摄像机标定中靶标圆心像点坐标的精确计算

摄像机标定是机器视觉中的一个关键问题.当靶标特征像点在世界坐标系中的坐标值确定后,便可以计算得到内参和外参,进而完成摄像机标定.为了简化靶标特征像点的计算方法并提高其计算精度,提出了基于透视不变性的计算方法来得到虚圆心像点坐标.该方法利用计算机搜索算法找出3个圆心不共线的圆形靶标的椭圆像的公切线,每个椭圆上两对切点连线的交点即为对应靶标虚圆心的像点.模拟实验验证了该方法的实用性.结果表明:算法不存在模型误差,计算过程简洁高效,提高了靶标特征像点坐标的计算精度,使摄像机的标定更加精确.     

基于正交柱面成像相机的大尺寸三维坐标测量

提出了一种基于正交柱面成像相机的大尺寸三维坐标测量方法。正交柱面成像相机由一个正交柱面成像光学系统和两个正交放置的线阵CCD组成,它们分别被用来检测被测点的水平角和垂直角。一个相机决定了两个角度,两个相机交汇,即可实现被测点的三维坐标测量。所提出的方法在精密坐标测量特别是动态位置跟踪方面具有突出的优势。一个灵活的内参标定方法被用来标定正交柱面成像相机,内参标定后相机在水平方向和垂直方向角度测量误差的均值分别为1.85和2.16。另外,双相机的外参标定也被介绍,外参标定后系统的坐标测量精度优于0.52 mm。实验结果表明:所提出的三维坐标测量方法有效,具有良好的测量精度。     

一种基于平面标靶的线结构光视觉传感器标定方法

提出了一种适合于现场的线结构光视觉传感器标定 方法。建立了标定的数学模型,设计了一种平面点阵标靶,提出了坐标映射方法。根据结构 光条纹特征点的图像坐标和对应在标靶坐标系下的坐标,以及 相机内参,计算出标靶坐标系到摄像机坐标系的转移矩阵,再由转移矩阵得到特征点在摄像 机坐标系下的 坐标;在视场范围内,平面标靶按不同位姿摆放多次,获取投射在标靶上的所有特征点,对 这些特征点进 行平面拟合,得到结构光平面在摄像机坐标系下的方程。对标定的精度进行了验证,实验表 明,本文方法标定 过程简单,精度较高,适合于结构光传感器的现场标定。     

采用张量分解的四摄像机测量系统标定方法

摄像机标定是精密三维视觉测量的关键,为了实现对多摄像机测量系统的精确标定,首先分析了现有基于一维靶标的多摄像机标定方法的优缺点,并针对其不足,提出了一种基于张量分解的多相机标定方法,该方法主要包括以下三个方面的内容:(1) 利用透视投影成像模型和刚体变换理论建立多摄像机测量的数学模型;(2) 分析现有基于基本矩阵的多摄像机标定方法存在标定结果之间相互耦合的问题;(3) 将四摄像机测量系统的四焦张量引入标定过程中,利用一维标定靶标的成像点坐标求解的四摄像机测量系统的四焦张量,并根据四焦张量的简化求解方法来精炼获取摄像机矩阵。最后,通过实验验证了该方法的有效性和准确性,实验结果表明:(1) 四摄像机三维测量系统的标定可仅通过三组标定靶标图像即可实现,且标定操作效率相对于基本矩阵法更高;(2) 在4000 mm×4000 mm×2000 mm范围内,多摄像机测量系统的精度达到4 mm (3σ),相比于传统方法具有更精确的标定结果。满足室内运动目标位姿精确测量的要求。     

基于神经网络的双目视觉摄像机标定方法的研究

摄像机标定是精密视觉测量的基础，传统的双目标定位需要建立复杂的数学模型。神经网络可以有效地处理非线性映射问题，本文介绍了一种BP神经网络，可以很好地描述双目视觉中三维空间特征点坐标和2个摄像机对应像点间的非线性关系，并且为了提高网络的学习能力引入了动态因子。将神经网络标定方法与传统的常用标定方法比较，实验结果表明，基于神经网络的双目视觉标定方法能获得较高的标定精度。     

基于立体视觉标定方法的改进研究

摄像机标定是立体视觉研究与非接触测量的重要组成部分,是精密视觉测量的基础,传统的标定需要建立复杂的数学模型,从而描述双目视觉中三维空间物点坐标和两个摄像机像面像点坐标间的非线性关系。而神经网络可以有效地处理非线性映射问题。本文介绍一种改进的RBF神经网络,并对该网络标定法与传统标定方法及BP网络标定法的标定结果进行比较。实验结果表明:基于改进RBF神经网络的双目视觉标定方法能获得较高的标定精度。     

基于双目视觉的医疗机器人摆位系统测量方法

为了实现精确放疗过程中精确定位和肿瘤位置的精确测量,建立了基于双目视觉的医疗机器人摆位测量系统,并对系统所采用的摄像机标定方法、标记点识别及其三维坐标计算、摆位系统的位置验证等算法进行研究。建立基于双目视觉的医疗机器人摆位测量系统;提出了一种对摄像机采用基于平面棋盘格和立体标定模板相结合的摄像机标定新方法;采用Roberts梯度算子对图像分割的方法,识别标记点中心并计算其三维坐标;通过比较基于双目视觉计算和三维坐标测量仪器测量的各个标记点三维坐标的摆位误差,实现放疗过程中位置验证和精确摆位。实验结果表明:摄像机的标定精度为36.5×10-3 mm和各个标记点的三维坐标平均偏差为δX=0.573mm、δY=0.495mm、δZ=0.430mm,测量方法可获得较高的标定精度和摆位精度,能满足精确放疗对高精度摆位系统的临床需求。     

基于BP神经网络的姿态测量系统摄像机标定

针对摄像机标定过程中复杂的成像和畸变模型,利用误差逆传播(BP)神经网络对复杂非线性映射关系的强大逼近能力,对姿态测量系统中的摄像机进行隐式标定,建立了姿态测量中三维空间目标特征点与它在图像平面上像点间的映射关系,使姿态测量系统无须进行复杂的摄像机标定,直接恢复目标特征点的三维信息,从而计算得到目标姿态信息.结果表明,该方法对于空间点坐标恢复的均方根误差小于0.015 mm,可以获得较高的精度.     

一种利用激光跟踪仪标定线阵相机的方法

为提高线阵相机的标定的灵活性和准确度,研究了一种利用激光跟踪仪辅助标定线阵相机的内参数和外方位参数的方法。借助激光跟踪仪测量靶标上的标记点获得靶标的位置和姿态,根据交比不变性质和空间坐标变换计算成像特征点的三维坐标。引入成像畸变模型补偿成像过程中产生的畸变,提高像点位置精度。应用优化算法估计待标定参数的精确解。本文方法解除了对靶标移动方向和距离的严格限制,允许靶标自由移动,既提高了标定工作的便利性又保证了成像特征点三维坐标的精度。标定过程中,使靶标均匀覆盖整个视场空间,能够更准确地反映相机参数。通过计算机仿真和实验验证了标定方法的可行性和稳定性,实验得到成像特征点重投影像点位置偏差均方根为0.21pixel。     

利用双神经网络的相机标定方法

计算机视觉中,摄像机标定作为摄像测量技术的前提,是必不可少的一个环节.针对目前基于神经网络的相机标定方法训练精度不够高的问题,提出了一种基于双神经网络的相机标定方法.该方法从成像模型出发,推导出相机坐标Zc是世界坐标Zw和像素坐标μ,v的函数,在考虑了Zc的变化的基础上,将成像模型简化成两个函数关系式,使用两个神经网络进行标定,分化了单个神经网络的任务量的同时又充分遵循了成像模型.实验结果表明,较其余基于神经网络的相机标定方法,该方法提高了相机标定的精度,在400 mm×300 mm标定范围内平均标定误差为0.1786mm,验证了所提方法的可行性和有效性.