CN117934621A - 一种基于圆点阵标定板的相机标定方法 - Google Patents
一种基于圆点阵标定板的相机标定方法 Download PDFInfo
- Publication number
- CN117934621A CN117934621A CN202311610956.9A CN202311610956A CN117934621A CN 117934621 A CN117934621 A CN 117934621A CN 202311610956 A CN202311610956 A CN 202311610956A CN 117934621 A CN117934621 A CN 117934621A
- Authority
- CN
- China
- Prior art keywords
- points
- point
- calibration
- coordinates
- calibration plate
- 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 39
- 239000011159 matrix material Substances 0.000 title claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于圆点阵标定板的相机标定方法,其通过图像中标定板特征点像素坐标与特征点的实际坐标一一对应关系,完成像素点到标定板坐标系点之间的转换,从而实现相机的内外参标定。该方法通过拍摄高精度圆点阵标定板,利用算法提取图像中圆点轮廓亚像素坐标,拟合椭圆中心,利用圆点之间的位置关系及几何关系,推算相邻圆点之间的相对行列。本发明标定过程简单,全过程自动化,精度高,一般的标定过程中因标定板摆放位置不当、光源照射会导致个别特征点缺失,特征点实际坐标无法推算,进而导致标定失败,在本发明中,通过广度优先遍历的方法一定程度避免了此类问题,提高了标定的成功率。
Description
技术领域
本发明涉及图像处理定位、检测、测量领域,尤其涉及一种基于圆点阵标定板的相机标定方法。
背景技术
机器视觉各类测量、定位算法非常依赖相机标定所得内外参的准确性,目前,用于相机标定的标定板常见有两种形式:棋盘格标定板及原点阵标定板,两种标定板各有优劣:棋盘格标定板不存在偏心误差问题,且角点之间关系容易推算,开源视觉库opencv所用的标定板即为棋盘格标定板,但棋盘格角点的亚像素提取容易受角点附近图像的采集噪声、标定板上的脏污、光源照射等因素影响,产生较大的提取误差;圆点标定板特征点通过对标定图像椭圆轮廓提取拟合得到的椭圆中心作为特征点的亚像素坐标,参与拟合的轮廓点往往数百个甚至上千个,这种情况下,个别轮廓点提取偏差并不会对最终的拟合结果有较大影响,但会有一定程度的偏心误差,当相机相对倾斜越严重或者镜头畸变过大时,标定图像中圆点所成椭圆的长短轴相差越大,这种偏心误差就越严重,且圆点标定板不像棋盘格标定板,圆点之间没有明确的结构辅助确定圆点之间的相对行列关系,导致相对行列的推算不如棋盘格标定板可靠。
此两类标定板都有部分共同的问题,其一是当部分特征点在标定图像中缺失时,标定算法就无法继续执行,因为目前的标定算法中,特征点的相对行列推算多是逐行推算,当某一行中出现缺失特征点就会导致推算失败或者推算错误,其二是对称性问题,在opencv的棋盘格标定算法中,要求当前标定板不具有对称性,而一般的圆点标定板会在其左上角添加三角形图案,且行列数不能相等,否则标定算法获取的相机外参就具有歧义,这类问题的解决在多相机联合工作时,尤为重要,因为使用者在使用多相机联合工作时,是需要多台相机的外参是相对于同一个世界坐标系的。两类标定板在标定时都需要在标定图像中被完整拍摄,这样一来就会对标定过程中光源的放置、标定板材质、标定板的摆放提出严苛要求。
因此一种新型的相机标定方法及装置亟待出现,此方法应具有容易操作、特征点提取可靠性高等特点,且标定板的制作成本要相对低。
发明内容
为了解决上述问题,本发明提供一种基于圆点阵标定板的相机标定方法,具有操作简单、稳定性高、标定精度高,且标定板制作成本低等特点。
本发明是通过以下技术方案来实现的:一种基于圆点阵标定板的相机标定方法,包括以下步骤:
S1、对采集图像做预处理:
将采集的图像转换为灰度图,并利用高斯滤波对图像进行降噪处理,以优化后续处理阶段的图像质量;
S2、利用Sobel算子及插值算法提取标定图像中的亚像素边缘点:
通过Sobel算子提取图像中像素级边缘点,利用像素级边缘点附近像素点的图像梯度,计算该边缘点的亚像素坐标;
S3、亚像素边缘点连接,形成弧段:
通过亚像素边缘点的图像坐标、梯度方向,搜索弧段上该边缘点的前后边缘点;
S4、椭圆轮廓识别与特征点处理:
利用弧段的首尾位置、首尾切向量搜索前后弧段,形成椭圆轮廓点集,对点集做椭圆拟合,拟合所得椭圆几何特征相近的轮廓点集合并,每个点集对应一个标定板特征点,对聚合后的轮廓点集做椭圆拟合,存储拟合所得的椭圆中心、椭圆亚像素轮廓点集;
S5、搜索每个特征点的相邻特征点,并按照顺时针排序:
对每个特征点搜索四个最近特征点,利用两两相邻特征点所成夹角剔除错误邻居,将相邻特征点的结构体指针存储至当前特征点的结构体中,并利用夹角大小将该特征点的相邻特征点按顺时针排序,计算每个特征点相对于特征点集中第一个特征点的相对行列数;
S6、二维码识别及标定板信息获取:
利用特征点的获取标定图像中可能存在标定板二维码的区域,扫描二维码获取标定板型号、特征点实际尺寸、特征点之间的实际距离、二维码宽度,以及二维码所在标定板中的行列数;
S7、特征点坐标转换与标定板坐标计算:
利用二维码周围的部分特征点与二维码之间的相对位置关系,推算其在标定板中的实际坐标,再结合其相对行列数,计算特征点相对行列数到标定板坐标的转换关系,利用所得转换关系计算所有特征点的标定板平面坐标;
S8、反投影迭代相机参数标定与特征点坐标修正:
通过特征点的图像及其标定板坐标反投影迭代标定相机的内外参,通过多次标定,每次标定利用反投影修正特征点的图像坐标。
作为优选的技术方案,将标定图像转为灰度图,并通过高斯滤波对所得灰度图降噪,且当标定板的圆点为白色圆点时,需要将标定图像反相。
作为优选的技术方案,通过Sobel算子提取标定图像中的像素级边缘点,并通过插值对所得像素级边缘点细化,获取亚像素边缘点。
作为优选的技术方案,亚像素边缘之间的连接依赖于两点之间的相对位置及梯度方向所成夹角,如对于亚像素边缘点a和点b,各自的位置为xa和xb,梯度为ga和gb,|xa-xb|<5且ga和gb的夹角小于30°时,记v=xb-xa,当v与ga所成夹角大于0时,记xb为xa的前边缘点,小于0时即为后边缘点,离xa最近的前边缘点和后边缘点将被存储至边缘点结构体中,将每个边缘点与其前后点连接,形成弧段集。
作为优选的技术方案,计算每个弧段首尾的切向量方向并存储,若弧段的前切向量与另一弧段的后切向量方向相近,且两弧段的首尾也相近,则将两弧段视为同一个椭圆中的弧段,将弧段的所有点合并到一个点集中,对所有弧段做如上操作后,对形成的所有点集做椭圆拟合,将所得椭圆特征相近的点集再次合并,作为最终的椭圆轮廓点集。
作为优选的技术方案,对所有椭圆轮廓点集做椭圆拟合,存储椭圆的中心及相关几何特征,为每个椭圆搜索与之最相近的四个椭圆即为椭圆的四个相邻特征点,并按照顺时针排序。排序后检查连接的正确性,根据相邻两个邻居特征点所成夹角及距离,剔除可能连接错误的邻居。将所有包含4个邻居的特征点按照邻居所成夹角正弦值的绝对值从大到小排序,存储至数组中,从数组中的第一个特征点开始通过广度优先遍历,记第一个特征点为第0行0列,计算与之直接或间接相连的特征点相对行列数。
作为优选的技术方案,搜索邻居数为3的特征点,通过此类特征点及相邻特征点的邻居点数,推算可能存在二维码的区域,对区域尝试读取二维码,读取并解码成功时,获取二维码所在标定板中点行列数及特征点之间的实际距离,进而可计算二维码周边特征点的实际坐标,利用此部分特征点的相对行列及其实际坐标,计算特征点相对行列到实际坐标的转换关系,利用所得转换关系计算所有特征点的实际坐标。
作为优选的技术方案,利用所有特征点的实际坐标及像素坐标,初步标定相机的内外参,利用内外参计算所有特征点轮廓的实际坐标,对实际坐标做椭圆拟合,将所得中心通过内外参反投影至图像坐标系中,所得坐标视为新的特征点坐标,标定-轮廓投影-投影拟合-中心反投影-更新特征点图像坐标,这一过程重复三次后将相机内外参输出,完成标定。
作为优选的技术方案,在标准原点阵标定板的基础上在特定位置同二维码替换圆点,二维码中存储二维码所在行列、二维码宽度及特征点的实际间距信息。
标定板的示例样式如图5所示,可根据实际情况增减二维码数量、二维码宽度、圆点阵行列数。
读取二维码可以获取二维码左上角在标定板中的行数、列数、标定板圆点的实际间隔距离,同时可以获取二维码四个顶点的准确坐标,在不发生翻转的情况下四个顶点的返回顺序固定为顺时针,返回的顺序如图6所示;
若发生翻转,四个顶点的返回顺序如图7所示;
通过此标定板的相机标定方法通过以下技术方案实现:使用待标定相机采集标定图像,确保标定板在视野中占比超过1/2,且需要包含至少一个二维码,不需要包含完整的标定板;
将标定图像转为灰度图,使用高斯滤波对图像做降噪处理,当标定板圆点为亮色圆点时,将对标定图像做反相,保证预处理后的标定图像中,圆点是暗色圆点;
提取标定图像中梯度模大于设定值的边缘点,并通过插值计算待定边缘的亚像素坐标,存储边缘点亚像素坐标及梯度;
像素边缘点连接,形成弧段:通过亚像素边缘点的图像坐标、梯度方向,搜索弧段上该边缘点的前后边缘点;
利用弧段的首尾位置、首尾切向量搜索前后弧段,形成椭圆轮廓点集,对点集做椭圆拟合,拟合所得椭圆几何特征相近的轮廓点集合并,每个点集对应一个标定板特征点,对聚合后的轮廓点集做椭圆拟合,存储拟合所得的椭圆中心、椭圆亚像素轮廓点集;
搜索每个特征点的相邻特征点,并按照顺时针排序:对每个特征点搜索四个最近特征点,利用两两相邻特征点所成夹角剔除错误邻居,将相邻特征点的结构体指针存储至当前特征点的结构体中,并利用夹角大小将该特征点的相邻特征点按顺时针排序,计算每个特征点相对于特征点集中第一个特征点的相对行列数;
利用特征点的获取标定图像中可能存在标定板二维码的区域,扫描二维码获取标定板型号、特征点实际尺寸、特征点之间的实际距离,以及二维码所在标定板中的行列数;
利用二维码周围的部分特征点与二维码之间的相对位置关系,推算其在标定板中的实际坐标,再结合其相对行列数,计算特征点相对行列数到标定板坐标的转换关系,利用所得转换关系计算所有特征点的标定板平面坐标;
通过特征点的图像及其标定板坐标反投影迭代标定相机的内外参:通过多次标定,每次标定利用反投影修正特征点的图像坐标,如图3所示。
本发明的有益效果是:本发明标定过程简单,全过程自动化,精度高,一般的标定过程中因标定板摆放位置不当、光源照射会导致个别特征点缺失,特征点实际坐标无法推算,进而导致标定失败,在本发明中,通过广度优先遍历的方法一定程度避免了此类问题,提高了标定的成功率。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例示出的一种相机标定方法的总流程;
图2为本发明实施例的示例图一;
图3为本发明的基本流程示意图;
图4为本发明实施例的示例图二;
图5为本发明标定板的示例样式;
图6为本发明二维码的返回顺序示意图一;
图7为本发明二维码的返回顺序示意图二;
图8为本发明实施例的示例图三;
图9为本发明的实施例的示例图四;
图10为本发明的实施例的示例图五;
图11为本发明各个特征点的邻居行列关系定义图;
图12为本发明的实施例的示例图六。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
图1为根据实施例示出的一种相机标定方法的总流程。如图1所示,本实施例中,相机的标定流程包括以下步骤:
采集标定图像,将标定图像转为灰度图,使用高斯滤波对图像做降噪处理,当标定板圆点为亮色圆点时,将对标定图像做反相,保证预处理后的标定图像中,圆点是暗色圆点,示例图如图2所示;
利用sobel算子提取标定图像中梯度模大于设定值的像素级边缘点,并通过插值计算待定边缘的亚像素坐标,存储边缘点亚像素坐标及梯度;
通过亚像素边缘点的图像坐标、梯度方向,搜索弧段上该边缘点的前后边缘点,如图8所示。
其中X=Xb-Xa,Ga为a点的梯度,Gb为b点的梯度,计算X与Ga所成角a1∈[-Π,Π),计算X与Gb所成角a2∈[-Π,Π),当X的模小于5,Ga与Gb所成角小于30°时,且a1*a2>0,b才可能是a的前点或者后点,若a1>0,b是a的前点,否则是a的后点,在a的所有前点中保留距离a最近的一个点作为a的最终前一个边缘点,在a的所有后点中保留距离a最近的一个点作为a的最终后一个边缘点,对所有的点做同样的操作,即可得到所有边缘点的前一个边缘点与后一个边缘点,通过深度优先遍历得到标定图像的亚像素有向(有头和尾)边缘弧段集;
利用弧段的首尾位置、首尾切向量搜索前后弧段,形成椭圆轮廓点集,示意图如图9所示;
对于弧段A1,计算其平均曲率半径R1及平均曲率中心C1,对于弧段A2,计算其曲率半径R2及平均曲率中心C2,讨论A1的头部、A2的尾部,当两者满足下列条件时连接弧段:
(1).A1头部到A2尾部相距小于(R1+R2)/4;
(2).|R1-R2|/(R1+R2)小于0.25;
(3).||C1-C2||/(R1+R2)小于1;
(4).A1头部切向量与A2尾部切向量夹角小于30°。
A1对所有弧段完成条件判断后,只保留与A1头部最近的弧段连接,对于尾部做类似处理,将间接或直接相连的弧段的点集聚合,形成椭圆轮廓点集;
对椭圆轮廓点集点集做椭圆拟合,得到椭圆的几何特征:中心位置、长轴、短轴、旋转角度,几何特征相近的椭圆对应轮廓点集合并,每个点集对应一个标定板特征点,对聚合后的轮廓点集做二次椭圆拟合,存储拟合所得的椭圆中心、椭圆亚像素轮廓点集;
搜索每个特征点的相邻特征点,并按照顺时针排序:对每个特征点搜索四个最近特征点,利用两两相邻特征点所成夹角剔除错误邻居,将相邻特征点的结构体指针存储至当前特征点的结构体中,并利用夹角大小将该特征点的相邻特征点按顺时针排序,以图10中的特征点C3和C5示例说明过程;
(1)初步排序,搜索待定起始点:记Vij=Ri-Rj,对于C3,以C1为起始邻居,四个邻居对应了四个向量V13、V23、V43、V53,在V23、V43、V53中搜索最接近-V13且所成夹角小于10°的向量,为V53,所以C3的第3位邻居为C5,计算V13×V23、V13×V43,这两个结果应是一正一负,正的运算结果对应点特征点为C3的第二位邻居,负的运算结果为C3的第4位邻居,在上图的C3中,所得的两个运算结果都大于0,所以C3暂不做讨论,不向待定起始点集中添加C3。讨论C5,可得C5的四位邻居正确排序后为:C4、C7、C6、C3,向待定起始特征点中添加C5,计算C5的评分:(V35×V45-V35×V65)/2,所有待定起始点按照评分从大到小排序;
(2)从第一个待定起始特征点开始,矫正与之间接或直接连接特征点的邻居排序:假设第一个其实特征点为C5,讨论C5的邻居特征点C3的邻居排序,C3为C5的第一个邻居,所以C5是C3的第3位邻居,C3有4位邻居对应了四个向量V13、V23、V43、V53,在V13、V23、V43搜索接近-V53的向量,结果为V13,所以C1为C3的第一位邻居,在V23、V43搜索与V53夹角接近90°的向量,结果为空,所以C3没有第四位邻居,在V23、V43搜索与V53夹角接近-90°的向量,结果为V23,所以C3的第二位邻居为C2,最终C3的邻居排序结果为:C1、C2、C5、--,第四位为空。类似地对C5的其余邻居做同样的处理,再以C5的邻居为父节点,对其邻居在做同样的处理,最终统一了与C5间接或直接相连特征点的邻居排序,再以C5为标准,记其为0行0列,各个特征点的邻居行列关系定义如图11所示。
根据该关系即可确定所有与C5关联特征点的相对行列,记录特征点的有效邻居数。
(3)确定主片区:上面仅是从C5展开讨论特征点之间的相对关系确定,实际标定图像中,可能存在部分点不与C5间接相连,最终通过所有的待定起始点会生成多个特征点片区,各个片区之间的相对关系无法确定,此处只保留最大的片区做后续讨论,其余片区的特征点将剔除;
读取二维码:利用特征点的获取标定图像中可能存在标定板二维码的区域,先找邻居数为3的特征点a,查询该特征点无邻居方位的前一位邻居b的邻居数是否为4,记该方位为D,检查该邻居的D+1方位邻居c的邻居数是否为3,若满足上述条件,则a、b、c构成的角对应的扇形区域内可能存在二维码,以图4为例说明潜在区域获取过程:
图4示例特征点有C1~C12,N为特征点的邻居数,搜索N=3的特征点,有C2、C4、C9,以C4、C9为例讨论,先看C4,C4无邻居的方位的前一位邻居为C2,C2的邻居数为3,不满足条件跳过;找到C9邻居数为3,无邻居方位的前一位D位邻居为C6,C6的D+1位邻居C4的邻居数为3,所以C9-C6-C4构成的角对应的扇形区域内可能包含一个二维码。
对所有可能包含二维码的区域尝试扫描二维码,扫描二维码获取标定板型号、特征点实际尺寸、特征点之间的实际距离、二维码四个顶点的准确坐标,以及二维码所在标定板中的行列数;
利用二维码周围的部分特征点与二维码之间的相对位置关系,推算其在标定板中的实际坐标,再结合其相对行列数,计算特征点相对行列数到标定板坐标的转换关系,利用所得转换关系计算所有特征点的标定板平面坐标,以下图12为例说明转换关系的推导过程:
通过扫描潜在区域读取二维码所在行列为m行n列,圆点实际间隔为5mm,二维码所占行数N=2,四个顶点为D1~D4,知D1指向D2的方向列数加1,D1指向D3的方向行数加1,下面通过C6及其邻居确定转换关系。
在所有特征点中搜索邻居数为4且最靠近D3的特征点,为C6,则可知C6在标定板中m+N行n-1列,即C6的实际坐标为E6=[(n-1)*5,(m+N)*5]。C6的邻居C4、C9,C6指向C4的方向与D1指向D3的方向相反,所以该方向行数减1,所以C4在标定板的m+N-1行n-1列,即C4的实际坐标为E4=[(n-1)*5,(m+N-1)*5],C6指向C9的方向与D指向D2的方向一致,所以C9的实际行列为m+N行n列,即C9的实际坐标为E9=[(n)*5,(m+N)*5]。
假设C6的相对行列为i6行j6列,C4的相对行列为i4行j4列,C9的相对行列为i9行j9列,由于C9、C4是C6的邻居,可以假设i4=i6,j6=j9,记有向量V1=(E4-E6)/(j4-j6),V2=(E9-E6)/(i9-i6),点D0=E6-i6*V2-j6*V1,则所有特征点的相对行列到实际坐标的转换关系如下:
对于相对行列为i行j列的特征点,实际坐标(x,y)=D0+i*V2+j*V1;
利用该转换关系即可计算所有特征点的实际坐标;
反投影迭代标定相机的内外参:通过多次标定,每次标定利用反投影修正特征点的图像坐标,基本流程示意如图3,这里的操作是为了消除特征点提取的偏心误差,如果特征点提取不存在偏心误差的情况下,利用特征点的图像坐标及实际坐标标定的相机内外参,作用于前面提取的椭圆轮廓点集时,所得到应该是标定板坐标系上的正圆轮廓点集,得到的正圆轮廓点集再做椭圆拟合所得到的正圆中心坐标应该与特征点的实际坐标几乎相等。
实际情况是在畸变倾斜导致的透视效果下,标定板的圆点被投影成图像中的椭圆,该椭圆的中心与圆点的中心投影存在偏差,这种情况下,标定所得内外参并不能将特征点轮廓点集还原为正圆轮廓点集,但相当接近正圆,对所得近似正圆做椭圆拟合所得中心可以利用前面的内外参再次投影至图像坐标系,所得坐标作为特征点的新图像坐标,并再次做相机的内外参标定,重复上述过程即可逐步消除偏心误差。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (9)
1.一种基于圆点阵标定板的相机标定方法,其特征在于,包括以下步骤:
S1、对采集图像做预处理:
将采集的图像转换为灰度图,并利用高斯滤波对图像进行降噪处理,以优化后续处理阶段的图像质量;
S2、利用Sobel算子及插值算法提取标定图像中的亚像素边缘点:
通过Sobel算子提取图像中像素级边缘点,利用像素级边缘点附近像素点的图像梯度,计算该边缘点的亚像素坐标;
S3、亚像素边缘点连接,形成弧段:
通过亚像素边缘点的图像坐标、梯度方向,搜索弧段上该边缘点的前后边缘点;
S4、椭圆轮廓识别与特征点处理:
利用弧段的首尾位置、首尾切向量搜索前后弧段,形成椭圆轮廓点集,对点集做椭圆拟合,拟合所得椭圆几何特征相近的轮廓点集合并,每个点集对应一个标定板特征点,对聚合后的轮廓点集做椭圆拟合,存储拟合所得的椭圆中心、椭圆亚像素轮廓点集;
S5、搜索每个特征点的相邻特征点,并按照顺时针排序:
对每个特征点搜索四个最近特征点,利用两两相邻特征点所成夹角剔除错误邻居,将相邻特征点的结构体指针存储至当前特征点的结构体中,并利用夹角大小将该特征点的相邻特征点按顺时针排序,计算每个特征点相对于特征点集中第一个特征点的相对行列数;
S6、二维码识别及标定板信息获取:
利用特征点的获取标定图像中可能存在标定板二维码的区域,扫描二维码获取标定板型号、特征点实际尺寸、特征点之间的实际距离、二维码宽度,以及二维码所在标定板中的行列数;
S7、特征点坐标转换与标定板坐标计算:
利用二维码周围的部分特征点与二维码之间的相对位置关系,推算其在标定板中的实际坐标,再结合其相对行列数,计算特征点相对行列数到标定板坐标的转换关系,利用所得转换关系计算所有特征点的标定板平面坐标;
S8、反投影迭代相机参数标定与特征点坐标修正:
通过特征点的图像及其标定板坐标反投影迭代标定相机的内外参,通过多次标定,每次标定利用反投影修正特征点的图像坐标。
2.根据权利要求1所述的基于圆点阵标定板的相机标定方法,其特征在于:将标定图像转为灰度图,并通过高斯滤波对所得灰度图降噪,且当标定板的圆点为白色圆点时,需要将标定图像反相。
3.根据权利要求1所述的基于圆点阵标定板的相机标定方法,其特征在于:通过Sobel算子提取标定图像中的像素级边缘点,并通过插值对所得像素级边缘点细化,获取亚像素边缘点。
4.根据权利要求1所述的基于圆点阵标定板的相机标定方法,其特征在于:亚像素边缘之间的连接依赖于两点之间的相对位置及梯度方向所成夹角,如对于亚像素边缘点a和点b,各自的位置为xa和xb,梯度为ga和gb,|xa-xb|<5且ga和gb的夹角小于30°时,记v=xb-xa,当v与ga所成夹角大于0时,记xb为xa的前边缘点,小于0时即为后边缘点,离xa最近的前边缘点和后边缘点将被存储至边缘点结构体中,将每个边缘点与其前后点连接,形成弧段集。
5.根据权利要求1所述的基于圆点阵标定板的相机标定方法,其特征在于:计算每个弧段首尾的切向量方向并存储,若弧段的前切向量与另一弧段的后切向量方向相近,且两弧段的首尾也相近,则将两弧段视为同一个椭圆中的弧段,将弧段的所有点合并到一个点集中,对所有弧段做如上操作后,对形成的所有点集做椭圆拟合,将所得椭圆特征相近的点集再次合并,作为最终的椭圆轮廓点集。
6.根据权利要求1所述的基于圆点阵标定板的相机标定方法,其特征在于:对所有椭圆轮廓点集做椭圆拟合,存储椭圆的中心及相关几何特征,为每个椭圆搜索与之最相近的四个椭圆即为椭圆的四个相邻特征点,并按照顺时针排序。排序后检查连接的正确性,根据相邻两个邻居特征点所成夹角及距离,剔除可能连接错误的邻居。将所有包含4个邻居的特征点按照邻居所成夹角正弦值的绝对值从大到小排序,存储至数组中,从数组中的第一个特征点开始通过广度优先遍历,记第一个特征点为第0行0列,计算与之直接或间接相连的特征点相对行列数。
7.根据权利要求1所述的基于圆点阵标定板的相机标定方法,其特征在于:搜索邻居数为3的特征点,通过此类特征点及相邻特征点的邻居点数,推算可能存在二维码的区域,对区域尝试读取二维码,读取并解码成功时,获取二维码所在标定板中点行列数及特征点之间的实际距离,进而可计算二维码周边特征点的实际坐标,利用此部分特征点的相对行列及其实际坐标,计算特征点相对行列到实际坐标的转换关系,利用所得转换关系计算所有特征点的实际坐标。
8.根据权利要求1所述的基于圆点阵标定板的相机标定方法,其特征在于:利用所有特征点的实际坐标及像素坐标,初步标定相机的内外参,利用内外参计算所有特征点轮廓的实际坐标,对实际坐标做椭圆拟合,将所得中心通过内外参反投影至图像坐标系中,所得坐标视为新的特征点坐标,标定-轮廓投影-投影拟合-中心反投影-更新特征点图像坐标,这一过程重复三次后将相机内外参输出,完成标定。
9.根据权利要求1所述的基于圆点阵标定板的相机标定方法,其特征在于:在标准原点阵标定板的基础上在特定位置同二维码替换圆点,二维码中存储二维码所在行列、二维码宽度及特征点的实际间距信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311610956.9A CN117934621A (zh) | 2023-11-29 | 2023-11-29 | 一种基于圆点阵标定板的相机标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311610956.9A CN117934621A (zh) | 2023-11-29 | 2023-11-29 | 一种基于圆点阵标定板的相机标定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117934621A true CN117934621A (zh) | 2024-04-26 |
Family
ID=90767408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311610956.9A Pending CN117934621A (zh) | 2023-11-29 | 2023-11-29 | 一种基于圆点阵标定板的相机标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934621A (zh) |
-
2023
- 2023-11-29 CN CN202311610956.9A patent/CN117934621A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633192B (zh) | 一种基于机器视觉的复杂背景下条形码分割与识读方法 | |
CN110686599B (zh) | 基于彩色格雷码结构光的三维测量方法、系统、装置 | |
CN106683137B (zh) | 基于人工标志的单目多目标识别与定位方法 | |
CN111123242B (zh) | 一种基于激光雷达和相机的联合标定方法及计算机可读存储介质 | |
CN112013792A (zh) | 一种复杂大构件机器人面扫描三维重建方法 | |
CN109215016B (zh) | 一种编码标志的识别定位方法 | |
CN109325381B (zh) | 一种qr码定位和校正方法 | |
CN104517109A (zh) | 一种qr码图像的校正方法及系统 | |
CN115147499A (zh) | 标定参数确定方法、混合标定板、装置、设备和介质 | |
CN101882220B (zh) | 一种基于动态模板的条码图像校正方法及校正点获取方法 | |
CN111368573A (zh) | 一种基于几何特征约束的定位方法 | |
CN110020571B (zh) | 二维码校正方法、装置及设备 | |
CN114693529B (zh) | 一种图像拼接方法、装置、设备及存储介质 | |
CN112184825B (zh) | 一种标定板和标定方法 | |
CN112184826B (zh) | 一种标定板和标定方法 | |
CN116309829A (zh) | 一种基于多目视觉的长方体扫描体群解码和位姿测量方法 | |
CN110838146A (zh) | 一种共面交比约束的同名点匹配方法、系统、装置及介质 | |
CN112950650B (zh) | 适用于高精度形貌测量的深度学习畸变光斑中心提取方法 | |
CN110969612B (zh) | 二维码印刷缺陷检测方法 | |
CN117934621A (zh) | 一种基于圆点阵标定板的相机标定方法 | |
CN112200822A (zh) | 表格重建方法、装置、计算机设备及存储介质 | |
CN101882213B (zh) | 一种条码图像采样方法 | |
CN116524041A (zh) | 一种相机标定方法、装置、设备及介质 | |
CN101908144B (zh) | 一种条码图像校正方法及校正点获取方法 | |
CN113536822B (zh) | 二维码校正方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |