一种新的基于Kruppa方程的摄像机线性自标定方法

针对非线性优化求解Kruppa方程进行摄像机自标定的局部最优问题,提出了一种在特殊情况下的基于Kruppa方程的线性自标定算法.当摄像机在圆周上运动时,首先根据外极线约束关系得到较准确的基本矩阵,然后根据Kruppa方程的未知系数与基本矩阵奇异值分解的参数关系求解摄像机的内外参数.实验结果表明,所得结论和方法是正确和有效的.     

一种基于Kruppa方程的摄像机线性自标定方法

针对非线性优化求解Kruppa方程进行摄像机自标定的局部最优问题，提出了在两种特殊情况下的基于Kruppa方程的线性自标定算法．在摄像机的旋转轴和偏移向量平行时，得到了未知系数与基础矩阵奇异值分解(SVD)的参数关系；在摄像机的旋转轴与偏移向量垂直时，将未知系数的求解转化为求矩阵特征值的过程，并通过秩约束惟一地确定了特征值的选取问题，方便了基于SVD的简化Kruppa方程的应用以及避免了2的指数方次的求解过程．仿真实验结果验证了本文的结论．     

基于标定板特征的摄像机线性标定方法研究

提出一种完全线性标定摄像机的方法。先单独标定摄像机的主点坐标和纵横比,然后用CCD垂直拍摄HALCON高精度标定板,并应用SIFT算法完成标定板特征点中心亚像素坐标提取,最后根据径向平行约束和一阶径向畸变模型线性求解其余摄像机的内外部参数,包括焦距、一阶径向畸变系数、旋转矩阵和平移向量。实验中改进了传统线性标定算法,采用单独标定平移分量t z,消除了t z对标定结果造成的不稳定影响,得到了收敛性较好的焦距值。实验数据表明该算法具有较高的标定精度,是一种简单、有效、实用的标定方法。     

基于OpenCV的挖掘机器人摄像机参数标定

为了建立挖掘机器人视觉系统摄像机测量模型,提高视觉测量精度,分析了挖掘机器人摄像机视觉系统内、外参数成像模型及摄像机非线性畸变参数,确定了适合挖掘机器人视觉系统的标定参数。通过采集自制的棋盘标定模板不同方向的七幅图像,基于OpenCV技术实现了对模板角点的提取。通过七幅图像进行标定实验,实验结果获得了摄像机模型的线性内部参数矩阵,标定出了摄像机非线性模型的径向畸变系数,摄像机外部旋转矩阵及平移向量,并给出了标定参数误差。研究结论表明采用角点提取方法,标定误差可达亚像素级,能够满足挖掘机器人视觉系统的标定及视觉测量精度要求。     

一种适用于广角、鱼眼及折反射系统的标定方法

采用畸变-2D标定板的方法进行摄像机标定,基于多项式摄像机模型,使用图像投影描述为泰勒级数展开的标定方法,并通过非线性最小二乘拟合的方法求解得到相机的内外参数,对其方法进行了扩展和优化。实验结果表明该标定方法可以应用于广角、鱼眼以及折反射图像系统中,并能够获得较高的标定精度。     

基于平面模板的摄像机标定新方法

提出的一种基于平面模板摄像机标定的新方法是先通过假设图像中心坐标为模型的成像中心,由摄像机线性模型求解中间变量然后分解独立的摄像机参数,并将求得的参数作为带畸变的非线性模型初始值进行优化求解,最终得到摄像机模型所有参数的精确值。通过仿真实验和真实实验对本方法与其他方法进行测试与比较,结果表明算法有相似的收敛性,在噪声环境中有更好鲁棒性,并且具有更小反投影误差。     

一种基于单个神经元的摄像机标定自适应算法

传统的标定算法利用标准的参照物与图像点的对应约束关系来求取摄像机参数,其中非线性优化方法标定精度较高,但计算繁琐.为此提出一种基于单个自适应神经元的摄像机传统标定算法,应用一种结构简单、抗干扰能力很强的单个神经元自适应算法代替通常的非线性优化算法进行摄像机标定.实验结果表明该算法无需计算雅可比矩阵,且精度较高,简单可行.     

一种逐步求解的新的摄像机线性标定方法

在立体视觉的激光扫描测量系统中，物体的空间坐标与计算机图像坐标之间存在着复杂的非线性映射关系，如果采用完全理想条件来标定系统，一般实验条件下难以获得稳定的解。通过建立基于一阶径向畸变的摄像机数学模型，用线性方程组描述了三维空间坐标点与计算机图像坐标点的关系，并提出“两步法”对摄像机模型中外部参数和内部参数进行逐步求解，完成了摄像机线性标定，从而彻底改变了传统的摄像机标定依赖于非线性优化方法。实验证明，这种标定新技术较以往算法更为快速、简便、实用。     

基于局部单应性矩阵的结构光系统标定研究

在基于结构光测量系统中,投影仪标定对物体的三维测量精度有着直接的影响。通过投影仪投射多幅正交格雷码至棋盘格标定板表面,利用未标定摄像机获得受棋盘格标定板调制的变形格雷码条纹图像,通过局部单应性矩阵方法获得棋盘格标定板各角点所对应的投影仪图像坐标。根据摄像机图像坐标、投影仪图像坐标与棋盘格标定板角点对结构光测量系统进行标定,获得摄像机与投影仪的内参数矩阵以及投影仪图像坐标系在摄像机图像坐标系的位姿矩阵。最后对结构光测量系统进行了标定实验;并使用Samuel Audet标定工具箱、Douglas Lanman标定工具箱与提及的标定方法进行标定误差对比。实验结果表明该方法操作简便,精度高,能较好地标定结构光测量系统参数。     

激光视觉机器人焊接中同时标定摄像机和手眼关系的方法

摄像机和机器人手眼标定是视觉机器人应用中的重要组成部分。针对激光视觉机器人焊接,根据机器人手眼矩阵和机器人末端对基坐标系的位姿矩阵的特定关系,提出了一种同时标定摄像机和机器人手眼的方法。用所设计的标定物对此方法进行标定试验,由非线性最小二乘优化法求解待标定的参数。从焊缝上取20个样点,利用标定结果恢复其三维空间坐标,并与实际三维坐标对比,平均误差为0.12mm,满足焊缝跟踪要求。     

基于立体靶标的摄像机标定方法

为获取视觉测量系统中二维图像到三维空间位置的变换关系,提出一种基于立体靶标的摄像机标定方法.针对无畸变小孔成像模型,使用最小二乘法求解初始投影矩阵后通过LM准则对其优化;根据多张图像对应的投影矩阵,求解摄像机内参数及各相应外参数;引入二阶径向畸变模型,建立理想图像坐标和实际图像坐标间的方程求解初始畸变系数;使用LM准则...     

数字光栅投影轮廓测量系统不确定视角标定法

建立了数字光栅投影轮廓测量系统的简易标定模型,以实现测量系统的简便化和便携式应用。该标定模型基于绝对相位提取和空间映射技术,仅需确定像面坐标和绝对相位到空间坐标的转换矩阵。标定矩阵由L evenberg-M ar-quardt算法优化求解,其中所需的已知空间点阵列借助新型虚拟三维靶标实现。该虚拟靶标基于不确定视角摄像机标定法,仅需要一个平面靶标,避免了使用昂贵的平移设备,极大地降低了标定系统的成本和复杂度。对标定系统进行了大量实验,并使用标定球对测量系统进行了测量精度评价。实验结果表明标定精度高于0.2mm,证明该标定法具有很好的应用价值。     

Overview of Camera Calibration

This paper introduce several commonly used camera calibration method include their advantages and disadvantages.The traditional methods of camera calibration need to know precise structural information of calibration object and they are accurate.Camera calibration based on active vision get the camera calibration through the controlling of some parameters of camera.Self-calibration of camera don't need to use the calibration block and get the camera calibration through the corresponding relationship among multiple images.     

摄象机校准的算法研究

本文阐述了在只给出ＣＣＤ成象面垂直方向相邻光敏元的距离时的摄象机校准算法．在解非线性方程时利用广义牛顿算法及伪逆算法的结合求出了摄象机参数的精确解．采用摄象机校准误差来评价摄象机校准的精度，并示出了对ＣＣＤ摄象机进行校准的实验结果．进行计算机模拟，分析了影响摄象机校准误差的各种因素．     

利用遗传算法精确标定摄像机参数

讨论了利用遗传算法作为优化算法的双阶段摄像机标定方案。首先,忽略摄像机畸变的影响,根据先验假设恰当组合摄像机的其他内外参数。构成线性方程,利用最小二乘法直接估计摄像机主要参数的初始值;其次,考虑摄像机畸变的影响,在初始值的基础上利用遗传算法优化摄像机的全部参数。该标定方案直接优化摄像机相对于世界坐标系的旋转角度,因此能够在获得精确解的同时,保证旋转矩阵的正交约束条件。此外,由于遗传算法的染色体具有     

基于共面圆的双目立体视觉分步标定法

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,即准确确定摄像机的内外参数.为了快速、有效地进行摄像机的标定,针对常用的带有一阶径向畸变的小孔摄像机模型,提出了一种简单有效的分步标定方法.先用预标定法得到左右摄像机主点坐标参数,然后再用TSAI两步法获得左右摄像机的内外参数,最后以左摄像机光心为世界坐标系原点,通过坐标转换关系,进而得到双目视觉的各种标定参数.该方法实验要求低,不需要移动摄像机.通过实验,验证了该方法能够准确、有效地求出各标定参数.     

空间三维测量技术的研究

以透视投影变换为依据,研究了空间三维测量技术,提出了一种新的标定方法。利用相机做一次平移运动,可以线性的确定摄像机的内参数,然后利用已求得的内参数来求外部参数。本方法不需精确标定靶标,不需要任何的高精度复杂装置,最后结果表明,此方法能够得到比较满意的精度要求。     

基于OpenCV的双目测距系统

为解决利用双目设备实现测距并使测距时间控制在毫秒级的问题, 研究了摄像机标定、 立体校正、 极线约束下的块匹配和三维重建等关键技术。使用立体相机将拍摄多个角度的棋盘照片保存到计算机中进行角点检测和标定, 以获得摄像机参数。使用Bouguet标定立体校正算法\, 立体匹配使用块匹配方法。得到视差图后求出三维点云, 进行三维重建, 根据三角相似原理计算目标物体的距离。使用OpenCV2.4.3, 在VS2010编译环境下, 用VC++编程实现。该系统只需普通立体相机采集图像, 成本低, 与其他立体匹配方法相比, 块匹配方案测距速度快且准确度满足应用的要求。     

基于SIFT特征匹配和模约束的摄像机分层自标定方法

在一些计算机视觉和摄影测量任务的执行过程中,需要在线地标定摄像机参数,这就使得不依赖标定参照物的自标定成为必需,提出一种基于SIFT特征匹配和模约束的摄像机分层自标定方法。自由移动或旋转摄像机拍摄同一场景内部参数不变条件下的四幅以上图像。对每幅图像进行SIFT特征点提取,通过特征点匹配在每幅图像中分别获得对应三维场景空间同一特征点的像素坐标。进行投影标定,获得每幅图像在投影重建空间中的相机投影矩阵,以及每个特征点在投影重建空间中的三维坐标。进行仿射标定,采用模约束法确定无穷远参考平面在投影重建空间中的参数。进行度量标定,确定内参矩阵。实验表明,该方法能在线地稳定地获得摄像机内参标定结果,从而对现有的摄像机自标定方法进行了改进。     

A New Algorithm for the Establishing Data Association Between a Camera and a 2-D LIDAR

In this paper,we propose a new algorithm to establish the data association between a camera and a 2-D Light Detection And Ranging sensor （LIDAR）.In contrast to the previous works,where data association is established by calibrating the intrinsic parameters of the camera and the extrinsic parameters of the camera and the LIDAR,we formulate the map between laser points and pixels as a 2-D homography.The line-point correspondence is employed to construct geometric constraint on the homography matrix.This enables checkerboard to be not essential and any object with straight boundary can be an effective target.The calculation of the 2-D homography matrix consists of a linear least-squares solution of a homogeneous system followed by a nonlinear minimization of the geometric error in the image plane.Since the measurement quality impacts on the accuracy of the result,we investigate the equivalent constraint and show that placing the calibration target nearby the 2-D LIDAR will provide sufficient constraints to calculate the 2-D homography matrix.Simulation and experimental results validate that the proposed algorithm is robust and accurate.Compared with the previous works,which require two calibration processes and special calibration targets such as checkerboard,our method is more flexible and easier to perform.