CN117576228B - 基于实时场景的相机坐标标定方法及系统 - Google Patents
基于实时场景的相机坐标标定方法及系统 Download PDFInfo
- Publication number
- CN117576228B CN117576228B CN202410058754.6A CN202410058754A CN117576228B CN 117576228 B CN117576228 B CN 117576228B CN 202410058754 A CN202410058754 A CN 202410058754A CN 117576228 B CN117576228 B CN 117576228B
- Authority
- CN
- China
- Prior art keywords
- coordinate
- camera
- pixel
- calibration data
- pairs
- 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 57
- 238000012795 verification Methods 0.000 claims description 59
- 238000000137 annealing Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000002922 simulated annealing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明公开了一种基于实时场景的相机坐标标定方法。提出无标定板的固定装置标定新方法，将投影世界坐标系平面作为标定板，替换张正友(标定板)标定方法，获得相机内参与畸变系数。我们将再次使用获得的坐标对数据，联合内参与畸变系数，获得相机外参，最终解决固定相机标定难与资源浪费问题，实现世界坐标系转图像像素坐标系功能。
Description
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种基于实时场景的相机坐标标定方法及系统。
背景技术
目前，已安装固定点位相机实现世界坐标系转像素坐标系，需要相机标定求解相机内外参与畸变系数，现有技术通常方法需相机安装前采用张正友标定求解相机内参与畸变系数，而该方法需使用标定收集多视角的标定图片，且图片收集一般要求标定板占比图像尺寸很大(一般>1/3)，然二，工程往往遇到相机已安装固定杆上，工程人员需多次取、装验证相机标定参数满足需求，与移动车载相比，固定点位取、装非常耗资源，也是急需解决问题。现有相机内参与畸变系数标定方法需浪费人力多次采集数据与精度校准。
发明内容
本发明的目的在于提供了一种基于实时场景的相机坐标标定方法及系统，用以解决现有技术中存在的上述问题。
本发明实施例提供了一种基于实时场景的相机坐标标定方法，包括：
获得场景图像，在场景图像中检测出多个世界坐标特征点；
根据所述世界坐标特征点，从三维世界坐标系转化到相机像素坐标系，得到像素坐标；多个世界坐标特征点对应获得多个像素坐标；一个世界坐标特征点对应一个像素坐标；
将表示同一位置的所述世界坐标特征点与所述像素坐标进行匹配，组成世界坐标与像素坐标对；
根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对；所述标定数据对的数量加上验证数据对的数量为世界坐标与像素坐标对的数量之和；
根据所述多个标定数据对，得到相机内参和畸变系数；
根据所述标定数据对、相机内参和畸变系数，得到相机外参；
基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标。
可选的，所述场景图像为固定点位的摄像设备拍摄的图像对应的图像。
可选的，所述多个标定数据对和多个验证数据对通过修改目标函数后的模拟退火算法获得。
可选的，所述根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对，包括：
根据多个世界坐标与像素坐标，通过退火算法，得到初始解集合；所述初始解集合中包括多个挑选出的世界坐标与像素坐标；
将初始解集合中对应的世界坐标与像素坐标作为标定数据对；
基于标定数据对，通过退火算法中修改后的目标函数，得到目标函数值；
根据所述目标函数值，更新标定数据对，不断迭代，直到满足退火算法的停止条件；
将世界坐标与像素坐标对除标定数据对之外的坐标对设为验证数据对。
可选的，所述基于标定数据对，通过退火算法中修改后的目标函数，得到目标函数值，包括：
根据所述标定数据对，得到第一相机内参、第一相机外参和第一畸变系数；
将所述标定数据对中的世界坐标，通过第一相机内参、第一相机外参和第一畸变系数，进行坐标转换，得到第一像素坐标；
将所述标定数据对中的像素坐标与标定数据对对应的第一像素坐标计算距离，得到像素坐标距离；
多个标定数据对，对应获得多个像素坐标距离；
将所述多个像素坐标距离求平均，得到目标函数值。
可选的，还包括：
将多个像素坐标距离中大于其他像素坐标距离的像素坐标距离去除；
将多个像素坐标距离中小于其他像素坐标距离的像素坐标距离去除。
可选的，所述根据所述多个标定数据对，得到相机内参和畸变系数，包括：
基于所述多个标定数据对，通过相机径向畸变系数计算公式，得到径向畸变系数；
基于所述多个标定数据对，通过相机切向畸变系数计算公式，得到切向畸变系数；
基于所述多个标定数据对，通过相机坐标转换计算公式，得到相机内参。
可选的，所述根据所述标定数据对、相机内参和畸变系数，得到相机外参，包括：
将所述标定数据对中的世界坐标通过畸变系数进行校正，得到校正标定数据对；
基于所述校正标定数据对，通过相机内参，得到相机外参矩阵。
可选的，所述基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标，包括：
根据所述畸变系数，对验证数据对的世界坐标系的数据进行校正，得到校正验证数据对；
将所述校正验证数据对与相机内参和相机外参相乘，得到验证像素坐标；
多个验证数据对，对应获得验证像素坐标。
可选的，所述相机内参、相机外参和畸变系数为将固定点位的摄像设备拍摄的图像的三维坐标准确转化为像素坐标的相机的内参、外参和畸变系数；所述第一相机内参、第一相机外参和第一畸变系数为进行分类标定数据对和验证数据对的相机的内参、外参和畸变系数。
本发明实施例提供了一种基于实时场景的相机坐标标定系统，包括：
获取场景坐标对模块：获得场景图像，在场景图像中检测出多个世界坐标特征点；根据所述世界坐标特征点，从三维世界坐标系转化到相机像素坐标系，得到像素坐标；多个像素坐标对应获得多个世界坐标特征点；将表示同一位置的所述世界坐标特征点与所述像素坐标进行匹配，组成世界坐标与像素坐标对；
优化坐标对模块：根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对；所述标定数据对的数量加上验证数据对的数量为世界坐标与像素坐标对的数量之和；
检测相机参数模块：根据所述多个标定数据对，得到相机内参和畸变系数；根据所述标定数据对、相机内参和畸变系数，得到相机外参；
世界坐标与像素坐标转化模块：基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标。
相较于现有技术，本发明实施例达到了以下有益效果：
本发明实施例提供了一种基于实时场景的相机坐标标定方法及系统，所述方法包括：获得场景图像，在场景图像中检测出多个世界坐标特征点。根据所述世界坐标特征点，从三维世界坐标系转化到相机像素坐标系，得到像素坐标。多个世界坐标特征点对应获得多个像素坐标。一个世界坐标特征点对应一个像素坐标。将表示同一位置的所述世界坐标特征点与所述像素坐标进行匹配，组成世界坐标与像素坐标对。根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对。所述标定数据对的数量加上验证数据对的数量为世界坐标与像素坐标对的数量之和。根据所述多个标定数据对，得到相机内参和畸变系数，根据所述标定数据对、相机内参和畸变系数，得到相机外参， 基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标。
本发明提出无标定板的固定装置标定新方法，将投影世界坐标系平面作为标定板,坐标表示为(,/>,0),其中n表示采集坐标数量(包含参数求解部分与参数验证部分)，并获得对应图像像素坐标，表示为(/>,/>,0),使用一次收集多个坐标对，替换张正友(标定板)标定方法，获得相机内参与畸变系数。我们将再次使用获得的坐标对数据，联合内参与畸变系数，获得相机外参，最终解决固定相机标定难与资源浪费问题，实现世界坐标系转图像像素坐标系功能。然，我们获得哪些特征点数据对将被选择用于标定参数求解，哪些特征点数据对用于标定参数验证，受启发式优化算法启示，我们引用优化算法，自动寻找有效特征数据对用于标定参数求解和标定参数验证。也减少了资源浪费，并为智慧交通或智慧城市等固定相机标定提供高效可实行方案。
本发明内参与畸变系数求解新方法，无传统标定(一般张正友标定)数据采集，解决了已安装固定相机内参与畸变系数求解工程难题，引用基于启发式优化算法对特征数据对评估方法，设计优化算法解集与目标函数，处理不可靠数据对问题。
附图说明
图1是本发明实施例提供的一种基于实时场景的相机坐标标定方法流程图。
图2是本发明实施例提供的一种基于实时场景的相机坐标标定方法的过程示意图。
图3是本发明实施例提供的一种基于实时场景的相机坐标标定方法中进行世界坐标和像素坐标转换的过程示意图。
图4是本发明实施例提供的一种基于实时场景的相机坐标标定方法中的世界坐标和像素坐标转换使用的公式示意图。
图5是本发明实施例提供的一种基于实时场景的相机坐标标定方法中的退火算法的过程示意图。
具体实施方式
下面结合附图，对本发明作详细的说明。
实施例1
如图1所示，本发明实施例提供了一种基于实时场景的相机坐标标定方法，所述方法包括：
S101：获得场景图像，在场景图像中检测出多个世界坐标特征点。
其中，本实施例中，用于计算平台的参数为Nvidia NX、TX边缘计算设备，处理器主频不低于2.3GHz。
S102：根据所述世界坐标特征点，从三维世界坐标系转化到相机像素坐标系，得到像素坐标。多个世界坐标特征点对应获得多个像素坐标；一个世界坐标特征点对应一个像素坐标。
S103：将表示同一位置的所述世界坐标特征点与所述像素坐标进行匹配，组成世界坐标与像素坐标对。
S104：根据所述多个世界坐标与像素坐标对，通过启发式优化算法，迭代分类，得到多个标定数据对和多个验证数据对，所述标定数据对的数量加上验证数据对的数量为世界坐标与像素坐标对的数量之和。
其中，所述标定数据对包含世界坐标和像素坐标对，所述验证数据对包含世界坐标和像素坐标对。所述标定数据对的世界坐标和像素坐标对与验证数据对的世界坐标和像素坐标对不同。
S105：根据所述多个标定数据对，得到相机内参和畸变系数，
S106：根据所述标定数据对、相机内参和畸变系数，得到相机外参，
S107：基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标。
其中，本发明中相机获取畸变系数、内参和外参的过程如图2所示。
可选的，所述场景图像为固定点位的摄像设备拍摄的图像对应的图像。
其中，无标定板的固定装置标定新方法，将投影世界坐标系平面作为标定板,坐标表示为(,/>,0),其中n表示采集坐标数量(包含参数求解部分与参数验证部分)，并获得对应图像像素坐标，表示为(/>,/>,0),使用一次收集多个坐标对，替换张正友(标定板)标定方法，获得相机内参与畸变系数。
其中，本实施例中，参数：200万像素（1920*1080）的高清摄像头，布防检测区域距离摄像头距离小于10米，大于1米，ipx6级防水。
可选的，所述多个标定数据对和多个验证数据对通过修改目标函数后的模拟退火算法获得。
其中，基于优化算法(模拟退火算法SA，如图4)无监督迭代选择更合理数据对求解最佳相机标定参数的方法。
通过上述方法，解决了现有智慧交通、智慧城市等固定点位坐标转换难问题，实现三维坐标转像素坐标(如图3)功能，并通过现有工程验证方法实用价值。
可选的，所述根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对，包括：
根据多个世界坐标与像素坐标，通过退火算法，得到初始解集合，所述初始解集合中包括多个挑选出的世界坐标与像素坐标，
将初始解集合通过退火算法中修改后的目标函数，得到目标函数值，
根据所述目标值，更新初始解集合，不断迭代直到满足退火算法的停止条件，得到标定数据对。
其中，退火算法的停止条件选择温度降到一定数值停止，如稳定下降倒0.01时停止更新标定数据。
其中，本发明使用模拟退火算法，使其自动处理收集的数据对，被选择的数据对用于求解相机标定参数，未被选择数据对作为相机参数评估，以此反复迭代，即可求解最佳相机标定参数。
其中，所述退火算法的具体流程如下：
1、初始化温度T和初始解。
2、重复以下过程直到满足停止条件。
3、生成当前解的邻域解。
4、计算目标函数的变化ΔE = f() - f(/>)。
5、如果ΔE<0，接受邻域解，将/>更新为/>。
6、如果ΔE>0，以概率exp(-ΔE / T)接受邻域解，如果接受则将/>更新为。
7、降低温度T。
8、返回最优解。
其中，ΔE为Metropolis准则公式四。Metropolis准则公式四：
假设前一状态为 f(n)，系统受到一定扰动，状态变为 f(n+1)，相应地，系统能量由 f(n) 变为 f(n+1)，定义系统由 f(n) 变为 f(n+1) 的接收概率为 p（probability ofacceptance）
其中，使用退火算法的过程如图5所示。
将世界坐标与像素坐标对除标定数据对之外的坐标对设为验证数据对。
通过上述方法，模拟退火算法以优化问题求解过程与物理退火过程之间的相似性为基础，优化的目标函数相当于金属的内能，优化问题的自变量组合状态空间相当于金属的内能状态空间，问题的求解过程就是找一个组合状态，使目标函数值最小。利用Metopolis算法并适当地控制温度的下降过程实现模拟退火，从而达到求解全局优化问题的目的。这样，也避免人为随机选择带来较大误差，特别是收集数据中出现部分不正确数据带来的干扰，影响参数结果。
可选的，所述基于标定数据对，通过退火算法中修改后的目标函数，得到目标函数值，包括：
根据所述标定数据对，得到第一相机内参、第一相机外参和第一畸变系数。
其中，使用相机切向畸变系数计算公式和相机坐标转换计算公式获得图像像素坐标=(/>),并与数据对对应真实像素坐标/>=(/>)，求解距离。
将所述标定数据对中的世界坐标，通过第一相机内参、第一相机外参和第一畸变系数，进行坐标转换，得到第一像素坐标。
其中，获得第一像素坐标的过程如图3所示。
将所述标定数据对中的像素坐标与标定数据对对应的第一像素坐标计算距离，得到像素坐标距离。
其中，图像像素坐标=(/>),并与数据对对应真实像素坐标/>=()。
多个标定数据对，对应获得多个像素坐标距离，
将所述多个像素坐标距离求平均，得到目标函数值。
可选的，还包括：
将多个像素坐标距离中大于其他像素坐标距离的像素坐标距离去除，
将多个像素坐标距离中小于其他像素坐标距离的像素坐标距离去除。
其中，排除异常值，我们去除距离最大与距离最小值求多个像素坐标距离平均值得公式如下：
其中，将数据对进行编码，假设数据对有n个，分别以0,1,2,3…n-1表示所有数据对，表示第n个数据的像素坐标距离。并以SA算法寻找机制获得新解(/>)。
可选的，所述根据所述多个标定数据对，得到相机内参和畸变系数，包括：
基于所述多个标定数据对，通过相机径向畸变系数计算公式，得径向畸变系数。
相机径向畸变系数计算公式：
其中，、/>、/>为径向畸变系数，(x,y）是理想的无畸变的坐标（图像坐标系），（,/>）与（/>,/>）是畸变后图像像素点的坐标,且/>。
基于所述多个标定数据对，通过相机切向畸变系数计算公式，得切向畸变系数。
其中，通过下述公式求解畸变系数：
相机切向畸变系数计算公式：
其中，、/>为切向畸变系数，(x,y）是理想的无畸变的坐标（图像坐标系），（/>,）与（/>,/>）是畸变后图像像素点的坐标,且/>。
基于所述多个标定数据对，通过相机坐标转换计算公式，得到相机内参。
其中，所述相机内参通过下述公式求解：
相机坐标转换计算公式：像素坐标=内参*外参*世界坐标，具体的：
、/>、/>为世界坐标系，/>、/>为图像像素坐标系，/>为相机内参。/>为相机外参。
其中，本实施例中相机内参和相机外参与张正友法求取相机内参和外参的方法相同，具体转换如下图4示列，其中，u，v表示图像像素坐标系。但是将标定板的约束关系替换为世界坐标与像素坐标对的约束关系。
可选的，所述根据所述标定数据对、相机内参和畸变系数，得到相机外参，包括：
将所述标定数据对中的世界坐标通过畸变系数进行校正，得到校正标定数据对，
基于所述校正标定数据对，通过相机内参，得到相机外参矩阵。
其中，将畸变系数对坐标校正，获得校正后的坐标，选择步校正坐标，使用相机内参矩阵，获得相机外参矩阵。
其中，通过相机坐标转换计算公式和如图4公式进行获取相机外参。
可选的，所述基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标，包括：
根据所述畸变系数，对验证数据对的世界坐标系的数据进行校正，得到校正验证数据对，
将所述校正验证数据对与相机内参和相机外参相乘，得到验证像素坐标，
多个验证数据对，对应获得验证像素坐标，
可选的，所述相机内参、相机外参和畸变系数为将固定点位的摄像设备拍摄的图像的三维坐标准确转化为像素坐标的相机的内参、外参和畸变系数，所述第一相机内参、第一相机外参和第一畸变系数为进行分类标定数据对和验证数据对的相机的内参、外参和畸变系数。
可选的，本发明的流程详细如下：
1、世界坐标系与图像像素坐标系对数据收集，利用已知世界坐标系的标记符，使用相机拍照，获得标记符对应的像素坐标，记为世界坐标与像素坐标对，
2、步骤1中的数据对使用SA-stream算法获得初始解，
3、将步骤2中的初始解带入SA-stream算法中，使用SA算法更新解/>，
4、重复步骤3，不断迭代直到满足SA-stream设置停止条件，最终获得最佳解;
5、将步骤4获得最佳解对应的坐标对数据，求解相机内参矩阵与畸变系数，
6、选择步骤5中的畸变系数对坐标校正，获得校正后的坐标，
7、选择步骤6中的校正坐标，使用相机内参矩阵，获得相机外参矩阵，
8、使用相机内外参矩阵与步骤5中的畸变系数，获得世界坐标对应的图像像素坐标。
实施例2
基于上述的基于实时场景的相机坐标标定方法，本发明实施例还提供了一种基于实时场景的相机坐标标定系统，所述系统包括获取场景坐标对模块、优化坐标对模块、检测相机参数模块和世界坐标与像素坐标转化模块。
获取场景坐标对模块：获得场景图像，在场景图像中检测出多个世界坐标特征点。根据所述世界坐标特征点，从三维世界坐标系转化到相机像素坐标系，得到像素坐标。多个世界坐标特征点对应获得多个像素坐标。一个世界坐标特征点对应一个像素坐标。将表示同一位置的所述世界坐标特征点与所述像素坐标进行匹配，组成世界坐标与像素坐标对。将表示同一位置的所述世界坐标特征点与所述像素坐标进行匹配，组成世界坐标与像素坐标对。
优化坐标对模块用于根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对。所述标定数据对的数量加上验证数据对的数量为世界坐标与像素坐标对的数量之和。
检测相机参数模块用于根据所述多个标定数据对，得到相机内参和畸变系数。根据所述标定数据对、相机内参和畸变系数，得到相机外参。
世界坐标与像素坐标转化模块用于基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
Claims (7)
1.一种基于实时场景的相机坐标标定方法，其特征在于，包括：
获得场景图像，在场景图像中检测出多个世界坐标特征点；
根据所述世界坐标特征点，从三维世界坐标系转化到相机像素坐标系，得到像素坐标；多个世界坐标特征点对应获得多个像素坐标；一个世界坐标特征点对应一个像素坐标；
将表示同一位置的所述世界坐标特征点与所述像素坐标进行匹配，组成世界坐标与像素坐标对；
根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对；所述标定数据对的数量加上验证数据对的数量为世界坐标与像素坐标对的数量之和；
根据所述多个标定数据对，得到相机内参和畸变系数；
根据所述标定数据对、相机内参和畸变系数，得到相机外参；
基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标；
所述多个标定数据对和多个验证数据对通过修改目标函数后的模拟退火算法获得；
所述根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对，包括：
根据多个世界坐标与像素坐标，通过退火算法，得到初始解集合；所述初始解集合中包括多个挑选出的世界坐标与像素坐标；
将初始解集合中对应的世界坐标与像素坐标作为标定数据对；
基于标定数据对，通过退火算法中修改后的目标函数，得到目标函数值；
根据所述目标函数值，更新标定数据对，不断迭代，直到满足退火算法的停止条件；
将世界坐标与像素坐标对除标定数据对之外的坐标对设为验证数据对；
所述基于标定数据对，通过退火算法中修改后的目标函数，得到目标函数值，包括：
根据所述标定数据对，得到第一相机内参、第一相机外参和第一畸变系数；
将所述标定数据对中的世界坐标，通过第一相机内参、第一相机外参和第一畸变系数，进行坐标转换，得到第一像素坐标；
将所述标定数据对中的像素坐标与标定数据对对应的第一像素坐标计算距离，得到像素坐标距离；
多个标定数据对，对应获得多个像素坐标距离；
将所述多个像素坐标距离求平均，得到目标函数值。
2.根据权利要求1所述的基于实时场景的相机坐标标定方法，其特征在于，所述场景图像为固定点位的摄像设备拍摄的图像对应的图像。
3.根据权利要求1所述的基于实时场景的相机坐标标定方法，其特征在于，还包括：
将多个像素坐标距离中大于其他像素坐标距离的像素坐标距离去除；
将多个像素坐标距离中小于其他像素坐标距离的像素坐标距离去除。
4.根据权利要求1所述的基于实时场景的相机坐标标定方法，其特征在于，所述根据所述多个标定数据对，得到相机内参和畸变系数，包括：
基于所述多个标定数据对，通过相机径向畸变系数计算公式，得到径向畸变系数；
基于所述多个标定数据对，通过相机切向畸变系数计算公式，得到切向畸变系数；
基于所述多个标定数据对，通过相机坐标转换计算公式，得到相机内参。
5.根据权利要求1所述的基于实时场景的相机坐标标定方法，其特征在于，所述根据所述标定数据对、相机内参和畸变系数，得到相机外参，包括：
将所述标定数据对中的世界坐标通过畸变系数进行校正，得到校正标定数据对；
基于所述校正标定数据对，通过相机内参，得到相机外参矩阵。
6.根据权利要求1所述的基于实时场景的相机坐标标定方法，其特征在于，所述基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标，包括：
根据所述畸变系数，对验证数据对的世界坐标系的数据进行校正，得到校正验证数据对；
将所述校正验证数据对与相机内参和相机外参相乘，得到验证像素坐标；
多个验证数据对，对应获得验证像素坐标。
7.一种基于实时场景的相机坐标标定系统，其特征在于，包括：
获取场景坐标对模块：获得场景图像，在场景图像中检测出多个世界坐标特征点；根据所述世界坐标特征点，从三维世界坐标系转化到相机像素坐标系，得到像素坐标；多个世界坐标特征点对应获得多个像素坐标；一个世界坐标特征点对应一个像素坐标；将表示同一位置的所述世界坐标特征点与所述像素坐标进行匹配，组成世界坐标与像素坐标对；将表示同一位置的所述世界坐标特征点与所述像素坐标进行匹配，组成世界坐标与像素坐标对；
优化坐标对模块：根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对；所述标定数据对的数量加上验证数据对的数量为世界坐标与像素坐标对的数量之和；
检测相机参数模块：根据所述多个标定数据对，得到相机内参和畸变系数；根据所述标定数据对、相机内参和畸变系数，得到相机外参；
世界坐标与像素坐标转化模块：基于相机内参、相机外参和畸变系数，将验证数据对进行坐标转换，得到像素坐标；
所述多个标定数据对和多个验证数据对通过修改目标函数后的模拟退火算法获得；
所述根据所述多个世界坐标与像素坐标对，得到多个标定数据对和多个验证数据对，包括：
根据多个世界坐标与像素坐标，通过退火算法，得到初始解集合；所述初始解集合中包括多个挑选出的世界坐标与像素坐标；
将初始解集合中对应的世界坐标与像素坐标作为标定数据对；
基于标定数据对，通过退火算法中修改后的目标函数，得到目标函数值；
根据所述目标函数值，更新标定数据对，不断迭代，直到满足退火算法的停止条件；
将世界坐标与像素坐标对除标定数据对之外的坐标对设为验证数据对；
所述基于标定数据对，通过退火算法中修改后的目标函数，得到目标函数值，包括：
根据所述标定数据对，得到第一相机内参、第一相机外参和第一畸变系数；
将所述标定数据对中的世界坐标，通过第一相机内参、第一相机外参和第一畸变系数，进行坐标转换，得到第一像素坐标；
将所述标定数据对中的像素坐标与标定数据对对应的第一像素坐标计算距离，得到像素坐标距离；
多个标定数据对，对应获得多个像素坐标距离；
将所述多个像素坐标距离求平均，得到目标函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410058754.6A CN117576228B (zh) | 2024-01-16 | 2024-01-16 | 基于实时场景的相机坐标标定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410058754.6A CN117576228B (zh) | 2024-01-16 | 2024-01-16 | 基于实时场景的相机坐标标定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117576228A CN117576228A (zh) | 2024-02-20 |
| CN117576228B true CN117576228B (zh) | 2024-04-16 |
Family
ID=89895956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410058754.6A Active CN117576228B (zh) | 2024-01-16 | 2024-01-16 | 基于实时场景的相机坐标标定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117576228B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025670A (zh) * | 2017-03-23 | 2017-08-08 | 华中科技大学 | 一种远心相机标定方法 |
| CN113034621A (zh) * | 2021-05-24 | 2021-06-25 | 腾讯科技（深圳）有限公司 | 联合标定方法、装置、设备、车辆及存储介质 |
| CN113160333A (zh) * | 2021-04-28 | 2021-07-23 | 天津大学 | 参数优化相机标定方法 |
| CN113284196A (zh) * | 2021-07-20 | 2021-08-20 | 杭州先奥科技有限公司 | 一种摄像机畸变逐像素标定方法 |
| CN114299156A (zh) * | 2021-12-11 | 2022-04-08 | 合肥辰视机器人科技有限公司 | 无重叠区域下多相机的标定与坐标统一方法 |
| CN114943772A (zh) * | 2022-03-31 | 2022-08-26 | 中国人民解放军海军工程大学 | 一种增强现实视觉显示器中的相机标定方法、系统及应用 |
| CN115830103A (zh) * | 2022-11-28 | 2023-03-21 | 北京石油化工学院 | 一种基于单目彩色的透明物体定位方法、装置及存储介质 |
| CN116071433A (zh) * | 2022-12-08 | 2023-05-05 | 深圳市华汉伟业科技有限公司 | 相机标定方法和系统、计算机可读存储介质 |
| CN116993835A (zh) * | 2023-07-31 | 2023-11-03 | 江阴极动智能科技有限公司 | 相机标定方法及相机标定装置、电子设备、存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7038345B2 (ja) * | 2017-04-20 | 2022-03-18 | パナソニックＩｐマネジメント株式会社 | カメラパラメタセット算出方法、カメラパラメタセット算出プログラム及びカメラパラメタセット算出装置 |
| JP7016058B2 (ja) * | 2017-04-28 | 2022-02-04 | パナソニックＩｐマネジメント株式会社 | カメラパラメタセット算出方法、カメラパラメタセット算出プログラム及びカメラパラメタセット算出装置 |
| US11386522B2 (en) * | 2019-08-07 | 2022-07-12 | Reification Inc. | Calibration of individual and arrayed cameras using images and video |
| US11625860B1 (en) * | 2021-09-07 | 2023-04-11 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Camera calibration method |
| US20230128689A1 (en) * | 2021-10-27 | 2023-04-27 | Objectvideo Labs, Llc | Extrinsic camera calibration using calibration object |
-
2024
- 2024-01-16 CN CN202410058754.6A patent/CN117576228B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025670A (zh) * | 2017-03-23 | 2017-08-08 | 华中科技大学 | 一种远心相机标定方法 |
| CN113160333A (zh) * | 2021-04-28 | 2021-07-23 | 天津大学 | 参数优化相机标定方法 |
| CN113034621A (zh) * | 2021-05-24 | 2021-06-25 | 腾讯科技（深圳）有限公司 | 联合标定方法、装置、设备、车辆及存储介质 |
| CN113284196A (zh) * | 2021-07-20 | 2021-08-20 | 杭州先奥科技有限公司 | 一种摄像机畸变逐像素标定方法 |
| CN114299156A (zh) * | 2021-12-11 | 2022-04-08 | 合肥辰视机器人科技有限公司 | 无重叠区域下多相机的标定与坐标统一方法 |
| CN114943772A (zh) * | 2022-03-31 | 2022-08-26 | 中国人民解放军海军工程大学 | 一种增强现实视觉显示器中的相机标定方法、系统及应用 |
| CN115830103A (zh) * | 2022-11-28 | 2023-03-21 | 北京石油化工学院 | 一种基于单目彩色的透明物体定位方法、装置及存储介质 |
| CN116071433A (zh) * | 2022-12-08 | 2023-05-05 | 深圳市华汉伟业科技有限公司 | 相机标定方法和系统、计算机可读存储介质 |
| CN116993835A (zh) * | 2023-07-31 | 2023-11-03 | 江阴极动智能科技有限公司 | 相机标定方法及相机标定装置、电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117576228A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107644416B (zh) | 一种基于地基云图的实时动态云量反演方法 | |
| JP6599935B2 (ja) | 日射強度推定装置、日射強度推定システム及び日射強度推定方法 | |
| CN106886748B (zh) | 一种基于tld的适用于无人机的变尺度目标跟踪方法 | |
| CN103955916B (zh) | 一种汽车全景摄像头标定方法及装置 | |
| CN105931196A (zh) | 基于傅里叶光学建模的编码光圈相机图像恢复方法 | |
| CN110986998B (zh) | 一种基于有理函数模型的卫星视频相机在轨几何定标方法 | |
| CN102752504B (zh) | 一种宽视场线阵ccd相机的相对辐射校正方法 | |
| CN110852164A (zh) | 一种基于YOLOv3的自动检测违章建筑方法及系统 | |
| CN103167226B (zh) | 产生全景深影像的方法及装置 | |
| CN117576228B (zh) | 基于实时场景的相机坐标标定方法及系统 | |
| Ji et al. | Correction and pointer reading recognition of circular pointer meter | |
| CN115131748A (zh) | 一种提高雷视一体机目标跟踪识别准确率的方法和系统 | |
| CN113781478B (zh) | 油罐图像检测方法、装置、电子设备和计算机可读介质 | |
| CN113947025B (zh) | 短时交通流的预测方法、装置、终端设备及存储介质 | |
| CN103868601B (zh) | Irfpa探测器非均匀响应的双边全变分正则化校正方法 | |
| CN114240940A (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
| CN116128762A (zh) | 卫星影像预处理方法、装置、电子设备及存储介质 | |
| CN114998425B (zh) | 一种基于人工智能的目标物体地理坐标定位方法和装置 | |
| CN115861393A (zh) | 图像匹配方法、航天器着陆点定位方法及相关装置 | |
| CN113284106B (zh) | 距离检测方法及装置 | |
| CN114972170A (zh) | 一种基于鱼眼相机的密集场景下抗遮挡的物体检测方法 | |
| CN111089607B (zh) | 一种望远镜系统探测能力自动标校方法 | |
| CN115810051A (zh) | 一种内参校准方法、装置、电子设备及存储介质 | |
| JP6615709B2 (ja) | 前景領域抽出装置、方法、及びプログラム | |
| CN115620030B (zh) | 一种图像匹配方法、装置、设备、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 |