基于遗传算法的摄像机自标定方法

摄像机标定是计算机视觉领域的关键技术，其中的自标定是只根据图像计算摄像机的内参数，其标定过程简单，适用性强。由于传统的用于摄像机自标定的Kruppa方程不仅需要计算基础矩阵，还要计算图像的极点，而图像的极点又不是固定不变的，且会导致计算结果的不稳定，为此，针对传统摄像机自标定方法的上述不足，利用遗传算法完成了Hartley新的Kruppa方程的摄像机自标定过程，以便将这个过程完全转化为通过代价函数最小化来求得摄像机的内参数，这就排除了极点的不稳定因素。实验结果表明，该方法是简单、有效的，可以作为一种通用的标定工具。     

基于改进遗传算法的摄像机自标定方法

摄像机自标定技术不受标定板和相机运动轨迹的限制,其标定过程简单、适用性强。由于传统的遗传算法在摄像机自标定参数优化过程中易出现过早收敛、停滞现象和解易陷入局部最优的问题,提出一种改进的遗传算法。首先,通过结合精英保留策略和随机联赛选择算法作为初始化种群的方法、改进轮盘赌选择方法、采用自适应杂交概率和变异概率方法对遗传算法进行改进;然后,将Hartley定义的简化Kruppa方程转化为目标函数,采用改进的遗传算法搜索目标函数的最优值;最后,实验结果表明,该方法能较好地缓解过早收敛和停滞显现,提高了精度。     

Kruppa方程与摄像机自标定

首先研究探讨了基于绝对二次曲线(the absolute conic)进行摄像机自标定鲁棒性差的内在原因.研究发现,该类方法鲁棒性不足的原因主要有三个方面:1)在目标函数的全局最小点处存在大范围的平坦区域,使得任何数值优化算法难以达到全局最小点;2)当存在噪声时,上述平坦区域内会出现大量局部极小值,这样数值优化算法就非常容易收敛到靠近初值的局部极小值,使得算法对初始值的选取十分敏感;3)当有噪声时,目标函数的全局最小值极易偏离正确值.这样,即使数值算法找到了全局最小值,该最小值也不再对应正确的摄像机内参数值.鉴于上述情况,探讨了如何通过平面场景来确定内参数矩阵的初始值,而后进一步利用Kruppa方程的约束来精化内参数矩阵的二步式方法.     

基于多视图像的摄像机自标定方法

摄像机标定是三维重建时的必要步骤。传统的标定方法对设备要求高、操作繁琐,而自标定方法虽然简便,但精度不高,会严重影响三维重建的效果。因此,越来越需要一种操作简便并且精度高的自标定方法。采用SIFT特征点匹配算法,根据多视序列图像中对应点间的相互关系,利用光束法平差,提出了一种基于局部-全局混合优化的迭代优化方法。针对图像匹配量大的问题,提出了一种邻域内图像互匹配方法来降低时间代价。实验表明,本文提出的多摄像机自标定方法是一种有效的高精度方法,采用的邻域内图像互匹配技术能很好地降低图像匹配的时间消耗。根据多视图像的对应点间相互关系,充分利用局部-全局优化的思想,通过混合优化的方法得到相机参数,对比现有自标定算法,本文给出的方法有较高的精度和鲁棒性。     

一种新的基于Kruppa方程的摄像机自标定方法

主要针对传统的基于Kruppa方程的摄像机自标定算法的欠鲁棒性提出了一种新的二步式标定方法．在新标定方法中，首先利用传统的LM优化算法或遗传算法求解出Kruppa方程中通常需要被消去的比例因子，然后再利用线性方法完成对摄像机的标定．大量的仿真和真实图像实验表明，该方法可以大大提高基于Kruppa方程标定算法的鲁棒性及标定精度．     

基于张量投票的摄像机自标定方法研究

针对传统的基于Kruppa方程摄像机自标定算法的欠鲁棒性,首次提出将鲁棒的张量投票算法用于摄像机自标定方法中。利用基于尺度不变的SIFT算法查找并匹配出每对图像的特征点,其中待匹配图像由摄像机对同一场景从三个不同角度位置拍摄,对图像张量投票后按棒张量特征值降序排序,由此筛选得到具有鲁棒性边缘特征的前八对特征点,利用八点算法求解相应的基础矩阵和极点,根据Kruppa方程和三维重建（SFM）算法求得摄像机参数矩阵。实验结果证明,该方法具有较高标定精度,并通过加入高斯噪声的仿真实验证明该算法是一种鲁棒的摄像机自标定方法。     

基于本质矩阵的摄像机自标定方法

本质矩阵描述了在摄像机内参数矩阵已知的条件下的对极几何关系,是归一化图像坐标下的基础矩阵。鉴于本质矩阵具有两相等的非零奇异值,提出了一种基于本质矩阵的自标定方法,该方法首先利用本质矩阵这个特性来构造目标函数,考虑到传统非线性优化算法的诸多不足,最后用粒子群优化算法来求解。实验结果表明,该方法精度较高、鲁棒性较强,是一种简单而有效的自标定方法。     

一种基于Kruppa方程的分步自标定方法

针对摄像机自标定中Kruppa方程求解的非线性优化问题和标定结果的欠鲁棒性,提出一种基于Kruppa方程的分步自标定方法。根据两图像匹配的特征点对采用8点算法求解相应的基本矩阵,其中待匹配图像选用摄像机对同一场景在不同焦距下拍摄的两帧图片,对图片的特征匹配点建立约束关系,采用最小二乘法求出摄像机的主点坐标,然后利用遗传算法优化Kruppa方程的比例因子,最后通过优化后的比例因子完成摄像机的标定。实验表明,该方法可提高标定精度,并通过对特征点坐标加入高斯噪声,验证了算法的鲁棒性。     

带有倾斜因子的摄像机自标定方法

摄像机自标定是三维重建技术的基本问题 ,得到许多学者的大力研究 .为了简化摄像机自标定过程 ,一般假设摄像机内参数中的倾斜因子为零 ,然后对主点和焦距进行自标定 .但在摄像机模型为完全的射影模型时 ,即当倾斜因子 (Skew Factor)值较大时 ,则使用上述假设得到的自标定参数误差较大 ,有时甚至无法得到结果 .为了对倾斜因子值较大的摄像机进行准确标定 ,提出了一种当摄像机的倾斜因子已知但不为零时的摄像机自标定方法 ,试验结果证明该方法可以得到比较准确的摄像机内参数 ,并可使得后续的三维重建得到较好的结果 .     

基于畸变模型优化的网络摄像机标定*

针对低分辨率网络数码摄像机用于定量量测的标定问题, 提出一种非线性畸变的构建与优化方法。该方法结合多项式模型与传统的畸变模型;利用回归分析原理对模型进行自动精化,以优选显著的畸变参数,从而建立了一种自适应的摄像机畸变模型。运用构建的畸变模型,利用自检校光束法平差方法对同种型号的三个低成本网络摄像机实施标定和畸变纠正。结果表明,该模型有效补偿了通用畸变模型残存的畸变系统差,同时有效的避免了过度参数化的问题,有助于提高摄像机的标定精度和稳健性,使得摄像机的标定精度达到子像素。     

平移初值操作的基于Kruppa方程的自标定方法

针对传统的基于Kruppa方程的摄像机自标定算法鲁棒性差的情况提出了一种新的二步式标定方法。首先对Kruppa方程进行简化,确定了经简化后的目标函数,再通过摄像机的三次线性无关的任意平移运动确定初值,然后用非线性优化目标函数法精化初值。实验结果表明,该方法可以大大提高基于Kruppa方程标定算法的鲁棒性及标定精度。     

混合优化算法的摄像机自标定方法研究*

提出了一种将改进的遗传算法和Levenberg Marquardt(LM)算法相混合优化的摄像机自标定方法。首先将Hartley定义的简化Kruppa方程转换为优化代价函数,然后利用改进的遗传算法和LM算法相混合的优化算法求优化代价函数的最小值,进而求得摄像机的内参数。实验结果表明,与单一的优化方法相比,该方法的标定精度得到了较大的提高。     

基于交叉垂直线的摄像机标定新算法

提出了一种基于交叉垂直直线的摄像机标定算法。利用两条垂直相交的直线作为标定物,令其绕交叉点作任意角度的转动，将摄像机固定拍摄6幅以上的图片,即可运用直线的特点以及交叉垂直的约束条件建立线性方程组，求解摄像机的内参数。实验证明该算法具有较高的精度和较好的鲁棒性。     

基于视频的静止虚拟摄像机生成

虚拟摄像机的生成是虚拟广告系统中一项关键技术,提出一种静止虚拟摄像机生成方法。首先,在视频图像中自动检测比赛场地的特征点,然后根据特征点在图像坐标系与世界坐标系上的匹配关系,利用摄像机定标技术计算出真实摄像机的内外参数,接着把摄像机的内参数和外参数分别转换为虚拟摄像机的视点转换矩阵和投影矩阵,最后在此虚拟摄像机下对虚拟场景进行渲染,把渲染出的图像插入到视频中。实验结果表明该方法简单、有效、易实现。     

传统相机标定方式的自动标定方法

摄像机标定技术是从二维平面图像中获得三维信息的关键步骤,摄像机的标定精度对保证系统测量精度有着至关重要的作用。提出了一种基于传统相机标定方式的自动标定方法。采用带有区域标记点的改进标定模板获取标定图像序列。利用边缘检测技术,确定特征点检测区域。根据摄像机透视投影模型,对摄相机进行线性标定,再进行非线性修正,得出摄像机各参数。实验结果表明,改进的标定方法具有更快的检测速度,稳定性好,鲁棒性高,使传统相机标定过程实现了自动化。