CN103824278A - 监控摄像机的标定方法和*** - Google Patents

监控摄像机的标定方法和*** Download PDF

Info

Publication number
CN103824278A
CN103824278A CN201310670982.0A CN201310670982A CN103824278A CN 103824278 A CN103824278 A CN 103824278A CN 201310670982 A CN201310670982 A CN 201310670982A CN 103824278 A CN103824278 A CN 103824278A
Authority
CN
China
Prior art keywords
image
dimensional point
calibrated
point set
cctv camera
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310670982.0A
Other languages
English (en)
Other versions
CN103824278B (zh
Inventor
周杰
邓磊
喻川
张昊飏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201310670982.0A priority Critical patent/CN103824278B/zh
Publication of CN103824278A publication Critical patent/CN103824278A/zh
Priority to PCT/CN2014/083329 priority patent/WO2015085779A1/en
Priority to US14/765,748 priority patent/US9684962B2/en
Application granted granted Critical
Publication of CN103824278B publication Critical patent/CN103824278B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Studio Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种监控摄像机的标定方法及***。方法包括：利用采集设备在待标定监控摄像机的场景中采集多幅图像，利用待标定监控摄像机采集图像；对采集设备采集的多幅图像进行特征匹配以获取多幅图像之间的匹配关系；根据多幅图像之间的匹配关系重构监控场景的三维点集；以及根据重构出的三维点集和待标定监控摄像机采集的图像计算待标定监控摄像机的参数。本发明可同时对多个监控摄像机的内、外参进行标定，可计算出一个区域内的所有监控摄像机的相对位置、朝向等信息；能处理监控摄像机视场没有交叠的情况，且不要求监控摄像机之间同步；只需要采集设备采集图像或视频将待标定的各个监控摄像机的视场相连接，就能计算出多个摄像机的内参和外参。

Description

监控摄像机的标定方法和***
技术领域
本发明涉及图像处理领域，尤其涉及一种监控摄像机的标定方法和***。
背景技术
视频监控是安全防护***的重要部分，其中一个关键问题是如何对监控摄像机进行标定，得到其内部参数（主点坐标、脚距、扭曲因子等）和外部参数（摄像机坐标系相对于一个统一坐标系的旋转矩阵和平移向量），从而得到监控***中各个摄像机的相对架设位置、朝向和监控视场范围等。
监控摄像机的标定方法主要有三种：传统的摄像机标定方法、基于主动视觉的摄像机标定方法和摄像机自标定方法。第一种方法需要将经过精密加工的标定物体（如标定块、标定板、标定棒等）放在摄像机的视场中，通过建立标定物体上的已知三维坐标的点与其在图像上的坐标的对应关系来计算摄像机的内部参数和外部参数。这种方法由于需要在每个摄像机上进行上述操作，因此标定过程费时费力；而且由于室外监控场景范围往往较大，而标定物体相对较小，因此其在图像上所占比例较小，导致标定误差较大。第二种方法主动控制摄像机做特殊运动（例如纯平移运动或绕光心旋转等），利用运动的特殊性来计算摄像机的内部参数和外部参数。但是，由于大多数监控摄像机的安装位置固定且运动很难控制，因此这种方法的适用性差；而且这种方法也需要对每个摄像机逐一进行标定，工作量大。第三种方法不需要标定物体，也不需要摄像机做特殊运动，而是直接利用待标定的摄像机（可以是多个）采集的多幅图像之间像素点的对应关系和内、外参的约束来进行标定。目前已有一些自标定技术能通过多视图几何的方法对多个摄像机同时进行标定，但是其要求多个摄像机的视场必须有较大的重叠区域，否则由于图像匹配失败，将无法进行标定。此外，一般要求多个监控摄像机采集的视频图像同步。但是，在监控***的实际架设中，多数监控摄像机之间的重叠视场较小，而且由于联网条件等限制很难获得这些摄像机的同步视频，因此现有的自标定技术很难实现对多个摄像机同时进行标定。
发明内容
本发明旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为此，本发明的一个目的在于提出一种能够标定无重叠视场下的监控摄像机的内部参数和外部参数的监控摄像机的标定方法。
本发明的另一个目的在于提出一种能够标定无重叠视场下的监控摄像机的内部参数和外部参数的监控摄像机的标定***。
为达到上述目的，本发明第一方面的实施例提出一种监控摄像机的标定方法，包括：利用采集设备在待标定监控摄像机的场景中采集多幅图像，以及利用所述待标定监控摄像机采集图像；对所述采集设备采集的多幅图像进行特征匹配以获取所述多幅图像之间的匹配关系；根据所述多幅图像之间的匹配关系重构所述待标定监控摄像机的监控场景的三维点集；以及根据所述重构出的三维点集和所述待标定监控摄像机采集的图像计算所述待标定监控摄像机的参数。
在本发明的一个实施例中，所述利用采集设备在所述待标定监控摄像机的监控场景中采集多幅图像包括：标定所述采集设备的内参；利用已经标定好内参的所述采集设备在所述待标定监控摄像机的监控场景中主动采集多幅图像，其中所述多幅图像中的至少一些与所述待标定监控摄像机的视场的重叠部分超过预设值。
在本发明的一个实施例中，所述对所述采集设备采集的多幅图像进行特征匹配以获取所述多幅图像之间的匹配关系包括：当所述采集设备具有GPS传感器时，利用所述采集设备采集图像时获取的GPS位置信息获取每幅图像的相邻图像，并对相邻的图像进行两两匹配；以及当所述采集设备不具有GPS传感器时，对所述多幅图像进行两两匹配。
在本发明的一个实施例中，所述根据所述多幅图像之间的匹配关系重构所述待标定监控摄像机的监控场景的三维点集包括：从所述多幅图像中选择满足预设条件的两幅图像作为初始图像，其中所述预设条件为两幅图像上匹配点的数目多，且图像间退化不严重；根据所述初始图像上的匹配点对计算所述初始图像的摄像机矩阵；利用所述初始图像间的匹配关系和所述初始图像的摄像机矩阵重构所述监控场景的三维点；利用所述三维点和除所述初始图像外的其他图像扩充所述监控场景的三维点集。
在本发明的一个实施例中，所述利用所述三维点和除所述初始图像外的其他图像扩充所述监控场景的三维点集包括：判断是否所述采集设备采集的多幅图像均已经参与计算所述重构监控场景的三维点集；如果否，则从未参与所述重构的图像中找到与已经重构出的三维点最匹配的图像，并计算所述与已经重构出的三维点最匹配的图像对应的摄像机矩阵；利用所述与已经重构出的三维点最匹配的图像和已经计算出摄像机矩阵的其他图像的匹配点扩充所述监控场景的三维点集；对所述获得的摄像机矩阵和三维点进行优化。
在本发明的另一个实施例中，所述根据所述多幅图像之间的匹配关系重构所述待标定监控摄像机的监控场景的三维点集包括：获取所述多幅图像对应的采集设备的GPS位置和姿态信息，并根据所述GPS位置和姿态信息计算出每幅图像对应的摄像机矩阵；对于每两幅图像，利用所述摄像机矩阵通过三角法获得所述两幅图像上的匹配点对的三维坐标；利用光束平差法对所述摄像机矩阵和所述匹配点对的三维坐标进行优化。
在本发明的一个实施例中，所述根据所述重构出的三维点集和所述待标定监控摄像机采集的图像计算所述待标定监控摄像机的参数包括：将所述待标定监控摄像机采集的图像与参与所述重构的图像进行特征匹配以获取相匹配的第一特征点集，并计算出所述第一特征点集与所述三维点集在参与重构的图像中的对应特征点集的交集；判断所述交集中的特征点的数目是否大于预设阈值；如果否，则主动采集新的图像，并根据所述新的图像扩充所述三维点集以更新所述交集；重复上述步骤直至所述交集中的特征点的数目大于所述预设阈值；根据所述交集对应的三维点集合和所述交集计算所述待标定监控摄像机的参数。
本发明第二方面的实施例提供一种监控摄像机的标定***。所述***包括：采集设备，用于在所述待标定监控摄像机的监控场景中采集多幅图像；以及计算装置，用于根据所述采集设备采集的多幅图像进行特征匹配以获取所述多幅图像之间的匹配关系，并根据所述多幅图像之间的匹配关系重构所述待标定监控摄像机的监控场景的三维点集，以及根据所述重构出的三维点集和所述待标定监控摄像机采集的图像计算所述待标定监控摄像机的参数。
在本发明的一个实施例中，所述采集设备的内参已经被标定，且所述已经标定好内参的采集设备在所述待标定监控摄像机的监控场景中主动采集多幅图像，其中所述多幅图像中的至少一些与所述待标定监控摄像机的视场的重叠部分超过预设值。
在本发明的一个实施例中，所述计算装置用于：从所述多幅图像中选择满足预设条件的两幅图像作为初始图像，其中所述预设条件为两幅图像上匹配点的数目多，且图像间退化不严重；根据所述初始图像上的匹配点对计算所述初始图像的摄像机矩阵；利用所述初始图像间的匹配关系和所述初始图像的摄像机矩阵重构所述监控场景的三维点；利用所述三维点和除所述初始图像外的其他图像扩充所述监控场景的三维点集。
在本发明的一个实施例中，所述计算装置进一步用于：判断是否所述采集设备采集的多幅图像均已经参与计算所述重构监控场景的三维点集；如果否，则从未参与计算所述重构的图像中找到与已经重构出的三维点最匹配的图像，并计算所述与已经重构出的三维点最匹配的图像对应的摄像机矩阵；利用所述与已经重构出的三维点最匹配的图像和已经计算出摄像机矩阵的其他图像的匹配点扩充所述监控场景的三维点集；对所述获得的摄像机矩阵和三维点进行优化。
在本发明的一个实施例中，所述计算装置用于：获取所述多幅图像对应的采集设备的GPS位置和姿态信息，并根据所述GPS位置和姿态信息计算出每幅图像对应的摄像机矩阵；对于每两幅图像，利用所述摄像机矩阵和所述多幅图像之间的匹配关系通过三角法获得所述两幅图像上的匹配点对的三维坐标；利用光束平差法对所述摄像机矩阵和所述匹配点对的三维坐标进行优化。
在本发明的一个实施例中，所述计算装置用于：将所述待标定监控摄像机采集的图像与参与所述重构的图像进行特征匹配以获取相匹配的第一特征点集，并计算出所述第一特征点集与所述三维点集在参与重构的图像中的对应特征点集的交集；判断所述交集中的特征点的数目是否大于预设阈值；如果否，则主动采集新的图像，并根据所述新的图像扩充所述三维点集以更新所述交集；重复上述步骤直至所述交集中的特征点的数目大于所述预设阈值；根据所述交集对应的三维点集合和所述交集计算所述待标定监控摄像机的参数。
本发明可以首先利用采集设备得到比较完整的监控场景的图像信息，然后精确地重构出监控场景的三维点，最后利用这些三维点和监控摄像机采集的图像上特征点的匹配关系计算出监控摄像机的摄像机矩阵，从而实现对监控摄像机进行标定。同时，标定过程是动态的，即如果发现恢复的监控场景的三维点不足以对监控摄像机进行标定，可以再次拍摄更多的图像扩充监控场景的三维点集，从而可以保证所有待标定的监控摄像机最终都能得到标定。本发明不同于传统的摄像机标定方法需要标定物、摄像机做特殊运动或者要求摄像机视场之间有重叠区域，而只需要用标定好的采集设备主动拍摄的监控场景图像将待标定的各个监控摄像机的视场相连接，就能对多个监控摄像机同时进行标定，得到其内参和相对位置关系。本发明的方法不要求待标定的监控摄像机之间同步，且能处理监控摄像机视场没有交叠的情况。如果用街景车进行图像采集，则可以进行城市级别的监控摄像机网络的智能分析。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例的监控摄像机的标定方法的流程图；
图2是本发明一个实施例的根据多幅图像之间的匹配关系重构待标定监控摄像机的监控场景的三维点集的方法的流程图；
图3是本发明一个实施例的根据重构出的三维点集和待标定监控摄像机采集的图像计算待标定监控摄像机的参数的方法的流程图；以及
图4是本发明一个实施例的监控摄像机的标定***的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
图1是本发明一个实施例的监控摄像机的标定方法的流程图。如图1所示，根据本发明一个实施例的监控摄像机的标定方法包括如下步骤。
步骤S1，利用采集设备在待标定监控摄像机的监控场景中采集多幅图像，以及利用待标定监控摄像机采集图像。
在本发明的一个实施例中，可首先利用传统的摄像机标定方法标定采集设备的内部参数（焦距、长宽比、主点、扭曲等）。由此可以增加场景重建的精度，从而使得最终的监控摄像机的标定更为精确。在本发明的一个实施例中，采集设备可以是相机、手机、PTZ镜头、全景采集设备等。
然后，利用标定好的采集设备在监控场景中主动采集多幅图像或多段视频（如果是视频，则截取其中的多幅图像），从而获取比较完整的监控场景图像信息，便于实现后续的场景三维重构。采集时要保证采集的多幅图像中的某些图像和待标定摄像机的视场有较大的重叠部分，从而保证通过这些图像能将各个待标定摄像机的视场连接起来。图像或视频可以是等间隔距离地均匀拍摄得到（例如，***街景、百度街景、soso街景等拍摄方式），也可以是不等间隔拍摄得到（例如，同时利用互联网上已有的该监控场景的图像）。在本发明的实施例中，不要求采集设备的图像或视频和待标定摄像机采集的图像同步。此外，在本发明中，可以通过多个位置和姿态不同的采集设备采集多幅图像，或者通过一个采集设备在不同位置和姿态下采集多幅图像。换句话说，只要保证多幅图像对应的位置和姿态不同即可。
步骤S2，对采集设备采集到的多幅图像进行特征匹配以获取多幅图像之间的匹配关系。
具体地，首先提取每幅图像的特征点（例如，Sift、Surf、Harris等特征点），获取每个特征点在图像中的位置和描述子。然后对每两幅图像进行特征点匹配以获取两幅图像上的特征点的对应关系。这个步骤既可以通过计算机自动完成，也可以通过人工手动完成（即，人工指定两幅图像上匹配的特征点对）。而且，目前已有很多自动完成特征点匹配的算法，例如用特征点描述子的最近邻次近邻比约束进行特征点匹配的算法（参见lowe，D.G.，“Distinctive Image Feature from Scale-Invariant Keypoints”,International Journal of ComputerVision,60，2，91-110页，2004）、用特征点位置的对极几何约束进行特征点匹配的算法（参见M.A.Fischer和R.C.Bolles，“Random sample consensus:A paradigm for model fitting withapplications to image analysis and automated cartography”，Commun.Acm，卷24,381-395页，1981年6月）、用基于图匹配的WGTM方法进行特征点匹配的算法（参见Saeedi P，IzadiM.A Robust Weighted Graph Transformation Matching for Rigid and Non-rigid ImageRegistration[J].2012），此处不再进行详细描述。
由于图像两两匹配的计算量较大，因此在本发明的一个实施例中，可以首先找到每个图像的相邻图像，然后只对相邻的图像进行两两匹配，从而减少匹配工作量。具体地，可以用图像的Gist全局特征对图像先进行聚类然后找到相邻图像，或者利用图像Sift等特征建词典树对每个图像进行量化从而找到近邻，或者利用采集设备采集图像时获取的GPS位置信息找到图像的相邻图像，或者使用从视频中截取的相邻帧的图像作为相邻图像。
步骤S3，根据多幅图像之间的匹配关系重构待标定监控摄像机的监控场景的三维点集。
这个步骤可以通过很多方法实现，例如，基于IBA（Incremental Bundle Adjustment，增量式捆集调整）框架的SFM（Structure From Motion，运动恢复结构）算法（参见S.Agarwal，N.Snavely，I.Simon,S.Seitz,R.Szeliski.Building Rome in a Day,ICCV,2009），基于离散置信传播和列文伯格-马夸尔特法的SFM方法（参见论文Crandall D,Owens A,Snavely N,et al.Discrete-continuous optimization for large-scale structure from motion[C],CVPR,2011），或者利用采集设备上传感器获取的GPS和姿态信息直接重构场景。
在本发明的一个实施例中，可以基于IBA框架的SFM方法重构监控场景的三维点集，具体地包括以下步骤。
步骤S311，从采集设备采集的多幅图像中选择满足以下要求的两幅图像作为初始图像：两幅图像上的匹配点的数目多，且图像间退化不严重。
步骤S312，利用上面得到的两幅初始图像重构场景的三维点。
具体地，首先利用两幅初始图像上的所有匹配的特征点对(xj1,xj2)计算出满足
Figure BDA0000434337400000071
的本质矩阵E（例如使用David Nister提出的五点法，参见Nistér D.An efficientsolution to the five-point relative pose problem[J].IEEE Transactions on Pattern Analysis andMachine Intelligence,2004）。然后对本质矩阵E进行分解得到两幅初始图像对应的摄像机矩阵P1和P2（将其中一幅图像对应的坐标系作为世界坐标系，即一幅图像对应的像机矩阵为P1=K1[I|0]，其中K1为已知的采集设备内参矩阵，I为3×3的单位阵，0为3×1的全零向量，具体方法见《计算机视觉中的多视图几何》第八章第六节，Richard Hartley等著，韦穗等译）。最后，利用P1、P2通过三角法获得这两幅初始图像上的匹配点对(xj1,xj2)的三维坐标Xj。
步骤S313，利用上面得到的三维点和除两幅初始图像之外的其他图像扩充监控场景的三维点集，得到监控场景的更加稠密的表示。具体地包括如下步骤。
步骤S3131，判断是否所有的图像均已经参与计算。如果是，则结束并输出重构出的三维点集。如果否，则继续执行步骤S3132。
步骤S3132，从未参与重构的图像中找到与已重构出的三维点匹配最好的图像，并计算出其对应的摄像机矩阵。
设已重构出的三维点集为X_set，对应的在已计算出摄像机矩阵的图像中的特征点的集合为x_set，从未参与重构的图像中找一张图像使得其特征点和x_set中的特征点匹配数目最多；设这些匹配上的特征点为x_set1，这些点对应的三维点集为X_set的子集记作X_set1，利用已知的X_set1和x_set1用直接线性变换计算出新加入的图像对应的摄像机矩阵。
步骤S3133，利用上面得到的最佳匹配的图像和已计算出摄像机矩阵的其他图像的匹配结果扩充场景的三维点集，并对得到的所有摄像机矩阵和三维点进行优化。
具体地，读取上面得到的最佳匹配的图像与已计算出摄像机矩阵的图像相匹配的所有特征点（即，可以直接读取上述步骤S2中获得的匹配结果），并将这些点加入到x_set中。然后，用三角法计算出新加入的点的三维坐标，并将这些三维点坐标加入到X_set中。
此外，可采用光束平差法对得到的摄像机矩阵和三维点进行优化：将已计算出的摄像机矩阵Pi和三维点坐标Xj作为变量进行迭代优化，使得总反投影误差最小，求解（其中n为已经计算出摄像机矩阵的个数，m为已重构出的三维点的个数，xij为第j个特征点在第i个图像中的齐次坐标，
Figure BDA0000434337400000082
这是一个非线性最小二乘问题，可用LM算法求解(用已计算出的Pi和Xj作为优化的初始值，算法实现见论文Kenneth Levenberg(1944)."A Method for the Solution of Certain Non-Linear Problems in Least Squares".Quarterly ofApplied Mathematics2:164–168)。
重复上述步骤S3131至S3133直至不能找到更多的三维点。
在本发明的另一实施例中，可以利用上述步骤S2中的图像匹配结果，使用基于离散置信传播和列文伯格-马夸尔特算法的SFM方法同样可以重构场景，得到场景的三维点集X_set。具体的做法可参见Crandall,D.,Owens,A.,Snavely,N.,Huttenlocher,D.P.:Discrete-continuous optimization for large-scale structure from motion.CVPR,2011，此处不再详细描述。记参与重构的图像集合为I_set，X_set在I_set的中的特征点集为x_set。
在本发明的又另一个实施例中，还可以利用采集设备上的传感器获取的GPS位置和姿态信息直接重构监控场景的三维点集。具体地，首先获取每幅图像对应的采集设备的GPS位置和姿态信息，计算出每幅图像对应的摄像机矩阵Pi。然后，对于每两幅图像，利用其摄像机矩阵通过三角法获得每两幅图像上的匹配点对(xj1,xj2)（步骤S2中已计算出的匹配点对）的三维坐标Xj；利用步骤S3133中描述的光束平差法对得到的摄像机矩阵和三维点坐标进行优化。记用于场景重构的图像集合为I_set（有的图像由于和其他图像都没有匹配的特征点，所以没有被用于场景重构），此时得到了场景的三维点集X_set，以及这些点在I_set中的特征点集x_set。
应理解，本领域的技术人员可以根据不同的需求和情况选择上面三种方法中的任一种进行场景重构。例如，如果使用带GPS和角度传感器的采集设备主动拍摄场景，那么就可以容易地获得传感器信息（GPS和角度传感器获得的位置和角度信息），从而就可以使用第三种方法利用采集设备上的传感器获取的GPS位置和姿态信息简单、高效地重构监控场景的三维点集。但是，如果缺失图片的角度、位置和内参信息（例如，互联网图片、室内采集的图像等），就可以使用基于IBA框架的SFM方法重构监控场景的三维点集，尽管这种方法的计算速度较慢。而基于离散置信传播和列文伯格-马夸尔特算法的SFM方法适合大规模的场景重建，在重建的过程中可加入图片中的各种先验信息（如图片中的直线）使得重构更精确，这种方法对噪声（如GPS、角度传感器等的噪声）的鲁棒性更高。
步骤S4，根据重构出的三维点集和待标定监控摄像机采集的图像计算待标定监控摄像机的参数。具体地，可包括如下步骤。
步骤S411，将待标定监控摄像机采集的图像和参与场景重构的图像进行特征匹配以获得特征点集。
步骤S412，将步骤S411中获得的特征点集与重构出监控场景的三维点集的特征点集进行匹配。
将待标定监控摄像机采集的图像和I_set中每幅图像进行两两匹配。记匹配上的特征点集为x_set′，计算出x_set′和x_set的交集，记为x_result。x_result中的点的三维坐标已被恢复出来(记录在X_set中)，如果x_result中的点足够多，则可以用这些点计算出待标定的监控摄像机的摄像机矩阵。
步骤S413，判断x_result中的点的数目是否大于预设阈值。在本发明的一个实施例中，该预设阈值为10。
步骤S414，如果x_result中的点的数目小于预设阈值，则主动采集新的图像。
如果x_result中的点的数目小于某个阈值，则再采集和监控摄像机视场相近、并且和之前主动采集的图像的视场重叠区域较大的图像（如监控摄像机安装高度为10m，而步骤S1中的采集设备的架设高度为2m，则可以在高度为4m、6m、8m等位置再采集一些图像）。采集更多图像的目的是为了扩大监控场景的三维点集，使得待标定的监控摄像机的图像能和重建出来的监控场景的三维点集匹配上较多的点，从而增加标定的精度。
步骤S415，用新拍摄的图像扩充已重构的监控场景的三维点集X_set和x_result。
具体地，提取这些新采集图像的特征点并和I_set中所有图像进行两两匹配（方法同步骤S2），设这些匹配上的特征点为x_new，记x_set2为x_set和x_new的交集；x_set2对应的三维点集为X_set的子集，记作X_set2，利用已知的X_set2和x_set2用直接线性变换计算出这些新采集的图像对应的摄像机矩阵；将新采集的图像加入I_set，将x_new中所有点加入到x_set中；通过三角法计算出新加入点（x_new中除x_set2的点为新加入的点）的三维坐标，并将这些点加入X_set中。
重复上述步骤直至x_result中的点的数目大于预设阈值。
步骤S416，如果x_result中的点的数目大于预设阈值，计算待标定监控摄像机的摄像机参数。
找到x_result对应的三维点集合X_result(为X_set的一个子集)；利用X_result和x_result用直接线性变换（参见《计算机视觉中的多视图几何》第五章第二节）或者p4p方法（参见M.Bujnak,Z.Kukelova,T.Pajdla.A general solution to the P4P problemfor camera with unknown focal length.CVPR2008,Anchorage,Alaska,USA,June2008）等计算出待标定摄像机的摄像机矩阵的内参矩阵（含监控摄像机焦距等信息）和外参（该监控摄像机的坐标系相对于统一坐标系的旋转矩阵以及该监控摄像机光心的位置）。其中，p4p方法较为稳定，但是只适用于内参矩阵中只有一个未知参数（焦距）的情况（即假设摄像机主点坐标为图像中心且成像无扭曲）；而直接线性变换的方法能计算出摄像机的所有内参（焦距，主点坐标，扭曲因子），但是该方法不是很稳定。此处为了简单起见，不再详细描述。
本发明另一方面还提出一种监控摄像机的标定***。图4为本发明一个实施例的监控摄像机的标定***的结构框图。如图4所示，该***包括至少一个采集设备1000和计算装置2000。
至少一个采集设备1000用于在待标定监控摄像机的监控场景中采集多幅图像。计算装置2000用于根据至少一个采集设备1000采集的多幅图像进行特征匹配以获取多幅图像之间的匹配关系，并根据多幅图像之间的匹配关系重构待标定监控摄像机的监控场景的三维点集，以及根据重构出的三维点集和待标定监控摄像机采集的图像计算待标定监控摄像机的参数。
在本发明的一个实施例中，至少一个采集设备1000可以具有GPS传感器。当至少一个采集设备具有GPS传感器时，可以利用采集设备采集图像时获取的GPS位置信息获取每幅图像的相邻图像，并对相邻的图像进行两两匹配，从而提供匹配效率。至少一个采集设备1000还可以主动地采集图像。
计算装置2000的计算方法可参照上面实施例的描述，不再赘述。
本发明首先用主动拍摄的方式得到比较完整的监控场景的图像信息，然后精确地重构出监控场景的三维点，最后利用这些三维点和监控摄像机采集的图像上特征点的匹配关系计算出监控摄像机的摄像机矩阵，从而实现对监控摄像机进行标定。同时，标定过程是动态的，即如果发现恢复的监控场景的三维点不足以对监控摄像机进行标定，可以再次拍摄更多的图像扩充监控场景的三维点集，从而可以保证所有待标定的监控摄像机最终都能得到标定。本发明不同于传统的摄像机标定方法需要标定物、摄像机做特殊运动或者要求摄像机视场之间有重叠区域，而只需要用标定好的采集设备主动拍摄的监控场景图像将待标定的各个监控摄像机的视场相连接，就能对多个监控摄像机同时进行标定，得到其内参和相对位置关系。本发明的方法不要求待标定的监控摄像机之间同步，且能处理监控摄像机视场没有交叠的情况。如果用街景车进行图像采集，则可以进行城市级别的监控摄像机网络的智能分析。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (13)

1.一种监控摄像机的标定方法，其特征在于，包括：
利用采集设备在所述待标定监控摄像机的监控场景中采集多幅图像，以及利用待标定监控摄像机采集图像；
对所述采集设备采集的多幅图像进行特征匹配以获取所述多幅图像之间的匹配关系；
根据所述多幅图像之间的匹配关系重构所述待标定监控摄像机的监控场景的三维点集；
根据所述重构出的三维点集和所述待标定监控摄像机采集的图像计算所述待标定监控摄像机的参数。
2.根据权利要求1所述的方法，其特征在于，所述利用采集设备在所述待标定监控摄像机的监控场景中采集多幅图像包括：
标定所述采集设备的内参；
利用已经标定好内参的所述采集设备在所述待标定监控摄像机的监控场景中主动采集多幅图像，其中所述多幅图像中的至少一些与所述待标定监控摄像机的视场的重叠部分超过预设值。
3.根据权利要求1或2所述的方法，其特征在于，所述对所述采集设备采集的多幅图像进行特征匹配以获取所述多幅图像之间的匹配关系包括：
当所述采集设备具有GPS传感器时，利用所述采集设备采集图像时获取的GPS位置信息获取每幅图像的相邻图像，并对相邻的图像进行两两匹配；以及
当所述采集设备不具有GPS传感器时，对所述多幅图像进行两两匹配。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多幅图像之间的匹配关系重构所述待标定监控摄像机的监控场景的三维点集包括：
从所述多幅图像中选择满足预设条件的两幅图像作为初始图像，其中所述预设条件为两幅图像上匹配点的数目多，且图像间退化不严重；
根据所述初始图像上的匹配点对计算所述初始图像的摄像机矩阵；
利用所述初始图像间的匹配关系和所述初始图像的摄像机矩阵重构所述监控场景的三维点；
利用所述三维点和除所述初始图像外的其他图像扩充所述监控场景的三维点集。
5.根据权利要求4所述的方法，其特征在于，所述利用所述三维点和所述初始图像外的其他图像扩充所述监控场景的三维点集包括：
判断是否所述采集设备采集的多幅图像均已经参与计算所述重构监控场景的三维点集；
如果否，则从未参与计算所述重构的图像中找到与已经重构出的三维点最匹配的图像，并计算所述与已经重构出的三维点最匹配的图像对应的摄像机矩阵；
利用所述与已经重构出的三维点最匹配的图像和已经计算出摄像机矩阵的其他图像的匹配点扩充所述监控场景的三维点集；
对所述获得的摄像机矩阵和三维点进行优化。
6.根据权利要求1所述的方法，其特征在于，所述根据所述多幅图像之间的匹配关系重构所述待标定监控摄像机的监控场景的三维点集包括：
获取所述多幅图像对应的采集设备的GPS位置和姿态信息，并根据所述GPS位置和姿态信息计算出每幅图像对应的摄像机矩阵；
对于每两幅图像，利用所述摄像机矩阵和所述多幅图像之间的匹配关系通过三角法获得所述两幅图像上的匹配点对的三维坐标；
利用光束平差法对所述摄像机矩阵和所述匹配点对的三维坐标进行优化。
7.根据权利要求1所述的方法，其特征在于，所述根据所述重构出的三维点集和所述待标定监控摄像机采集的图像计算所述待标定监控摄像机的参数包括：
将所述待标定监控摄像机采集的图像与参与所述重构的图像进行特征匹配以获取相匹配的第一特征点集，并计算出所述第一特征点集与所述三维点集在参与重构的图像中的对应特征点集的交集；
判断所述交集中的特征点的数目是否大于预设阈值；
如果否，则主动采集新的图像，并根据所述新的图像扩充所述三维点集以更新所述交集；
重复上述步骤直至所述交集中的特征点的数目大于所述预设阈值；
根据所述交集对应的三维点集合以及所述交集计算所述待标定监控摄像机的参数。
8.一种监控摄像机的标定***，其特征在于，所述***包括：
至少一个采集设备，用于在所述待标定监控摄像机的监控场景中采集多幅图像；
计算装置，用于根据所述至少一个采集设备采集的多幅图像进行特征匹配以获取所述多幅图像之间的匹配关系，并根据所述多幅图像之间的匹配关系重构所述待标定监控摄像机的监控场景的三维点集，以及根据所述重构出的三维点集和所述待标定监控摄像机采集的图像计算所述待标定监控摄像机的参数。
9.根据权利要求8所述的***，其特征在于，所述至少一个采集设备的内参已经被标定，且已经标定好内参的至少一个采集设备在所述待标定监控摄像机的监控场景中主动采集多幅图像，其中所述多幅图像中的至少一些与所述待标定监控摄像机的视场的重叠部分超过预设值。
10.根据权利要求8所述的***，其特征在于，所述计算装置用于：
从所述多幅图像中选择满足预设条件的两幅图像作为初始图像，其中所述预设条件为两幅图像上匹配点的数目多，且图像间退化不严重；
根据所述初始图像上的匹配点对计算所述初始图像的摄像机矩阵；
利用所述初始图像间的匹配关系和所述初始图像的摄像机矩阵重构所述监控场景的三维点；
利用所述三维点和除所述初始图像外的其他图像扩充所述监控场景的三维点集。
11.根据权利要求10所述的***，其特征在于，所述计算装置进一步用于：
判断是否所述采集设备采集的多幅图像均已经参与计算所述重构监控场景的三维点集；
如果否，则从未参与计算所述重构的图像中找到与已经重构出的三维点最匹配的图像，并计算所述与已经重构出的三维点最匹配的图像对应的摄像机矩阵；
利用所述与已经重构出的三维点最匹配的图像和已经计算出摄像机矩阵的其他图像的匹配点扩充所述监控场景的三维点集；
对所述获得的摄像机矩阵和三维点进行优化。
12.根据权利要求8所述的***，其特征在于，所述计算装置用于：
获取所述多幅图像对应的采集设备的GPS位置和姿态信息，并根据所述GPS位置和姿态信息计算出每幅图像对应的摄像机矩阵；
对于每两幅图像，利用所述摄像机矩阵和所述多幅图像之间的匹配关系通过三角法获得所述两幅图像上的匹配点对的三维坐标；
利用光束平差法对所述摄像机矩阵和所述匹配点对的三维坐标进行优化。
13.根据权利要求8所述的***，其特征在于，所述计算装置用于：
将所述待标定监控摄像机采集的图像与参与所述重构的图像进行特征匹配以获取相匹配的第一特征点集，并计算出所述第一特征点集与所述三维点集在参与重构的图像中的对应特征点集的交集；
判断所述交集中的特征点的数目是否大于预设阈值；
如果否，则主动采集新的图像，并根据所述新的图像扩充所述三维点集以更新所述交集；
重复上述步骤直至所述交集中的特征点的数目大于所述预设阈值；
根据所述交集对应的三维点集合和所述交集计算所述待标定监控摄像机的参数。
CN201310670982.0A 2013-12-10 2013-12-10 监控摄像机的标定方法和*** Expired - Fee Related CN103824278B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310670982.0A CN103824278B (zh) 2013-12-10 2013-12-10 监控摄像机的标定方法和***
PCT/CN2014/083329 WO2015085779A1 (en) 2013-12-10 2014-07-30 Method and system for calibrating surveillance cameras
US14/765,748 US9684962B2 (en) 2013-12-10 2014-07-30 Method and system for calibrating surveillance cameras

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310670982.0A CN103824278B (zh) 2013-12-10 2013-12-10 监控摄像机的标定方法和***

Publications (2)

Publication Number Publication Date
CN103824278A true CN103824278A (zh) 2014-05-28
CN103824278B CN103824278B (zh) 2016-09-21

Family

ID=50759320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310670982.0A Expired - Fee Related CN103824278B (zh) 2013-12-10 2013-12-10 监控摄像机的标定方法和***

Country Status (3)

Country Link
US (1) US9684962B2 (zh)
CN (1) CN103824278B (zh)
WO (1) WO2015085779A1 (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015085779A1 (en) * 2013-12-10 2015-06-18 Tsinghua University Method and system for calibrating surveillance cameras
CN104766292A (zh) * 2014-01-02 2015-07-08 株式会社理光 多台立体相机标定方法和***
CN105513056A (zh) * 2015-11-30 2016-04-20 天津津航技术物理研究所 车载单目红外相机外参自动标定方法
CN105744223A (zh) * 2016-02-04 2016-07-06 北京旷视科技有限公司 视频数据处理方法和装置
CN105844696A (zh) * 2015-12-31 2016-08-10 清华大学 基于射线模型三维重构的图像定位方法以及装置
CN105931229A (zh) * 2016-04-18 2016-09-07 东北大学 面向无线相机传感器网络的无线相机传感器位姿标定方法
CN106127115A (zh) * 2016-06-16 2016-11-16 哈尔滨工程大学 一种基于全景和常规视觉的混合视觉目标定位方法
CN106652026A (zh) * 2016-12-23 2017-05-10 安徽工程大学机电学院 基于多传感器融合的三维空间自动标定的方法
WO2017114508A1 (zh) * 2015-12-30 2017-07-06 清华大学 三维监控***中基于三维重构的交互式标定方法和装置
CN107437264A (zh) * 2017-08-29 2017-12-05 重庆邮电大学 车载相机外部参数自动检测与校正方法
CN107657644A (zh) * 2017-09-28 2018-02-02 浙江大华技术股份有限公司 一种移动环境下稀疏场景流检测方法和装置
CN108346164A (zh) * 2018-01-09 2018-07-31 云南大学 利用本质矩阵的性质标定锥镜面折反射摄像机的方法
CN109461189A (zh) * 2018-09-04 2019-03-12 顺丰科技有限公司 多相机的位姿计算方法、装置、设备及存储介质
CN109508702A (zh) * 2018-12-29 2019-03-22 安徽云森物联网科技有限公司 一种基于单一图像采集设备的三维人脸活体检测方法
CN110081841A (zh) * 2019-05-08 2019-08-02 上海鼎盛汽车检测设备有限公司 3d四轮定位仪目标盘三维坐标的确定方法及***
CN110427517A (zh) * 2019-07-18 2019-11-08 华戎信息产业有限公司 一种基于场景词典树的图搜视频方法，装置及计算机可读存储介质
CN110827361A (zh) * 2019-11-01 2020-02-21 清华大学 基于全局标定架的相机组标定方法及装置
CN110910459A (zh) * 2018-12-27 2020-03-24 北京爱笔科技有限公司 一种对摄像装置的标定方法、装置及标定设备
CN110969097A (zh) * 2019-11-18 2020-04-07 浙江大华技术股份有限公司 监控目标联动跟踪控制方法、设备及存储装置
CN111311693A (zh) * 2020-03-16 2020-06-19 威海经济技术开发区天智创新技术研究院 一种多目摄像头的在线标定方法及***
WO2020181509A1 (zh) * 2019-03-12 2020-09-17 深圳市大疆创新科技有限公司 一种影像处理方法、装置及***
CN111932627A (zh) * 2020-09-15 2020-11-13 蘑菇车联信息科技有限公司 一种标识物绘制方法及***
CN112348899A (zh) * 2019-08-07 2021-02-09 虹软科技股份有限公司 标定参数的获取方法、装置、处理器及电子设备
CN112365722A (zh) * 2020-09-22 2021-02-12 浙江大华***工程有限公司 道路监控区域识别方法、装置、计算机设备和存储介质
CN113794841A (zh) * 2021-11-16 2021-12-14 浙江原数科技有限公司 基于重合度的监控设备调整方法和设备
CN113923406A (zh) * 2021-09-29 2022-01-11 四川警察学院 视频监控覆盖区域的调节方法、装置、设备和存储介质
WO2022037285A1 (zh) * 2020-08-20 2022-02-24 北京达佳互联信息技术有限公司 相机外参标定方法及装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976391B (zh) * 2016-05-27 2018-12-14 西北工业大学 基于orb-slam的多摄像机标定方法
CN107358633A (zh) * 2017-07-12 2017-11-17 北京轻威科技有限责任公司 一种基于三点标定物的多相机内外参标定方法
CN107944455B (zh) * 2017-11-15 2020-06-02 天津大学 一种基于surf的图像匹配方法
WO2019119328A1 (zh) * 2017-12-20 2019-06-27 深圳市大疆创新科技有限公司 一种基于视觉的定位方法及飞行器
CN108534797A (zh) * 2018-04-13 2018-09-14 北京航空航天大学 一种实时高精度视觉里程计方法
CN111698455B (zh) * 2019-03-13 2022-03-11 华为技术有限公司 控制球机与枪机联动的方法、装置及介质
US10999075B2 (en) 2019-06-17 2021-05-04 Advanced New Technologies Co., Ltd. Blockchain-based patrol inspection proof storage method, apparatus, and electronic device
CN112639883B (zh) * 2020-03-17 2021-11-19 华为技术有限公司 一种相对位姿标定方法及相关装置
CN113298885A (zh) * 2021-06-23 2021-08-24 Oppo广东移动通信有限公司 双目标定方法及装置、设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630406A (zh) * 2008-07-14 2010-01-20 深圳华为通信技术有限公司 摄像机的标定方法及摄像机标定装置
CN101894369A (zh) * 2010-06-30 2010-11-24 清华大学 从图像序列中计算摄像机焦距的实时方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006084385A1 (en) * 2005-02-11 2006-08-17 Macdonald Dettwiler & Associates Inc. 3d imaging system
CN101763632B (zh) * 2008-12-26 2012-08-08 华为技术有限公司 摄像机标定的方法和装置
CN102110292B (zh) * 2009-12-25 2015-02-18 新奥特（北京）视频技术有限公司 一种虚拟体育中的变焦镜头标定方法及装置
US9191650B2 (en) * 2011-06-20 2015-11-17 National Chiao Tung University Video object localization method using multiple cameras
US8803943B2 (en) * 2011-09-21 2014-08-12 National Applied Research Laboratories Formation apparatus using digital image correlation
CN103024350B (zh) * 2012-11-13 2015-07-29 清华大学 一种双目ptz视觉***的主从跟踪方法及应用该方法的***
CN103824278B (zh) 2013-12-10 2016-09-21 清华大学 监控摄像机的标定方法和***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630406A (zh) * 2008-07-14 2010-01-20 深圳华为通信技术有限公司 摄像机的标定方法及摄像机标定装置
CN101894369A (zh) * 2010-06-30 2010-11-24 清华大学 从图像序列中计算摄像机焦距的实时方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MICUSIK, B.等: "Simultaneous surveillance camera calibration and foot-head homology estimation from human detections", 《COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 2010 IEEE CONFERENCE ON》 *
崔智高: "采用地平面约束的双目PTZ主从跟踪方法", 《红外与激光工程》 *

Cited By (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9684962B2 (en) 2013-12-10 2017-06-20 Tsinghua University Method and system for calibrating surveillance cameras
WO2015085779A1 (en) * 2013-12-10 2015-06-18 Tsinghua University Method and system for calibrating surveillance cameras
CN104766292A (zh) * 2014-01-02 2015-07-08 株式会社理光 多台立体相机标定方法和***
CN104766292B (zh) * 2014-01-02 2017-10-20 株式会社理光 多台立体相机标定方法和***
CN105513056A (zh) * 2015-11-30 2016-04-20 天津津航技术物理研究所 车载单目红外相机外参自动标定方法
CN105513056B (zh) * 2015-11-30 2018-06-19 天津津航技术物理研究所 车载单目红外相机外参自动标定方法
US10607369B2 (en) 2015-12-30 2020-03-31 Tsinghua University Method and device for interactive calibration based on 3D reconstruction in 3D surveillance system
WO2017114508A1 (zh) * 2015-12-30 2017-07-06 清华大学 三维监控***中基于三维重构的交互式标定方法和装置
CN105844696A (zh) * 2015-12-31 2016-08-10 清华大学 基于射线模型三维重构的图像定位方法以及装置
WO2017114507A1 (zh) * 2015-12-31 2017-07-06 清华大学 基于射线模型三维重构的图像定位方法以及装置
CN105844696B (zh) * 2015-12-31 2019-02-05 清华大学 基于射线模型三维重构的图像定位方法以及装置
US10580204B2 (en) 2015-12-31 2020-03-03 Tsinghua University Method and device for image positioning based on 3D reconstruction of ray model
CN105744223A (zh) * 2016-02-04 2016-07-06 北京旷视科技有限公司 视频数据处理方法和装置
CN105931229A (zh) * 2016-04-18 2016-09-07 东北大学 面向无线相机传感器网络的无线相机传感器位姿标定方法
CN105931229B (zh) * 2016-04-18 2019-02-05 东北大学 面向无线相机传感器网络的无线相机传感器位姿标定方法
CN106127115A (zh) * 2016-06-16 2016-11-16 哈尔滨工程大学 一种基于全景和常规视觉的混合视觉目标定位方法
CN106652026A (zh) * 2016-12-23 2017-05-10 安徽工程大学机电学院 基于多传感器融合的三维空间自动标定的方法
CN107437264A (zh) * 2017-08-29 2017-12-05 重庆邮电大学 车载相机外部参数自动检测与校正方法
CN107437264B (zh) * 2017-08-29 2020-06-19 重庆邮电大学 车载相机外部参数自动检测与校正方法
CN107657644B (zh) * 2017-09-28 2019-11-15 浙江大华技术股份有限公司 一种移动环境下稀疏场景流检测方法和装置
CN107657644A (zh) * 2017-09-28 2018-02-02 浙江大华技术股份有限公司 一种移动环境下稀疏场景流检测方法和装置
CN108346164A (zh) * 2018-01-09 2018-07-31 云南大学 利用本质矩阵的性质标定锥镜面折反射摄像机的方法
CN109461189A (zh) * 2018-09-04 2019-03-12 顺丰科技有限公司 多相机的位姿计算方法、装置、设备及存储介质
CN110910459A (zh) * 2018-12-27 2020-03-24 北京爱笔科技有限公司 一种对摄像装置的标定方法、装置及标定设备
CN109508702A (zh) * 2018-12-29 2019-03-22 安徽云森物联网科技有限公司 一种基于单一图像采集设备的三维人脸活体检测方法
WO2020181509A1 (zh) * 2019-03-12 2020-09-17 深圳市大疆创新科技有限公司 一种影像处理方法、装置及***
CN110081841A (zh) * 2019-05-08 2019-08-02 上海鼎盛汽车检测设备有限公司 3d四轮定位仪目标盘三维坐标的确定方法及***
CN110081841B (zh) * 2019-05-08 2021-07-02 上海鼎盛汽车检测设备有限公司 3d四轮定位仪目标盘三维坐标的确定方法及***
CN110427517A (zh) * 2019-07-18 2019-11-08 华戎信息产业有限公司 一种基于场景词典树的图搜视频方法，装置及计算机可读存储介质
CN110427517B (zh) * 2019-07-18 2023-04-25 华戎信息产业有限公司 一种基于场景词典树的图搜视频方法，装置及计算机可读存储介质
CN112348899A (zh) * 2019-08-07 2021-02-09 虹软科技股份有限公司 标定参数的获取方法、装置、处理器及电子设备
CN110827361A (zh) * 2019-11-01 2020-02-21 清华大学 基于全局标定架的相机组标定方法及装置
CN110969097A (zh) * 2019-11-18 2020-04-07 浙江大华技术股份有限公司 监控目标联动跟踪控制方法、设备及存储装置
CN110969097B (zh) * 2019-11-18 2023-05-12 浙江大华技术股份有限公司 监控目标联动跟踪控制方法、设备及存储装置
CN111311693A (zh) * 2020-03-16 2020-06-19 威海经济技术开发区天智创新技术研究院 一种多目摄像头的在线标定方法及***
CN111311693B (zh) * 2020-03-16 2023-11-14 威海经济技术开发区天智创新技术研究院 一种多目摄像头的在线标定方法及***
WO2022037285A1 (zh) * 2020-08-20 2022-02-24 北京达佳互联信息技术有限公司 相机外参标定方法及装置
CN111932627B (zh) * 2020-09-15 2021-01-05 蘑菇车联信息科技有限公司 一种标识物绘制方法及***
CN111932627A (zh) * 2020-09-15 2020-11-13 蘑菇车联信息科技有限公司 一种标识物绘制方法及***
CN112365722A (zh) * 2020-09-22 2021-02-12 浙江大华***工程有限公司 道路监控区域识别方法、装置、计算机设备和存储介质
CN113923406A (zh) * 2021-09-29 2022-01-11 四川警察学院 视频监控覆盖区域的调节方法、装置、设备和存储介质
CN113923406B (zh) * 2021-09-29 2023-05-12 四川警察学院 视频监控覆盖区域的调节方法、装置、设备和存储介质
CN113794841B (zh) * 2021-11-16 2022-02-08 浙江原数科技有限公司 基于重合度的监控设备调整方法和设备
CN113794841A (zh) * 2021-11-16 2021-12-14 浙江原数科技有限公司 基于重合度的监控设备调整方法和设备

Also Published As

Publication number Publication date
CN103824278B (zh) 2016-09-21
US20150371385A1 (en) 2015-12-24
US9684962B2 (en) 2017-06-20
WO2015085779A1 (en) 2015-06-18

Similar Documents

Publication Publication Date Title
CN103824278A (zh) 监控摄像机的标定方法和***
Rupnik et al. MicMac–a free, open-source solution for photogrammetry
CN110163968B (zh) Rgbd相机大型三维场景构建方法及***
Ji et al. Panoramic SLAM from a multiple fisheye camera rig
CN110415347B (zh) 三维实景地图与二维平面地图融合方法、装置及电子设备
CN107194991B (zh) 一种基于骨架点局域动态更新的三维全局可视化监控***构建方法
CN102982516B (zh) 一种基于半球环形全景镜头实现全景图像的方法
CN204090039U (zh) 一体化大场景全景视频监控装置
Zhang et al. Aerial orthoimage generation for UAV remote sensing
CN109410330A (zh) 一种基于bim技术无人机航拍建模方法
CN111161334B (zh) 一种基于深度学习的语义地图构建方法
CN104778675A (zh) 一种采煤综掘工作面动态视频图像融合方法
Zhang et al. Image-only real-time incremental UAV image mosaic for multi-strip flight
CN106846251A (zh) 基于建筑物房顶矢量的正射影像镶嵌线网络自动选择方法
Wang et al. TerrainFusion: Real-time digital surface model reconstruction based on monocular SLAM
CN111179309B (zh) 一种跟踪方法及设备
Wang et al. Automatic registration of point cloud and panoramic images in urban scenes based on pole matching
Li et al. Point-line feature fusion based field real-time RGB-D SLAM
CN114529681A (zh) 一种手持双相机建筑物温度场三维模型构建方法和***
Liu et al. Accurate real-time visual SLAM combining building models and GPS for mobile robot
CN110888957B (zh) 一种对象定位的方法以及相关装置
CN110163915B (zh) 一种多rgb-d传感器的空间三维扫描方法及装置
Wendel et al. Visual Localization for Micro Aerial Vehicles in Urban Outdoor Environments
Wu et al. Building Facade Reconstruction Using Crowd-Sourced Photos and Two-Dimensional Maps
Gao et al. MC-NeRF: Muti-Camera Neural Radiance Fields for Muti-Camera Image Acquisition Systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160921