一种基于二维标定物的相机标定方法技术

本发明专利技术提出一种基于二维标定物的相机标定方法，在进行标定图像优选的基础上实现相机标定，包括准备平面标定板，用相机采集平面标定板每个角度的图像，对每幅图像进行角点提取，计算每幅图像对应的单应性矩阵，初始化随机抽取一致性的参数，从所有的单应性矩阵中随机选取单应性矩阵，计算IAC，并判断每幅图像对应的单应性矩阵与IAC之间的距离，根据判断得到内点集和内点数的总和，并进行局部优化；最后根据所有内点估计IAC，去除外点对应的图像集，完成标定图像优选；根据标定图像优选结果进一步得到标定结果。本发明专利技术可以提升张正友二维平面的标定方法，获得更稳定可靠的标定精度。

【技术实现步骤摘要】
一种基于二维标定物的相机标定方法
本专利技术涉及相机标定
，尤其涉及基于二维标定物的相机标定技术，具体涉及基于标定图像优选的相机标定方法。
技术介绍
相机标定技术指的是找到相机模型的参数。参数一般包含从场景到图像的参数(内参)，以及从参考坐标系到相机坐标系的参数(外参)。另外还包含相机镜头由于制造误差而产生的非线性畸变参数。相机标定的精确性直接影响着三维重建、视觉检测和视觉导航的精度。有许多的学者对相机标定进行了研究，主要分为自标定和基于标定物的标定。自标定不用标定物，直接根据采集静态场景的图像上的对应点来标定相机，但它的对应点的提取精度有限，且有的场景没有对应点，并且它没有考虑镜头的畸变[2]，因此它的标定精度受限[1]。在精度要求高的场合常采用基于标定物的标定方法。基于标定物的标定方法主要分为基于三维标定物和基于二维标定物的方法，基于三维标定物的方法需要坐标精确已知的三维标定物，它需要的设备很昂贵。应用最广泛的是基于二维标定物的标定方法，最经典的是张正友的二维平面模板标定方法[3]。张正友的二维平面标定方法中需要采集多张不同视角的图像来进行标定，标定的精度依赖于合适的视角[3](当标定板的角度和相机的成像平面的角度为45度时，标定精度会较高)、角点提取的精确性等。不同的图像集会导致不同的标定精度。为了处理这个问题，[2]提出了用随机抽取一致性[4](RANSAC)来剔除不可靠的图像来达到更好的标定效果，但是由于标准的RANSAC有些缺点如下：(1)标准的RANSAC运行时间比理论上预测的更长[5]，(2)它假设从内点里面得到的模型是与所有内点一致的，这个假设通常不成立，因为内点有时候也会受噪声的影响。因此RANSAC得到的内点数具有一定的随机性，与理论上的内点不相同，所得到的模型当然也不和理论相同。相关参考文献：[1]S.Bougnoux,“Fromprojectivetoeuclideanspaceunderanypracticalsituation,acriticismofself-calibration,”Proc.IEEE.InternationalConferenceonComputerVision(ICCV98),IEEE.CSPess.Dec.1998,pp.790–796,doi:10.1109/ICCV.1998.710808.[2]Y.Lv,J.Feng,Z.Li,W.LiandJ.Cao.“ANewRobust2DCameraCalibrationMethodusingRANSAC,”Optik-InternationalJournalforLightandElectronOptics,vol.126,Dec.2015,pp.4910–4915.[3]Z.Zhang,“AFlexibleNewTechniqueforCameraCalibration,”IEEETransactionsonPatternAnalysisandMachineIntelligence,vol.22,Dec.2000,pp.1330–1334,doi:10.1109/34.888718.[4]M.A.FischlerandR.C.Bolles,“RandomSampleConsensus:AParadigmforModelFittingwithApplicationstoImageAnalysisandAutomatedCartography,”CommunicationsoftheACM,vol.24,Dec.1981,pp.381–395.[5]B.TordoffandD.W.Murray,“GuidedSamplingandConsensusforMotionEstimation,”Proc.EuropeanConferenceonComputerVision(ECCV02),Springer-VerlagPress,Dec.2002,pp.82–96.doi:10.1007/3-540-47969-4_6.[6]O.Chum,J.MatasandJ.Kittler,“LocallyoptimizedRANSAC,”LectureNotesinComputerScience,vol.2781,Dec.2003,pp.236–243.[7]D.C.Brown,“Close-rangeCameraCalibration,”PhotogrammEng,vol.37,Dec.2002,pp.855–866.[8]J.Salvi,X.ArmangueandJ.Batlle,“AComparativeReviewofCam-eraCalibratingMethodswithAccuracyEvaluation,”PatternRecognition,vol.35,Dec.2002,pp.1617–1635.[9]R.HartleyandA.Zisserman,MultipleViewGeometryinComputerVision,2nded.,vol.30.CambridgeUniversityPress,2003,pp.1865–1872.[10]http://www.vision.caltech.edu/bouguetj/calib_doc/.
技术实现思路
针对传统的基于二维模型的标定方法需要从不同的角度采取图像，标定的精度受采集角度，采集距离，特征点的定位的影响，本专利技术提供了一种用局部优化的随机抽取一致性来提高张正友相机标定法准确性的方法。本专利技术技术方案提出一种基于二维标定物的相机标定方法，进行标定图像优选的基础上实现相机标定，包括以下步骤，步骤1，准备平面标定板；步骤2，用相机采集平面标定板每个角度的图像，设得到J幅图像；步骤3，对每幅图像进行角点提取，计算每幅图像对应的单应性矩阵，记为Hj，其中j为图像序号，取值为1,2,3,…,J；步骤4，初始化随机抽取一致性的参数，包括取理论迭代次数k为∞，初始的实际迭代次数为i＝0，最好的内点集为bestSub＝[]，最好的内点数为bestNin＝0；[]表示空集；步骤5，从步骤3所得所有的单应性矩阵Hj中随机选取s个单应性矩阵，计算IAC，并判断每幅图像对应的单应性矩阵Hj与IAC之间的距离Dj，根据预设的相应阈值thr判断是否Dj<thr，是则认为Hj为内点，否则认为Hj为外点，得到内点集sub和内点数的总和Nin；其中s为最小采样点数；所述IAC代表K-TK-1，K是内参数；i＝i+1；步骤6，判断是否Nin>bestNin，如果是，进入步骤7进行局部优化，否则返回步骤5；步骤7，进行局部优化，包括以下子步骤，步骤7.1，初始化局部优化的次数d＝10，初始化当前迭代中的局部最多内点数lobestNin＝0，局部最好内点集lobestSub＝[]；步骤7.2，令n＝4，Nin＝0，sub＝[]，从当前的内点集sub中随机选取slo个内点计算IAC，slo大于最小采样点数s，判断每幅图像对应的单应性矩阵Hj与IAC之间的距离Dj；步骤7.3，根据给定的阈值thr的n倍进行IAC内点数的判断，包括判断是否Dj<n*thr，本文档来自技高网...

【技术保护点】
一种基于二维标定物的相机标定方法，其特征在于：在进行标定图像优选的基础上实现相机标定，包括以下步骤，步骤1，准备平面标定板；步骤2，用相机采集平面标定板每个角度的图像，设得到J幅图像；步骤3，对每幅图像进行角点提取，计算每幅图像对应的单应性矩阵，记为Hj，其中j为图像序号，取值为1,2,3,…,J；步骤4，初始化随机抽取一致性的参数，包括取理论迭代次数k为∞，初始的实际迭代次数为i＝0，最好的内点集为bestSub＝[]，最好的内点数为bestNin＝0；[]表示空集；步骤5，从步骤3所得所有的单应性矩阵Hj中随机选取s个单应性矩阵，计算IAC，并判断每幅图像对应的单应性矩阵Hj与IAC之间的距离Dj，根据预设的相应阈值thr判断是否Dj<thr，是则认为Hj为内点，否则认为Hj为外点，得到内点集sub和内点数的总和Nin；其中s为最小采样点数；所述IAC代表K

【技术特征摘要】
1.一种基于二维标定物的相机标定方法，其特征在于：在进行标定图像优选的基础上实现相机标定，包括以下步骤，步骤1，准备平面标定板；步骤2，用相机采集平面标定板每个角度的图像，设得到J幅图像；步骤3，对每幅图像进行角点提取，计算每幅图像对应的单应性矩阵，记为Hj，其中j为图像序号，取值为1,2,3,…,J；步骤4，初始化随机抽取一致性的参数，包括取理论迭代次数k为∞，初始的实际迭代次数为i＝0，最好的内点集为bestSub＝[]，最好的内点数为bestNin＝0；[]表示空集；步骤5，从步骤3所得所有的单应性矩阵Hj中随机选取s个单应性矩阵，计算IAC，并判断每幅图像对应的单应性矩阵Hj与IAC之间的距离Dj，根据预设的相应阈值thr判断是否Dj<thr，是则认为Hj为内点，否则认为Hj为外点，得到内点集sub和内点数的总和Nin；其中s为最小采样点数；所述IAC代表K-TK-1，K是内参数；i＝i+1；步骤6，判断是否Nin>bestNin，如果是，进入步骤7进行局部优化，否则返回步骤5；步骤7，进行局部优化，包括以下子步骤，步骤7.1，初始化局部优化的次数d＝10，初始化当前迭代中的局部最多内点数lobestNin＝0，局部最好内点集lobestSub＝[]；步骤7.2，令n＝4，Nin＝0，sub＝[]，从当前的内点集sub中随机选取slo个内点计算IAC，slo大于最小采样点数s，判断每幅图像对应的单应性矩阵Hj与IAC之间的距离Dj；步骤7.3，根据给定的阈值thr的n倍进行IAC内点数的判断，包括判断是否Dj<n*thr，如果是则认为Hj为内点，否则认为Hj为外点，对每幅图像判断完成后，得到当前的内点集sub和内点数的总和Nin，令n＝n-1；步骤7.4，判断是否n>1，如果否则进入步骤7.5，如果是则由当前的内点集sub计算IAC，返回步骤7.3；步骤7.5，判断Nin>lobestNin，若是，lobestNin＝Nin，lobestSub＝sub，进入步骤7.6，若否则进入步骤...

【专利技术属性】
技术研发人员：张琴，伍世虔，蒋俊，邹谜，张俊勇，余杭，陈鹏，杨超，徐正勤，鲁阳，王建勋，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北,42