一种新的摄像机线性标定方法

计算机视觉中,在对景物进行定量分析或对物体进行精确定位时,都需要进行摄像机标定,即准确确定摄影机的内部参数和外部参数,因此寻找新的快速有效的摄像机标定计算方法是计算机视觉应用中的一个重要问题。为也快速有效地进行摄像机的标定,并针对常用的带有一阶径向畸变的摄像机模型,提出了一种线性求解摄像机参数的标定方法,它可分步标定各参数,且全部采用线性方法求解,从而避免了非线性优化中的不稳定性,使得算法更为实用,简单快捷。实验结果表明,该方法具有较高的标定精度,是一种实用的标定方法。     

双目视觉测量系统的标定及3维测量

针对结构光形位公差视觉测量系统,提出了一阶径向畸变的摄像机成像模型和标定方法,并对传统的直接线性变换(DLT变换)标定算法做了些改进。即先针对没有畸变的线性模型,利用传统的标定算法,解线性超定方程组求解摄像机的全部参数,再针对引入一阶径向畸变的成像模型,以线性模型的参数为初值,通过非线性迭代优化摄像机的图像中心,等效焦距,倾斜因子,畸变系数等内部参数。实验结果表明,该方法无需预标定,精度适中,是相对简单实用的标定方法。     

快速有效的摄像机标定方法

提出了一种快速有效的基于径向约束的两步算法.该算法综合了线性模型和非线性模型的优点,在求解摄像机参数的过程中,采用线性模型标定摄像机中的一部分参数,进一步考虑非线性畸变,通过条件化简将非线性方程转化成线性方程求解其余摄像机参数,有效避免了直接求解非线性方程带来的计算繁琐和结果不稳定的缺陷.最后对标定结果采取最优化算法求精.实验结果表明,优化后的两步算法提高了摄像机标定的效率和准确性.     

基于参考像面法的CCD摄像机标定新技术

摄像机标定是计算机视觉检测中必不可少的步骤.在现有的摄像机参数标定算法中,纯线性算法标定速度快,但标定精度不是很高;相反如采用非线性搜索算法,标定精度高,但存在标定速度慢以及会出现不收敛现象.通过对现有线性标定算法的研究,提出一种既考虑摄像机的径向和切向畸变,又能实现全线性化求解的全新标定算法--参考像面法.经验证该方法标定速度快、精度较高、算法健壮,适用于大型视觉系统多摄像机的快速标定.     

一种鱼眼镜头成像立体视觉系统的标定方法

鱼眼镜头成像立体视觉系统在微小型机器人视觉导航和近距离大视场物体识别与定位中有着广泛的应用 .尽管鱼眼镜头摄像机具有很大的视场角 (接近 180°) ,但同时也引入严重的图像变形 ,常规的摄像机标定方法无法使用 .该文提出一种标定鱼眼镜头摄像机立体视觉系统的方法 .在鱼眼镜头变形模型的基础上 ,通过考虑鱼眼镜头成像的径向变形、偏心变形和薄棱镜变形 ,建立了鱼眼镜头成像的精确成像模型 ;然后 ,利用非线性迭代算法 ,精确求解摄像机外部参数、内部参数 .实验表明 ,使用该方法得到的立体视觉系统参数满足精确恢复大场景稠密深度图的要求 .     

基于畸变校正的双目立体摄像机线性标定

利用透视变换原理建立双目立体摄像机数学模型,全面考虑了镜头的径向畸变和切向畸 变,提出一种线性求解摄像机参数的标定方法,改变了以往的摄像机标定依赖于非线性优化的缺点,避免了非线性优化的不稳定性.该标定方法在单摄像机模型的基础上,加入对双摄像机相对位置的确定,通过成像过程中坐标系之间的转换,较好地实现了双目立体摄像测量系...     

矿用输送带双目视觉检测自适应标定方法

针对煤矿输送带纵向撕裂视觉检测中,传统的摄像机标定方法复杂、精度低等问题,提出了一种高效的双目视觉检测自适应标定方法。分析了摄像机数学模型与双目视觉基本原理,在线性模型的基础上引入非线性畸变参数,将输送带图像与7×7矩阵模型融合提取出的关键特征角点坐标值代入矩阵约束方程,求解出摄像机内外参数及结构参数、畸变参数,并对其进行非线性优化,得到精确值,最后采用贝叶斯误差估计方法对计算出的参数与Faugeras自标定方法所得结果进行对比分析。实验结果表明该方法精度高,可靠性好。     

非线性模型下的摄像机自标定

摄像机标定是从二维图像获取三维信息必不可少的步骤，线性（小孔）模型摄像机自标定，目前已成为计算机视觉领域的研究热点之一，对于非线性模型下摄像机的自标定，目前还未见到相关的研究报道，用于线性模型一般不能准确地描述真实像机的几何成像关系，因此对非线性模型摄像机自标定的研究具有十分重要的实际意义，该文主要探索非线性模型摄像机的自标定方法，基本原理是将非线性模型视为线性模型和畸变项的叠加，然后利用线性模型的基本矩阵或单应矩阵，给出非线性模型参数的约束方程，从而实现非线性模型摄像机的自标定，模拟和真实图像实验均表明该文所给的方法是可行的，具有一定的实用价值。     

基于共面靶标双目立体视觉传感器标定

根据双目立体视觉传感器的特点,提出了一种基于共面靶标的双目立体视觉传感器的标定方法.在不需要外部测量设备的情况下,通过共面靶标在平面上自由移动,获得靶标的标定点图像坐标,利用类似于Dr.Janne Heikkil(a)和Dr.Olli Silven所提出来的摄像机内部参数标定模型,采用线性和非线性结合的方法对双目摄像机进行摄像机内部参数的标定.试验结果表明,标定参数与出厂参数有一定的差异,但和实际情况还是吻合的,并且标定方法操作简便,切实可行.     

基于一阶径向畸变算法的双目摄像机多位姿标定方法

双目立体视觉中在对物体进行三维测量或精准定位时,需要对摄像机进行标定以获得其内外参数。研究径向畸变摄像机模型,构造了基于一阶径向畸变（RAC）算法的双目摄像机内外参数线性求解公式。考虑侧倾角、旋转角、俯仰角以及透镜的主要畸变因素,修正了传统RAC标定法中只考虑径向畸变、部分参数需要先验值的缺陷。利用标定所得内、外参数进行了多位姿双目摄像机三维重构实验。实验结果表明,该标定方法重投影误差分布在[-0.3,0.3],动态识别结果与实际运行轨迹重合率为96%,对降低双目立体视觉三维测量误差率有积极性影响。     

高速公路云台相机的自动标定

目的 云台相机因监控视野广、灵活度高,在高速公路监控系统中发挥出重要的作用,但因云台相机焦距与角度不定时地随监控需求变化,对利用云台相机的图像信息获取真实世界准确的物理信息造成一定困难,因此进行云台相机非现场自动标定方法的研究对高速公路监控系统的应用具有重要价值。方法 本文提出了一种基于消失点约束与车道线模型约束的云台相机自动标定方法,以建立高速公路监控系统的图像信息与真实世界物理信息之间准确描述关系。首先,利用车辆目标运动轨迹的级联霍夫变换投票实现纵向消失点的准确估计,其次以车道线模型物理度量为约束,并采用枚举策略获取横向消失点的准确估计,最终在已知相机高度的条件下实现高速公路云台相机标定参数的准确计算。结果 将本文方法在不同的场景下进行实验,得到在不同的距离下的平均误差分别为4.63%、4.74%、4.81%、4.65%,均小于5%。结论 对多组高速公路监控场景的测试实验结果表明,本文提出的云台相机自动标定方法对高速公路监控场景的物理测量误差能够满足应用需求,与参考方法相比较而言具有较大的优势和一定的应用价值,得到的相机内外参数可用于计算车辆速度与空间位置等。     

线阵相机的圆环旋转标定方法

由于传统线阵相机的标定过程复杂,且对标定物精度要求较高,难以保证缺陷的定位精度,本文提出一种线阵相机的圆环旋转标定方法以提高缺陷的定位精度。该方法设计一种新型的圆环形标定板,在静态标定基础上通过旋转线阵相机采集相机视线与圆的交点的坐标,得到旋转角度以及多组标定点,建立线阵相机的成像模型和径向畸变模型,通过非线性优化整体误差函数求解相机的内参和畸变参数,同时分析相机不同旋转角度对标定精度的影响。实验结果表明,当θ≤20°时,该方法的标定精度在0.35 pixel以内,满足实际检测的定位要求,并且在PCB缺陷检测中得到较好的验证。     

高超声速飞行器惯导系统误差参数两次优化辨识方法

为满足高超声速飞行器高精度和高可靠性的导航要求,提出一种在发射惯性系下利用智能优化算法实现捷联惯性系统误差参数两次优化辨识的方法.建立惯性测量单元(IMU)误差补偿模型和完整的非线性捷联惯性系统导航模型,为数值优化计算提供准确的模型基础.基于SINS/GPS/CNS组合导航系统信息,建立陀螺仪误差优化模型和加速度计误差优化模型,采用两次优化策略分步估计捷联惯性系统误差参数:首先利用粒子群算法对陀螺仪误差参数进行优化辨识和补偿;然后利用粒子群算法对加速度计误差参数进行优化辨识.仿真结果表明,基于组合导航系统信息和非线性优化模型,两次优化辨识方法能够在线辨识出高精度的捷联惯性系统误差参数,陀螺仪和加速度计优化参数值的相对误差均在20%以内,从而有效提高了高超声速飞行器导航精度.     

车载摄像机外参数的自动标定

摄像机外参数自动标定的目的是通过自动的方法获得车载摄像机部分外参数.研究基于自主驾驶汽车的运动学模型、高速公路的道路模型以及车载摄像机的成像模型,进行了车载摄像机外参数的在线自动标定方法研究,并利用车体运动学模型作为扩展Kalman滤波(EKF)的状态模型,并将图像坐标系下与车体坐标系下道路参数间的非线性关系,作为EKF的观测模型进行扩展Kalman滤波.仿真与实车试验证明,方法实时检测了滤波结果的正确性,自动标定了最新的摄像机外参数,使得视觉导航系统能够自动适应摄像机姿态变化带来的影响.     

一种高效的视觉导航摄像机标定方法

针对移动机器人视觉导航中的摄像机标定问题,提出一种高效的摄像机标定方法。考虑透镜畸变的影响,利用Hough变换提取矩形棋盘格的角点,求出摄像机参数初始值,运用Levenberg-Marquardt算法对初始解进行非线性迭代优化。通过重投影方法将求出的角点重新投影到矩形棋盘格像平面上,并与原提取的角点相比较,分析产生位置误差的原因。实验结果表明,该方法抗噪声能力强,对实验条件要求相对较低,标定精度满足移动机器人实际导航的要求。     

应用函数链神经网络测量管道内壁缺陷尺寸

基于图像测量管道内壁缺陷尺寸时,图像上单位像素所代表的实际尺寸与很多因素有关,如摄像机的内部、外部参数以及摄像机到管壁的距离等,是一个复杂的非线性关系。在摄像机参数固定的条件下,采用函数链神经网络来逼近图像上单位像素所代表的实际尺寸与管道内径之间的非线性关系,进而实现了无需标定摄像机参数的管道内壁缺陷尺寸测量。实验结果表明,这种方法具有易于实现、误差小等特点。     

基于C形臂的手术导航相机标定方法

针对基于C形臂的手术导航系统中相机标定这一关键技术中存在的过渡环节过多、参数求解过程复杂等问题,提出一种完全忽略相机模型的解决方法。该方法完全忽略相机模型,在映射参数求解过程中简化了过渡环节,使得算法实现变得高效;同时,提出了带有双层金属球的校准靶,通过识别小球的投影数据来实现相机标定。在校准点验证实验中,可以验证经变换后的坐标的残余误差均不超过0.002像素;在导航验证实验中,借助初步搭建的导航平台成功实现了探针取点及穿孔。实验结果表明,该相机标定方法的精度能够满足手术导航系统的精度要求。     

基于视觉的路口车辆排队长度检测方法

现有基于视觉的交叉路口车辆排队长度测量方法,不能给出实际排队长度,且摄像机标定复杂。为此,提出基于连通区域的车辆排队长度检测算法及以停车线为参照物的摄像机快速标定方法。在停车线后设定停车检测区域,并利用相邻帧差法判断是否存在车辆停车。在排队检测区域内用最大类间方差法自动设定阈值并分割图像,以检测车辆存在。利用连通区域各种参数确定车辆所在的连通域并检测出队尾。运用针孔成像模型论证以停车线为参照物的摄像机标定方法。实验结果证明,该方法可以准确检测出队首和队尾像素,计算出实际长度,可满足实时性要求。     

Calibration of an active binocular head

In this paper, we show how an active binocular head, the IIS head, can be easily calibrated with very high accuracy. Our calibration method can also be applied to many other binocular heads. In addition to the proposal and demonstration of a four-stage calibration process, there are three major contributions in this paper. First, we propose a motorized-focus lens (MFL) camera model which assumes constant nominal extrinsic parameters. The advantage of having constant extrinsic parameters is to having a simple head/eye relation. Second, a calibration method for the MFL camera model is proposed in this paper, which separates estimation of the image center and effective focal length from estimation of the camera orientation and position. This separation has been proved to be crucial; otherwise, estimates of camera parameters would be very noise-sensitive. Thirdly, we show that, once the parameters of the MFL camera model is calibrated, a nonlinear recursive least-square estimator can be used to refine all the 35 kinematic parameters. Real experiments have shown that the proposed method can achieve accuracy of one pixel prediction error and 0.2 pixel epipolar error, even when all the joints, including the left and right focus motors, are moved simultaneously. This accuracy is good enough for many 3D vision applications, such as navigation, object tracking and reconstruction