定焦数码像机的基于预检校的自愈校方法.docxVIP

定焦数码像机的基于预检校的自愈校方法 0 内方位元素的提取 fa滥风、吉野和hartey提出了自学学校的概念，并证明可以通过图像中直接提取内联元素。这方面的研究现在是计算机视觉领域的一个重要研究方向。自学校正的方法不需要定义一个控制单元。只需要从不同角度获取同一物体的多个相位的图像。利用相位之间的核线关系恢复内方联系元素。自学校正方法灵活实用，在实践中非常广泛。然而，总的来说，自学校正的结果并不稳定。即使图像噪声较低，分辨率也与实际值有很大不同。如何改进自学校正方法的鲁棒性已成为研究的重点和难点。基于积极视觉的方法可以提高自学校正结果的稳定性，但这种方法对实验条件的要求非常高，不适合普通的近距离摄影。在这项工作中，我们提出了一种基于预检测的自我校正方法。该方法利用了定焦相机相机相机的光学结构变化不随主距的变化而变化的特点，并通过预检测器获得了内方环境元素的变化规律。该变化规律用于减少自学校正的未知数量，简化自学校正模型。此外，利用预检测器发现镜头畸变变化规律，可以在独立校正过程中引入变形参数，以提高基于kruppa方程的自我校正精度。 1 摄相机中主点和主距的估计 自检校的方法很多,但大多数都和Kruppa方程有关.Manbank首先利用射影空间中虚圆的不变性推导出关于内部参数的Kruppa方程,该方法计算复杂,对噪音敏感.Luong利用迭代的扩展卡尔曼滤波得出较为鲁棒的估计.Hartley则提出了一个基于基本矩阵(Fundamental Matrix)的奇异值分解的Kruppa方程的简单形式.为了讨论方便,下面介绍利用Kruppa方程进行自检校的原理. 以左片为参考,设立体模型右片针对左片的相对运动参数为(R,t),相机内方位元素矩阵为K,则立体模型的基本矩阵有如下形式: F=λ1K-T[t]XRK-1, (1) 这里,λ1为常数因子,R为旋转矩阵,t=(tX,tY,tZ)为偏移量. t=(tXtYtΖ)?Κ=[fxsx0fyy01],[t]X=[0-tΖtYtΖ0-tX-tYtX0].t=???tXtYtZ????K=???fxsfyx0y01???,[t]X=???0tZ?tY?tZ0tXtY?tX0???. 矩阵K中,(x0,y0)为相机主点坐标,fx,fy分别为针对影像横、纵坐标的主距,s为横、纵坐标轴不垂直度的量. 设C=KKT,那么Kruppa方程可以用矩阵形式表达为 FCFΤ=λ2[e′]XC[e′]ΤXFCFT=λ2[e′]XC[e′]TX, (2) 式中,λ为常数因子,e′为右核点,e′=λ2Kt. FCFΤ?λ2[e′]XC[e′]ΤXFCFT?λ2[e′]XC[e′]TX2个矩阵各项均可表示为向量c=(c1,c2,c3,c4,c5)T的线性函数,即 FCFΤ=[Μ1(c)Μ2(c)Μ3(c)Μ2(c)Μ4(c)Μ5(c)Μ3(c)Μ5(c)Μ6(c)]?λ2[e′]XC[e′]ΤX=[m1(c)m2(c)m3(c)m2(c)m4(c)m5(c)m3(c)m5(c)m6(c)]FCFT=???M1(c)M2(c)M3(c)M2(c)M4(c)M5(c)M3(c)M5(c)M6(c)????λ2[e′]XC[e′]TX=???m1(c)m2(c)m3(c)m2(c)m4(c)m5(c)m3(c)m5(c)m6(c)??? , 其中,M(c),m(c)均为的线性函数,因此矩阵方程(2)等价于下述方程组: λ2=Μ1(c)m1(c)=Μ2(c)m2(c)=?=Μ6(c)m6(c)λ2=M1(c)m1(c)=M2(c)m2(c)=?=M6(c)m6(c), (3) 式(3)就是摄相机自检校文献中经常提及的Kruppa方程.方程中,已知量为基本矩阵F,核点e′为FTx=0的一个非零解,未知量为向量c=(c1,c2,c3,c4,c5)T.上述方程组中最多仅有2个独立的方程,因此至少需要有摄相机在不同位置上拍摄的3对图像对,才能求解摄相机的内参数矩阵K.基本矩阵F的解算需要至少8个同名像点,具体方法可参考文献,本文不再赘述. 式(3)是一个二次方程,由于数据误差等原因在数学上无法直接求解,即使采用数学规划法也不鲁棒.另外,从相机内方位元素矩阵的形式也可看出,Kruppa方程没有考虑镜头的畸变差,而实际的摄影测量应用中,镜头的畸变差是不能忽略的. 为了有效解算Kruppa方程,本文的思想是减少所需计算的未知数.分析K中的未知数意义可知,fx/fy为CCD像素横、纵方向大小的比例,s为CCD横、纵方向坐标轴不垂直度的量.由于这两个量仅和CCD相关,如果对相机进行精确的预检校,则相机的自检校参数可以减少到3个,即主点(x0,y0)和主距f.另外,对于定焦镜头而言,在对焦过程中,改变的只是像距,