摄像标定技术在计算机视觉中的应用.docx

摄像标定技术在计算机视觉中的应用 0 基于标定模板的方法 近年来，随着计算机硬件技术的快速发展，计算机视觉已受到国内外科学家的广泛关注。所谓计算机视觉 摄像机标定根据其技术特点可以分为三类:基于标定模板的方法、自标定和基于主动视觉的方法。基于标定模板的方法 HALCON是德国MV-Tec公司开发的机器视觉图像处理软件,具有强大的图像处理功能。它提供的近两千个函数算子涵盖了从模式识别到立体视觉等多个计算机视觉领域。其交互式的程序设计接口Hdevelop,允许开发者直接将已编写程序导出为C/C++,C#等语言程序代码,具有出色的跨平台移植性。 1 摄像机外参数矩阵 摄像机内部参数模型决定了摄像机的内部结构,三维空间中物理点和成像平面上的图像点之间的位置对应关系仅与摄像机的内部结构有关。所以在研究摄像机的成像几何关系前,必须对摄像机进行数学建模。使用HALCON软件可以对两种不同类型的摄像机进行标定:面阵摄像机和线阵摄像机。其中面阵摄像机较为常用,所以本文摄像机内参模型采用面阵摄像机的基本针孔模型。 基本针孔模型的成像几何关系可由图1表示,O 根据相似三角形原理,可得像点m和空间点X 上式可表示为下述矩阵形式: 矩阵P就是摄像机矩阵。然而计算机处理的图像通常都是用CCD获取的离散化数字图像。前文中的图像坐标系采用的是物理长度单位,所以为了得到离散化的摄像机模型,必须刻划该数字化离散过程。假设离散化后的像素矩形的长宽分别为d 矩阵K即为摄像机内参数矩阵。加之由于制造工艺的限制,摄像机镜头存在一定程度的畸变,经过畸变校正后摄像机内参数矩阵为: 其中,k称为摄像机的畸变因子或倾斜因子。至此矩阵K中包含了所有摄像机内参数,即焦距f、尺度因子d 另外在描述摄像机坐标系和世界坐标系之间的关系中,用旋转矩阵R和平移向量T来表示。设X 其中,M就是摄像机外参数矩阵。R是3×3的正交单位矩阵,如式(6)所示,T是3×1的三维平移向量,旋转矩阵R和平移向量T中包含了摄像机外参的六个自由度,即分别和平移的距离。它们的关系如下式: 2 摄像头校正 2.1 halcon标定板模型 在摄像机标定前,必须构造形状尺寸已知的标定板,为标定提供足够多的已知三维空间坐标。本文采用图2所示的HALCON标定板模型。特殊的黑框缺角设计方便标定过程中的标定区域识别,另外圆形标记点也提供了相较于棋盘格模板更鲁棒的角点检测。为了适应本文八视点摄像机阵列的视场要求,我们自制了500mm×500mm的标定板。 2.2 最优标定误差标定 本文基于HALCON的八视点摄像机标定过程如图4所示。 ①create_calib_data,该步骤定义创建标定程序所需的关键参数,如需标定摄像机数目、标定板数目和标定数据模型的句柄。 ②set_calib_data_cam_param和set_calib_data_cal ib_object,该步骤逐一设置了摄像机的内参初始值f,k,dx,dy,u ③read_image,该步骤逐幅读取每个视点采集的每幅标定图像。为保证标定精度,每个视点采集至少十幅图像,并且每幅图像中标定板包含不同的平移和旋转,保证标定板在图像中尽可能多地覆盖摄像机视场。 ④find_caltab,首先对输入图像进行高斯平滑提取出最大连通区域,在各连通区域中通过区域内黑色孔洞的数量来选择准确的标定模板所在位置,从而确定标定图像中的标定区域。 ⑤find_marks_and_pose,该步骤是标定过程的关键,首先在上面标定区域利用边缘检测获得各圆形孔洞的闭合轮廓,然后通过椭圆拟合获得亚像素级精度的精确轮廓,进而确定圆心角点的坐标。最后通过这7×7=49个角点坐标确定对应摄像机外参数的粗估计值。 ⑥set_calib_data_observ_points,该步骤用来存储上面求得的所有角点坐标和外参粗估计,后面calibrate_cameras将充分利用这些标定模型数据完成最终标定结果的求解。 ⑦set_calib_data,该步骤完成求解前与优化相关的参数,主要包括对所有或者指定摄像机参数的修改,指定所有摄像机或特定若干个摄像机参与标定。 ⑧calibrate_cameras,在完成上面各项处理过程后,由本步骤通过优化式(8)所示的目标优化函数,获得最优标定结果。其中m ⑨get_calib_data,该步骤可以获取所有摄像机标定内参和外参结果。 2.3 测坐标系的更新 通过上述标定过程,获得的所有摄像机外参数都是以物理世界坐标系为基准,但是为了让标定结果在实际使用中具有相应的意义,将摄像机序列中的第一台摄像机所处的摄像机坐标系更新为基准坐标系。如图3所示,假设摄像机序列中第i台摄像机的外参为[R 由式(9)-(10)易得如下等式: 因此由式(11)得到了摄像机j相对于i的旋转矩阵