘点；

接着执行步骤S33，在第j个原始图像对应的第i个2D霍夫空间上，利用所述第二边缘信息对一组直线进行投票并将所述第一边缘点和所述第二边缘点与所投票直线关联，计算第j个原始图像对应的第i个2D霍夫空间的得分。

较佳的，所述一组直线可以根据所述第二边缘点的位置和梯度方向进行限制。所述第二边缘点的(x′_ij，y′_ij)和梯度方向θ′_ij，能够限制第j个原始图像对应的第i个2D霍夫空间中直线投票的角度区间为[θ′_ij-Δθ，θ′_ij+Δθ]，其中Δθ为设定的直线梯度方向和第二边缘点的梯度方向的最大差值。对角度区间的每个

能够限值第j个原始图像对应的第i个2D霍夫空间中直线投票的距离区间为

表示第j个原始图像对应的第i个2D霍夫空间中，原点到经过第二边缘点(x′_ij，y′_ij)且梯度方向为

的直线的距离，Δρ为设定的允许的第二边缘点到直线的最大距离。

较佳的，投票分值根据第j个原始图像对应的第i个2D霍夫空间中第二边缘点

到直线

的距离

来表示，距离越远，分值越低。例如

或

等，

为第j个原始图像对应的第i个2D霍夫空间中第二边缘点

对直线

的投票分值。

所有第二边缘点对同一直线的投票分值累加，第j个原始图像对应的第i个2D霍夫空间中直线

的总得分为：

其中，

为直线

关联的第二边缘点的总数量。

然后计算第j个原始图像对应的第i个2D霍夫空间的得分。在第j个原始图像对应的第i个2D霍夫空间中选择所有有效直线(数量为

)的得分并累加，得到所述第j个原始图像对应的第i个2D霍夫空间的得分。

接着执行步骤S34，计算所述4D霍夫空间中第i个2D霍夫空间对应的所有原始图像的总得分s_i：

选择得分最高的2D霍夫空间i_max，将对应畸变维度的采样值

或

作为所述镜头畸变参数的初始估计值。

接着执行步骤S4，统计所述原始图像集中有效直线的总数量，具体包括：

给定所述有效直线关联的第二边缘点的最小数量阈值T_p，当某一直线关联的第二边缘点数量不少于T_p时，判定该直线为有效直线；

在所述4D霍夫空间中，对第j个图像对应的第i_max个2D霍夫空间，统计并记录所述有效直线的数量

统计所述原始图像集中有效直线的总数量

接着执行步骤S5，判断所述有效直线的总数量是否大于给定的第一阈值，若大于，则进入S6，反之，则判定4D霍夫空间有效直线数量不足，回到S1以获取更多的原始图像或者更换原始图像数据集。当保留原始图像集中含有有效直线的原始图像时，只需要对4D霍夫空间新加入的原始图像进行计算，保留的原始图像可以直接利用之前的计算结果。

然后执行步骤S6，利用所述有效直线基于4D霍夫空间对相机内参进行迭代优化。

所述S6具体包括：

S61、在所述4D霍夫空间中，对所述原始图像集的每张原始图像对应的第i_max个2D霍夫空间，统计所有所述原始图像的所有所述有效直线关联的第二边缘点数量的总和并作为初始有效的第二边缘点数量Np_last；

S62、所述相机内参包括畸变中心(u_c，v_c)以及镜头畸变参数(k₁，k₂，k₃)，记为Dp(u_c，v_c，k₁，k₂，k₃)，设定所述相机内参的初始值为

w和h分别为所述原始图像的像素宽度和高度；

S63、优化的目标函数为所述4D霍夫空间中所有原始图像的第二边缘点到其关联有效直线的加权距离平方和，目标函数定义为：

其中，

表示第j个原始图像中所述有效直线m关联的第一边缘点k在相机内参Dp下对应的第二边缘点，

表示第j个原始图像中所述第二边缘点到其关联有效直线m的距离，β_jm表示第j个原始图像中有效直线m的权值，可根据有效直线m关联的边缘点数量来决定，α_j表示第j个图像的权值，可根据第j个图像的有效直线数量来决定；

S64、在每次优化过程中，有效直线m保持不变，所述第一边缘点k保持不变，所述第二边缘点根据所述相机内参Dp发生改变，通过改变所述相机内参Dp使目标函数达到最小，输出此次优化的最优相机内参Dp_opt；

S65、根据此次优化的最优相机内参对每个原始图像的第一边缘信息进行变换，重新生成第二边缘信息，并根据所述第二边缘信息重新进行直线检测，统计原始图像集中有效直线总数量Nl_opt以及所有所述有效直线关联的第二边缘点数量的总和Np_opt；

S66、当所述有效直线总数量满足Nl_opt大于所述第一阈值且Np_opt＞Np_last，则此次优化有效，下次迭代将继续根据重新生成的有效直线和关联的第二边缘点以Dp_opt作为初始值进行优化，初始有效的第二边缘点数量Np_last更新为Np_opt；反之，此次优化无效，迭代结束，所述相机内参选择所述最优相机内参Dp_opt。

本实施例中，所述S61可以与S4同步执行。

本实施例中，所述镜头畸变参数k₂，k₃可以始终为0，不参与优化。

本实施例中，所述镜头畸变参数的模型包括但不限于多项式模型和除法模型。

较佳的，所述镜头畸变参数可以采用归一化畸变参数替代，此时相机内参记为Dp(u_c，v_c，p₁，p₂，p₃)。

最后执行步骤S7，更新所述相机内参并进行图像校正。所述S7具体包括：

S71、使用所述最优相机内参Dp_opt作为相机内参；

S72、遍历校正后图像的每个坐标(x′，y′)，根据畸变模型得到所述坐标(x′，y′)在原始图像中的坐标(x，y)；

S73、采用插值的方式得到校正后图像坐标(x′，y′)处的像素值。

上述步骤S72中，遍历校正后图像的每个坐标(x′，y′)计算其到畸变中心的距离，根据公式(1)的逆变换可以得到所述坐标(x′，y′)在原始图像中的坐标(x，y)。

本实施例中，所述S72可以是遍历原始图像的每个坐标(x，y)，根据畸变模型得到校正图像中的坐标(x′，y′)。

本实施例中，所述S73插值方法包括但不限于最邻近插值、线性插值、双线性插值等。

综上，本发明提供了一种相机内参自动校准方法，利用一般场景拍摄的原始图像集对相机的主点以及镜头畸变参数进行标定，不依靠棋盘格等标定工具，可简化相机内参的标定过程，相比单张图像拥有更高的稳定性和精度。

此外还应该认识到，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。

Claims (10)

1.一种相机内参自动校准方法，其特征在于，包括：

S1、获取相机拍摄一般场景的原始图像集，所述原始图像集包括N张原始图像，其中N≥1；

S2、通过边缘检测算法提取所述原始图像集中每张原始图像的第一边缘信息，所述第一边缘信息包括第一边缘点的图像坐标和梯度方向，所述第一边缘点为所述原始图像的边缘点；

S3、基于4D霍夫空间对所述第一边缘信息进行直线检测，并获取镜头畸变参数的初始估计值；

S4、统计所述原始图像集中有效直线的总数量；

S5、判断所述有效直线的总数量是否大于给定的第一阈值，若大于，则进入S6，反之，回到S1；

S6、利用所述有效直线基于4D霍夫空间对相机内参进行迭代优化；

S7、更新所述相机内参并进行图像校正。

2.如权利要求1所述的相机内参自动校准方法，其特征在于，通过边缘检测算法提取所述原始图像集中每张原始图像的第一边缘信息时，对所述原始图像的边缘点进行筛选，确定所述第一边缘点，具体包括：

对所述原始图像的每个边缘点p，计算所述边缘点p与邻域内所有其他边缘点的梯度方向差值的余弦和，表示为EOC_p；

当EOC_p小于第二阈值时，剔除所述边缘点p。

3.如权利要求2所述的相机内参自动校准方法，其特征在于，以所述边缘点p为圆心，在设定半径的邻域内只保留EOC_p最大的边缘点，作为所述第一边缘点。

4.如权利要求1所述的相机内参自动校准方法，所述4D霍夫空间是在传统2D霍夫空间的基础上增加图像维度和畸变维度，所述图像维度的长度最小为1，每张所述原始图像对应一个3D霍夫空间，其特征在于，所述S3具体包括：

S31、对每张所述原始图像分别初始化距离维度、角度维度及畸变维度在对应的3D霍夫空间的采样值，每个畸变维度对应一个2D霍夫空间；

S32、在所述4D霍夫空间中，从图像维度和畸变维度进行操作，基于第i个畸变维度的采样值，通过畸变模型对第j个原始图像的第一边缘信息进行变换，生成第j个原始图像的第二边缘信息，所述第二边缘信息包括第二边缘点的图像坐标和梯度方向，所述第二边缘点为所述第一边缘点通过畸变模型变换生成的边缘点；

S33、在第j个原始图像对应的第i个2D霍夫空间上，利用所述第二边缘信息对一组直线进行投票并将所述第一边缘点和所述第二边缘点与所投票直线关联，计算第j个原始图像对应的第i个2D霍夫空间的得分；

S34、计算所述4D霍夫空间中第i个2D霍夫空间对应的所有原始图像的总得分，选择得分最高的2D霍夫空间i_max对应的畸变维度的采样值作为所述镜头畸变参数的初始估计值。

5.如权利要求4所述的相机内参自动校准方法，其特征在于，所述S31具体包括：

按照传统2D霍夫空间初始化的方式生成所述距离维度的距离采样值及所述角度维度的角度采样值；

所述畸变维度使用第一径向畸变系数k₁表示，根据给定的第一径向畸变系数的范围[k_min，k_max]和步长δ_k，第i个畸变维度的采样值表示为：

其中i＝0，1，2...(k_max-k_min)/δ_k。

6.如权利要求5所述的相机内参自动校准方法，其特征在于，所述畸变维度使用第一归一化畸变参数p₁表示；

所述第一归一化畸变系数p₁在多项式畸变模型下表示为：

所述第一归一化畸变系数p₁在除法畸变模型下表示为：

其中，r_max表示原始图像坐标到畸变中心的最远距离；

根据给定的第一归一化畸变系数范围[p_min，p_max]和步长δ_p，所述4D霍夫空间下第i个畸变维度的采样值表示为：

其中i＝0，1，2...(p_max-p_min)/δ_p。

7.如权利要求5所述的相机内参自动校准方法，其特征在于，所述S4具体包括：

给定所述有效直线关联的第二边缘点的最小数量阈值T_p，当某一直线关联的第二边缘点数量不少于T_p时，判定该直线为有效直线；

在所述4D霍夫空间中，对第j个图像对应的第i_max个2D霍夫空间，统计并记录所述有效直线的数量

统计所述原始图像集中有效直线的总数量

8.如权利要求7所述的相机内参自动校准方法，其特征在于，在所述S5中，保留所述原始图像集中存在有效直线的原始图像。

9.如权利要求7或8所述的相机内参自动校准方法，其特征在于，所述S6具体包括：

S61、在所述4D霍夫空间中，对所述原始图像集的每张原始图像对应的第i_max个2D霍夫空间，统计所有所述原始图像的所有所述有效直线关联的第二边缘点数量的总和并作为初始有效的第二边缘点数量Np_last；

S62、所述相机内参包括畸变中心(u_c，v_c)以及镜头畸变参数(k₁，k₂，k₃)，记为Dp(u_c，v_c，k₁，k₂，k₃)，设定所述相机内参的初始值为

w和h分别为所述原始图像的像素宽度和高度；

S63、优化的目标函数为所述4D霍夫空间中所有原始图像的第二边缘点到其关联有效直线的加权距离平方和，目标函数定义为：

其中，

表示第j个原始图像中所述有效直线m关联的第一边缘点k在相机内参Dp下对应的第二边缘点，

表示第j个原始图像中所述第二边缘点到其关联有效直线m的距离，β_jm表示第j个原始图像中有效直线m的权值，可根据有效直线m关联的边缘点数量来决定，α_j表示第j个图像的权值，可根据第j个图像的有效直线数量来决定；

S64、在每次优化过程中，有效直线m保持不变，所述第一边缘点k保持不变，所述第二边缘点根据所述相机内参Dp发生改变，通过改变所述相机内参Dp使目标函数达到最小，输出此次优化的最优相机内参Dp_opt；

S65、根据此次优化的最优相机内参对每个原始图像的第一边缘信息进行变换，重新生成第二边缘信息，并根据所述第二边缘信息重新进行直线检测，统计原始图像集中有效直线总数量Nl_opt以及所有所述有效直线关联的第二边缘点数量的总和Np_opt；

S66、当所述有效直线总数量满足Nl_opt大于所述第一阈值且Np_opt＞Np_last，则此次优化有效，下次迭代将继续根据重新生成的有效直线和关联的第二边缘点以Dp_opt作为初始值进行优化，初始有效的第二边缘点数量Np_last更新为Np_opt；反之，此次优化无效，迭代结束，所述相机内参选择所述最优相机内参Dp_opt。

10.如权利要求9所述的相机内参自动校准方法，其特征在于，所述S7具体包括：

S71、使用所述最优相机内参Dp_opt作为相机内参；

S72、遍历校正后图像的每个坐标(x′，y′)，根据畸变模型得到所述坐标(x′，y′)在原始图像中的坐标(x，y)；

S73、采用插值的方式得到校正后图像坐标(x′，y′)处的像素值。

Images