CN107633536B - 一种基于二维平面模板的相机标定方法及*** - Google Patents
一种基于二维平面模板的相机标定方法及*** Download PDFInfo
- Publication number
- CN107633536B CN107633536B CN201710674279.5A CN201710674279A CN107633536B CN 107633536 B CN107633536 B CN 107633536B CN 201710674279 A CN201710674279 A CN 201710674279A CN 107633536 B CN107633536 B CN 107633536B
- Authority
- CN
- China
- Prior art keywords
- target
- homography matrix
- obtaining
- corner points
- parameters
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Studio Devices (AREA)
Abstract
本发明公开了一种基于二维平面模板的相机标定方法及***,其中的方法包括:获取棋盘格标定图像,所述标定图像包含多个角点;采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;根据所述目标角点的坐标和对应的世界坐标,获得单应性矩阵;采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数;采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,利用所述目标参数对相机进行标定。本发明解决了张正友标定方法存在相机标定的准确性不高的技术问题。
Description
技术领域
本发明涉及视觉测量技术领域,尤其涉及一种基于二维平面模板的相机标定方法及***。
背景技术
视觉测量中,相机参数的标定是非常关键的环节,标定精度以及标定算法的稳定性直接影响相机工作产生结果的准确性。相机标定的目的是估计相机镜头和图像传感器的参数,包括内参、外参以及镜头畸变系数,这些参数广泛应用到计算机视觉领域,比如纠正镜头失真、测量物体的实际尺寸、确定相机在场景中的位置等。相机标定还广泛应用于机器人学、导航***和三维重建等。
目前,相机标定的方法大致分为两类:传统的标定方法和相机自标定方法。传统的标定方法是利用已知尺寸的标定块,建立物体坐标与图像坐标的对应关系,再通过相应的算法获取相机内外参数,标定精度较高但三维标定块的加工和维护困难,成本很高;相机自标定主要是利用相机运动约束或者场景的约束估计参数,灵活性较强,但自标定方法对相机运动以及场景约束条件太强,在实际使用时鲁棒性较差,精度较低,这些因素也就限制了自标定的使用范围。
为了解决上述技术问题,张正友提出了一种灵活的平面标定方法,该方法介于传统的标定与相机自标定方法之间,不需要特定的标定物,只需要打印一张棋盘格,可以避免传统的标定方法设备要求高,以及自标定方法精度低的问题。但是,张正友的标定法使用多幅棋盘格图像,利用角点的对应关系,算出每幅图像对应的单应性矩阵,然后使用封闭解求出相机内参、外参,最后考虑镜头畸变,用前面得到的封闭解作为初值,采用非线性搜索算法估计所有参数,包括内参、外参以及畸变系数。但是,非线性搜索算法对给定初值的精度要求很严格,由于相机参数是耦合的,如果提供的初值精度不高,那么非线性优化表现会很差,还会陷入局部最优解,因而导致求解相机参数及畸变系数的准确性和鲁棒性不够。
可见,现有的张正友标定方法存在相机标定的准确性不高的技术问题。
发明内容
本发明实施例提供一种基于二维平面模板的相机标定方法及***,用以解决现有张正友标定方法存在相机标定的准确性不高的技术问题。
本发明公开了一种基于二维平面模板的相机标定方法,所述方法包括:
获取棋盘格标定图像,所述标定图像包含多个角点;
采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
本发明提供的方法中,所述采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点,包括:
获取角点的重投影坐标;
获取所述角点的重投影坐标与所述角点的初始坐标之间的第一距离;
采用随机抽样一致性算法剔除所述第一距离大于第一预设值所对应的角点,从而获得目标角点。
本发明提供的方法中,所述根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵,包括:
从所述棋盘格标定图像中随机选取四个角点,并获取所述四个角点的坐标;
根据所述四个角点的坐标和四个角点对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵。
本发明提供的方法中,所述采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵,包括:
根据单应性矩阵,获得预设二次曲线模型;
获得所述单应性矩阵与所述二次曲线模型的第二距离,将所述第二距离作为差值;
如果所述差值大于所述第二预设值,则为不符合条件的单应性矩阵;
从原始单应性矩阵中剔除所述不符合条件的单应性矩阵,获得目标单应性矩阵。
本发明提供的方法中,所述棋盘格标定图像包括多张,且不同的标定图像与标定相机的角度不相同。
基于同样的发明构思,本发明第二方面提供了一种基于二维平面模板的相机标定***,所述***包括:获取模块,用于获取棋盘格标定图像,所述标定图像包含多个角点;
第一获得模块,用于采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
第二获得模块,用于根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
第三获得模块,用于采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
第四获得模块,用于根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
标定模块,用于采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
本发明提供的***中,所述第一获得模块,还用于:
获取角点的重投影坐标;
获取所述角点的重投影坐标与所述角点的初始坐标之间的第一距离;
采用随机抽样一致性算法剔除所述第一距离大于第一预设值所对应的角点,从而获得目标角点。
本发明提供的***中,所述第二获得模块,还用于:
从所述棋盘格标定图像中随机选取四个角点,并获取所述四个角点的坐标;
根据所述四个角点的坐标和四个角点对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵。
本发明提供的***中,所述第三获得模块,还用于:
根据单应性矩阵,获得预设二次曲线模型;
获得所述单应性矩阵与所述二次曲线模型的第二距离,将所述第二距离作为差值;
如果所述差值大于所述第二预设值,则为不符合条件的单应性矩阵;
从原始单应性矩阵中剔除所述不符合条件的单应性矩阵,获得目标单应性矩阵
本发明提供的***中,所述棋盘格标定图像包括多张,且不同的标定图像与标定相机的角度不相同。
基于同样的发明构思,本发明第三方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取棋盘格标定图像,所述标定图像包含多个角点;
采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
基于同样的发明构思,本发明第四方面还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取棋盘格标定图像,所述标定图像包含多个角点;
采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供了一种基于二维平面模板的相机标定方法,所述方法包括:获取棋盘格标定图像,所述标定图像包含多个角点;采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。本发明提供的上述方法中,一方面,在获取初值时,采用随机抽样一致性算法剔除了多个角点中角点误差值大于第一预设值的角点,从而获得目标角点,然后再根据目标角点计算单应性矩阵,由于剔除了精度较低的角点,从而可以提高单应性矩阵计算的准确性,从而提高标定精度,另一方面,采用随机抽样一致性算法剔除了误差值大于第二预设值的单应性矩阵,从而获得目标单应性矩阵,然后再根据所述目标单应性矩阵对标定参数进行求解,由于剔除了低质量的标定图像,从而可以进一步提高标定的精度,解决了现有张正友标定方法存在相机标定的准确性和鲁棒性不高的技术问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于二维平面模板的相机标定方法的流程图;
图2为本发明实施例中一种基于二维平面模板的相机标定***的结构图;
图3为本发明实施例中一种计算机可读介质的结构图;
图4为本发明实施例中一种计算机设备的结构图。
具体实施方式
本发明实施例提供了一种基于二维平面模板的相机标定方法及***,用以解决现有张正友标定方法存在相机标定的准确性不高的技术问题。
本申请实施例中的技术方案,总体思路如下:
一种基于二维平面模板的相机标定方法,所述方法包括:获取棋盘格标定图像,所述标定图像包含多个角点;采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
在上述方法中,一方面,在获取初值时,采用随机抽样一致性算法剔除了多个角点中角点误差值大于第一预设值的角点,从而获得目标角点,然后再根据目标角点计算单应性矩阵,由于剔除了精度较低的角点,从而可以提高单应性矩阵计算的准确性,从而提高标定精度,另一方面,采用随机抽样一致性算法剔除了误差值大于第二预设值的单应性矩阵,从而获得目标单应性矩阵,然后再根据所述目标单应性矩阵对标定参数进行求解,由于剔除了低质量的标定图像,从而可以进一步提高标定的精度,解决了现有张正友标定方法存在相机标定的准确性和鲁棒性不高的技术问题。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例提供了一种基于二维平面模板的相机标定方法,请参见图1,所述方法包括:
步骤S101:获取棋盘格标定图像,所述标定图像包含多个角点;
步骤S102:采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点。
步骤S103:根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵。
步骤S104:采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵。
步骤S105:根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
步骤S106:采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
需要说明的是,本发明申请人通过长期的实践发现,张正友的基于平面标定的方法中,求解初值的精度主要与下两个方面有关,第一,棋盘格角点的提取精度,第二,采集的标定图像的质量。而在实际应用中,相机标定过程会受噪声、图像模糊、光照变化以及棋盘格视角等影响,导致棋盘格角点的提取精度较低。另外,符合规范的高质量的标定图像才能对相机参数进行准确标定,例如:棋盘格平面与相机像平面的夹角大于45度会降低标定精度,棋盘格在图像中的比例以及棋盘格距离相机光心的远近都会对求解初值的精度产生影响。本申请的方法基于上面的认识,提出了一种基于二维平面模板的相机标定方法,本发明采用双-随机抽样一致性算法(D-RANSAC),从影响初值求解精度的两个方面入手,通过剔除低精度的角点和不合规范的低质量图像,从而提高初值的求解精度。具体为:利用每幅棋盘格角点的重投影误差大小,并运用随机抽样一致性算法,剔除误差较大的角点,然后重新计算每幅图像的单应性矩阵。并基于预设二次曲线模型在单个相机中不变的理论,对每幅图像对应的单应性矩阵再次运用随机抽样一致性算法,剔除不符合规范的低质量标定图像。最后采用封闭解求得较为准确的初值,即相机的初始内外参(即第一内参和第二内参),并结合到镜头畸变因素,采用非线性搜索的算法求得精确的相机的第二内参、第二外参和第二畸变系数,并对相机进行标定,从而提高了标定的准确性和精度。
下面,结合图1对本申请提供的一种基于二维平面模板的相机标定方法进行详细介绍:
首先执行步骤S101:获取棋盘格标定图像,所述标定图像包含多个角点;
在具体的实施过程中,可以利用相机拍摄多张棋盘格标定图像,其中每张棋盘格标定图像包含多个角点。作为优选,不同标定图像与标定相机的角度不相同,例如标定图像可以多角度地拍摄,保证标定图像相对相机有足够的角度变化,从而保证标定的精度,标定图像的数量可以根据实际情况拍摄,例如可以为20、25、30等等。
然后执行步骤S102:采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点。
在具体的实施过程中,由于棋盘格角点的精度影响最终的标定精度,需要剔除低精度的角点,本实施例中采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,从而获得目标角点。
剔除低精度角点的方法可以通过下述步骤来实现:
获取角点的重投影坐标;
获取所述角点的重投影坐标与所述角点的初始坐标之间的第一距离;
采用随机抽样一致性算法剔除所述第一距离大于第一预设值所对应的角点,从而获得目标角点。
在具体的实施过程中,首先介绍相机模型,相机模型分为线性模型和非线性模型,其中基于二维平面模板的线性模型如下:
上述公式中,s表示尺度因子,(u,v)为棋盘格图像角点对应的相机成像点的像素坐标(即角点坐标),(X,Y)为棋盘格图像角点的世界坐标,K为相机的内参数,r1,r2为相机外参数旋转矩阵R3×3的列向量,t表示相机外参数平移矩阵,R3×3和t表示棋盘格标定板所在的世界坐标系到相机坐标系的旋转和平移矩阵。
接下来介绍单应性矩阵,例如已知每幅标定图像和相机成像中的四对映射点(u,v)和(X,Y),则可以通过公式(2)求出棋盘格标定板所在的世界坐标到像素坐标的单应性矩阵H,对于每幅标定图像都可以得到一个单应性矩阵,如下:
其中,单应性矩阵H有8个自由度。
对获取的棋盘格图像可以提取其角点坐标(u,v),然后利用其对应的世界坐标(X,Y)以及公式(2)计算该棋盘格图像的单应性矩阵H,由于噪声、图像模糊、光照变化等影响会导致提取的角点坐标并不精确,因而上述得出的计算的矩阵也不精确,因此可以通过公式(2)获得角点重投影的坐标并与所述角点的初始坐标(u,v)进行比较,两者之间的欧氏距离即为重投影误差d1的值越小,表明角点的提取精度越高,如果该误差值大于第一预设值,则表明该角点的精度不高,从而剔除。举例来说,将第一预设值设置为δ1,若d1<δ1,则该角点符合模型要求,称为内角点,并记录符合标定要求的角点数量t1;否则该角点不符合模型要求,称为外角点。为了保证准确性,重复上述过程多次,重复的次数由下述公式确定:
N=log(1-p)/log(1-ws)(4)
上式表示N次迭代中,每次随机选择最小样本数为s,那么至少有一次没有外点的概率为p,p取值0.99,w表示任意选择的样本为内点的概率。然后保留t1最大时对应的符合模型的所有角点,然后利用这些角点通过最小二乘法重新估计单应性矩阵从而得到最优模型。
接下来执行步骤S103:根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵。
在具体的实施过程中,可以通过公式(2)获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵。
具体地,所述根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵,包括:
从所述棋盘格标定图像中随机选取四个角点,并获取所述四个角点的坐标;
根据所述四个角点的坐标和四个角点对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵。
然后执行步骤S104:采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵。
具体来说,所述采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵,包括:
根据单应性矩阵,获得预设二次曲线模型;
获得所述单应性矩阵与所述二次曲线模型的第二距离,将所述第二距离作为差值;
如果所述差值大于所述第二预设值,则为不符合条件的单应性矩阵;
从原始单应性矩阵中剔除所述不符合条件的单应性矩阵,获得目标单应性矩阵。
在具体的实施过程中,首先介绍内参矩阵K与预设二次曲线曲线模型B,张正友标定法中,利用r1,r2单位正交这一已知条件,可以得到以下两个约束:
h1 TK-TK-1h2=0
h1 TK-TK-1h1=h2 TK-TK-1h2(5)
其中,h1,h2为单应性矩阵H的列向量,K为相机内参矩阵,B=K-TK-1为预设二次曲线曲线模型(简称ICA),由B的表达式可知,B只与相机的内参矩阵K有关,而与相机的方向与位置无关。
获得目标单应性矩阵的方法可以通过下述步骤来首先,首先随机选取两个单应性矩阵,通过公式(5)计算ICA,即B=K-TK-1,然后分别计算每个单应性矩阵与ICA的距离d2,其中d2=(h1 TK-TK-1h2)2+(h1 TK-TK-1h1-1)2+(h2 TK-TK-1h2-1)2(6);第二预设值为δ2,如果d2<δ2,则该单应性矩阵符合模型要求,称为内单应性矩阵,并记下符合模型的单应性矩阵个数t2;否则该单应矩阵不符合模型,称为外单应性矩阵。为了保证准确性,重复上述过程N2次(N2由公式4确定),保留t2最大时对应符合模型的所有单应性矩阵将这些单应性矩阵作为目标单应性矩阵。
接下来执行步骤S105:根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参和第一外参。
在具体的实施过程中,利用前述步骤得到的目标单应性矩阵,并采用最小二乘法重新估计模型得到精确的ICA模型,然后线性计算得到相机的初始参数。
最后来执行步骤S106:采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
在具体的实施过程中,利用步骤S105得到的初始参数作为封闭解,并将这些封闭解作为初值,然后通过最大似然估计的方法对所有初始参数进行估计,包括第一内参、第一外参和第一畸变系数。并将第一畸变系数k1,k2初值设置为零。利用公式(7)优化得到精确的内参A,外参k1,k2,第二畸变系数Ri,ti
其中,n表示剔除低质量标定图像后最终用于标定的图像数量,mi表示第i幅标定图像中剔除低精度角点后用于计算单应性矩阵角点的数量,mij表示第i幅图像中第j个角点的坐标,Mj表示mij对应的已知世界坐标,表示Mj的重投影坐标。利用前述步骤得到的封闭解A,Ri和k1=0,k2=0作为初值,通过Levenberg-Marquarat迭代优化算法对公式(7)进行求解,从而得到精确的目标参数,所述目标参数包括A,Ri,ti,k1,k2,即相机的第二内参、第二外参和第二畸变系数,再通过上述目标参数对相机进行标定,完成相机的高精度标定。
基于同样的发明构思,本发明实施例还提供了一种与基于二维平面模板的相机标定方法相对应的***,具体参见实施例二。
实施例二
本发明实施例二提供了一种基于二维平面模板的相机标定***,请参见图2,所述***包括:
获取模块201,用于获取棋盘格标定图像,所述标定图像包含多个角点;
第一获得模块202,用于采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
第二获得模块203,用于根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
第三获得模块204,用于采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
第四获得模块205,用于根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
标定模块206,用于采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
在本实施例提供的***中,所述第一获得模202,还用于:
获取角点的重投影坐标;
获取所述角点的重投影坐标与所述角点的初始坐标之间的第一距离;
采用随机抽样一致性算法剔除所述第一距离大于第一预设值所对应的角点,从而获得目标角点。
在本实施例提供的***中,所述第二获得模块203,还用于:
从所述棋盘格标定图像中随机选取四个角点,并获取所述四个角点的坐标;
根据所述四个角点的坐标和四个角点对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵。
在本实施例提供的***中,所述第三获得模块204还用于:
根据单应性矩阵,获得预设二次曲线模型;
获得所述单应性矩阵与所述二次曲线模型的第二距离,将所述第二距离作为差值;
如果所述差值大于所述第二预设值,则为不符合条件的单应性矩阵;
从原始单应性矩阵中剔除所述不符合条件的单应性矩阵,获得目标单应性矩阵。
在本实施例提供的***中,所述棋盘格标定图像包括多张,且不同的标定图像与标定相机的角度不相同。
实施例一中的基于的各种变化方式和具体实例同样适用于本实施例的***,通过前述对的详细描述,本领域技术人员可以清楚的知道本实施例中的,所以为了说明书的简洁,在此不再详述。
基于同样的发明构思,本发明实施例还提供了一种与基于二维平面模板的相机标定方法相对应的计算机可读介质,具体参见实施例三。
实施例三
本发明实施例三提供了一种计算机可读存储介质300,请参见图3,其上存储有计算机程序301,该程序被处理器执行时实现以下步骤:
获取棋盘格标定图像,所述标定图像包含多个角点;
采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
实施例一中的标定方法的各种变化方式和具体实例同样适用于本实施例的计算机可读介质,通过前述对相机标定方法的详细描述,本领域技术人员可以清楚的知道本实施例中的计算机可读介质,所以为了说明书的简洁,在此不再详述。
基于同样的发明构思,本发明实施例还提供了一种与基于二维平面模板的相机标定方法相对应的计算机设备,具体参见实施例四。
实施例四
本发明实施例三提供了一种计算机设备,请参见图4,包括存储器401、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取棋盘格标定图像,所述标定图像包含多个角点;
采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定。
为了便于说明,图4仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。其中,存储器401可用于存储软件程序以及模块,处理器402通过运行执行存储在存储器401的软件程序以及模块,从而执行移动终端的各种功能应用以及数据处理。
存储器401可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据计算机设备的使用所创建的数据等。处理器402移动通信终端的控制中心,利用各种接口和线路连接整个移动通信终端的各个部分,通过运行或执行存储在存储器401内的软件程序和/或模块,以及调用存储在存储器401内的数据,执行移动终端机的各种功能和处理数据,从而对移动终端机进行整体监控。可选的,处理器402可包括一个或多个处理单元。
实施例一中的标定方法的各种变化方式和具体实例同样适用于本实施例的计算机设备,通过前述对相机标定方法的详细描述,本领域技术人员可以清楚的知道本实施例中的计算机设备,所以为了说明书的简洁,在此不再详述。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供了一种基于二维平面模板的相机标定方法,所述方法包括:获取棋盘格标定图像,所述标定图像包含多个角点;采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参和第一外参;采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和畸变系数,利用所述目标参数对相机进行标定。本发明提供的上述方法中,一方面,在获取初值时,采用随机抽样一致性算法剔除了多个角点中角点误差值大于第一预设值的角点,从而获得目标角点,然后再根据目标角点计算单应性矩阵,由于剔除了精度较低的角点,从而可以提高单应性矩阵计算的准确性,从而提高标定精度,另一方面,采用随机抽样一致性算法剔除了误差值大于第二预设值的单应性矩阵,从而获得目标单应性矩阵,然后再根据所述目标单应性矩阵对标定参数进行求解,由于剔除了低质量的标定图像,从而可以进一步提高标定的精度,解决了现有张正友标定方法存在相机标定的准确性和鲁棒性不高的技术问题。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于二维平面模板的相机标定方法,其特征在于,所述方法包括:
获取棋盘格标定图像,所述标定图像包含多个角点;
采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定;
其中,所述采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵,包括:
根据单应性矩阵,获得预设二次曲线模型;
获得所述单应性矩阵与所述二次曲线模型的第二距离,将所述第二距离作为差值;
如果所述差值大于所述第二预设值,则为不符合条件的单应性矩阵;
从原始单应性矩阵中剔除所述不符合条件的单应性矩阵,获得目标单应性矩阵。
2.如权利要求1所述的方法,其特征在于,所述采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点,包括:
获取角点的重投影坐标;
获取所述角点的重投影坐标与所述角点的初始坐标之间的第一距离;
采用随机抽样一致性算法剔除所述第一距离大于第一预设值所对应的角点,从而获得目标角点。
3.如权利要求1所述的方法,其特征在于,所述根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵,包括:
从所述棋盘格标定图像中随机选取四个角点,并获取所述四个角点的坐标;
根据所述四个角点的坐标和四个角点对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵。
4.如权利要求1-3任一项权利要求所述的方法,其特征在于,所述棋盘格标定图像包括多张,且不同的标定图像与标定相机的角度不相同。
5.一种基于二维平面模板的相机标定***,其特征在于,所述***包括:
获取模块,用于获取棋盘格标定图像,所述标定图像包含多个角点;
第一获得模块,用于采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
第二获得模块,用于根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
第三获得模块,用于采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
第四获得模块,用于根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
标定模块,用于采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定;
其中,第三获得模块具体用于:
根据单应性矩阵,获得预设二次曲线模型;
获得所述单应性矩阵与所述二次曲线模型的第二距离,将所述第二距离作为差值;
如果所述差值大于所述第二预设值,则为不符合条件的单应性矩阵;
从原始单应性矩阵中剔除所述不符合条件的单应性矩阵,获得目标单应性矩阵。
6.如权利要求5所述的***,其特征在于,所述第一获得模块,还用于:
获取角点的重投影坐标;
获取所述角点的重投影坐标与所述角点的初始坐标之间的第一距离;
采用随机抽样一致性算法剔除所述第一距离大于第一预设值所对应的角点,从而获得目标角点。
7.如权利要求5所述的***,其特征在于,所述第二获得模块,还用于:
从所述棋盘格标定图像中随机选取四个角点,并获取所述四个角点的坐标;
根据所述四个角点的坐标和四个角点对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以下步骤:
获取棋盘格标定图像,所述标定图像包含多个角点;
采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定;
其中,所述采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵,包括:
根据单应性矩阵,获得预设二次曲线模型;
获得所述单应性矩阵与所述二次曲线模型的第二距离,将所述第二距离作为差值;
如果所述差值大于所述第二预设值,则为不符合条件的单应性矩阵;
从原始单应性矩阵中剔除所述不符合条件的单应性矩阵,获得目标单应性矩阵。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
获取棋盘格标定图像,所述标定图像包含多个角点;
采用随机抽样一致性算法剔除所述多个角点中角点第一误差值大于第一预设值的角点,获得目标角点;
根据所述目标角点的坐标和对应的世界坐标,获得所述棋盘格标定图像所在的世界坐标系到像素坐标系的单应性矩阵;
采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵;
根据所述目标单应性矩阵,获得目标二次曲线模型,并根据所述目标二次曲线模型获得相机的初始参数,所述初始参数包括第一内参、第一外参和第一畸变系数;
采用最大似然估计的方法对所述初始参数进行估计,获得目标参数,所述目标参数包括第二内参、第二外参和第二畸变系数,利用所述目标参数对相机进行标定;
其中,所述采用随机抽样一致性算法剔除第二误差值大于第二预设值的单应性矩阵,获得目标单应性矩阵,包括:
根据单应性矩阵,获得预设二次曲线模型;
获得所述单应性矩阵与所述二次曲线模型的第二距离,将所述第二距离作为差值;
如果所述差值大于所述第二预设值,则为不符合条件的单应性矩阵;
从原始单应性矩阵中剔除所述不符合条件的单应性矩阵,获得目标单应性矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710674279.5A CN107633536B (zh) | 2017-08-09 | 2017-08-09 | 一种基于二维平面模板的相机标定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710674279.5A CN107633536B (zh) | 2017-08-09 | 2017-08-09 | 一种基于二维平面模板的相机标定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107633536A CN107633536A (zh) | 2018-01-26 |
CN107633536B true CN107633536B (zh) | 2020-04-17 |
Family
ID=61099131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710674279.5A Expired - Fee Related CN107633536B (zh) | 2017-08-09 | 2017-08-09 | 一种基于二维平面模板的相机标定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633536B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447095A (zh) * | 2018-01-31 | 2018-08-24 | 潍坊歌尔电子有限公司 | 一种鱼眼相机标定方法和装置 |
CN110345875B (zh) * | 2018-04-04 | 2021-04-27 | 灵动科技(北京)有限公司 | 标定及测距方法、装置、电子设备及计算机可读存储介质 |
CN108510551B (zh) * | 2018-04-25 | 2020-06-02 | 上海大学 | 一种远距离大视场条件下相机参数的标定方法及*** |
CN108895959B (zh) * | 2018-04-27 | 2020-03-27 | 电子科技大学 | 一种基于亚像素的相机标定板角点计算方法 |
CN108682037B (zh) * | 2018-04-27 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 相机姿态追踪过程的重定位方法、装置、设备及存储介质 |
CN108876854B (zh) * | 2018-04-27 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 相机姿态追踪过程的重定位方法、装置、设备及存储介质 |
CN108734744B (zh) * | 2018-04-28 | 2022-02-18 | 国网山西省电力公司电力科学研究院 | 一种基于全站仪的远距离大视场双目标定方法 |
CN110728714B (zh) * | 2018-07-16 | 2023-06-20 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN109146932B (zh) * | 2018-07-17 | 2021-08-24 | 北京旷视科技有限公司 | 确定图像中目标点的世界坐标的方法、装置和*** |
CN109242910B (zh) * | 2018-08-21 | 2021-10-08 | 电子科技大学 | 一种基于任意已知平面形状的单目相机自标定方法 |
CN109003312B (zh) * | 2018-08-24 | 2022-01-28 | 重庆邮电大学 | 一种基于非线性优化的相机标定方法 |
CN109521781A (zh) * | 2018-10-30 | 2019-03-26 | 普宙飞行器科技(深圳)有限公司 | 无人机定位***、无人机以及无人机定位方法 |
CN109658465B (zh) * | 2018-12-07 | 2023-07-04 | 广州华端科技有限公司 | 图像重建过程中的数据处理、图像重建方法和装置 |
CN109753930B (zh) * | 2019-01-03 | 2021-12-24 | 京东方科技集团股份有限公司 | 人脸检测方法及人脸检测*** |
CN111652937B (zh) * | 2019-03-04 | 2023-11-03 | 广州汽车集团股份有限公司 | 车载相机标定方法和装置 |
CN111833404B (zh) * | 2019-04-23 | 2023-10-31 | 富联精密电子(天津)有限公司 | 摄像机校正***及摄像机校正方法 |
CN110298892B (zh) * | 2019-07-05 | 2022-10-11 | 河南科技大学 | 一种单线阵相机内外参数标定方法 |
CN111047614B (zh) * | 2019-10-10 | 2023-09-29 | 南昌市微轲联信息技术有限公司 | 一种基于特征提取的复杂场景图像的目标角点提取方法 |
CN110866956A (zh) * | 2019-10-28 | 2020-03-06 | 中国科学院深圳先进技术研究院 | 一种机器人标定方法及终端 |
CN112907674B (zh) * | 2019-11-19 | 2022-06-07 | 魔门塔(苏州)科技有限公司 | 一种用于无人驾驶车辆的相机标定方法及装置 |
CN112907677B (zh) * | 2019-12-04 | 2023-07-25 | 杭州海康威视数字技术股份有限公司 | 一种单帧图像的相机标定方法、装置及存储介质 |
CN111311491B (zh) * | 2020-01-20 | 2020-12-04 | 当家移动绿色互联网技术集团有限公司 | 图像的处理方法、装置、存储介质和电子设备 |
CN113256725B (zh) * | 2020-02-10 | 2023-06-20 | 武汉Tcl集团工业研究院有限公司 | 一种摄像头的标定方法、装置及存储介质 |
WO2021196108A1 (zh) * | 2020-04-02 | 2021-10-07 | 深圳市瑞立视多媒体科技有限公司 | 大空间环境下边扫场边标定方法、装置、设备及存储介质 |
CN111429532B (zh) * | 2020-04-30 | 2023-03-31 | 南京大学 | 一种利用多平面标定板提高相机标定精确度的方法 |
CN111951335A (zh) * | 2020-08-13 | 2020-11-17 | 珠海格力电器股份有限公司 | 确定相机标定参数的方法、装置、处理器和图像采集*** |
CN114511640A (zh) * | 2020-11-17 | 2022-05-17 | 北京四维图新科技股份有限公司 | 一种利用地图进行相机标定的方法、装置及存储介质 |
CN112634375B (zh) * | 2020-12-21 | 2022-08-05 | 杭州东信北邮信息技术有限公司 | 一种ai智能检测中的平面标定和三维重建方法 |
CN113516719B (zh) * | 2021-04-21 | 2023-08-15 | 深圳臻像科技有限公司 | 一种基于多单应性矩阵的相机标定方法、***及存储介质 |
CN113192145B (zh) * | 2021-05-08 | 2023-02-28 | 深圳市商汤科技有限公司 | 设备标定方法及装置、电子设备和存储介质 |
CN113284190B (zh) * | 2021-06-09 | 2023-04-25 | 上海临港绝影智能科技有限公司 | 标定方法、装置、设备、存储介质及产品 |
CN113706632B (zh) * | 2021-08-31 | 2024-01-16 | 上海景吾智能科技有限公司 | 基于三维视觉标定板的标定方法和*** |
CN115147499A (zh) * | 2022-07-11 | 2022-10-04 | 深圳思谋信息科技有限公司 | 标定参数确定方法、混合标定板、装置、设备和介质 |
CN117226853B (zh) * | 2023-11-13 | 2024-02-06 | 之江实验室 | 一种机器人运动学标定的方法、装置、存储介质、设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8009930B2 (en) * | 2008-03-26 | 2011-08-30 | City University Of Hong Kong | Auto-calibration method for a projector-camera system |
CN101673397B (zh) * | 2009-09-30 | 2012-04-25 | 青岛大学 | 一种基于lcd的数码相机非线性标定方法 |
CN105100640B (zh) * | 2015-01-23 | 2018-12-18 | 武汉智源泉信息科技有限公司 | 一种局部配准并行视频拼接方法及*** |
CN104851104B (zh) * | 2015-05-29 | 2017-12-26 | 大连理工大学 | 采用柔性靶标高速摄相机近景大视场标定方法 |
CN105488810B (zh) * | 2016-01-20 | 2018-06-29 | 东南大学 | 一种聚焦光场相机内外参数标定方法 |
-
2017
- 2017-08-09 CN CN201710674279.5A patent/CN107633536B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107633536A (zh) | 2018-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633536B (zh) | 一种基于二维平面模板的相机标定方法及*** | |
CN109035320B (zh) | 基于单目视觉的深度提取方法 | |
CN114399554B (zh) | 一种多相机***的标定方法及*** | |
JP2020523703A5 (zh) | ||
CN107633533B (zh) | 大畸变镜头下的高精度圆形标志点中心定位方法及装置 | |
CN106570907B (zh) | 一种相机标定方法及装置 | |
CN111383264B (zh) | 一种定位方法、装置、终端及计算机存储介质 | |
CN110345875B (zh) | 标定及测距方法、装置、电子设备及计算机可读存储介质 | |
EP3189658A1 (en) | Camera calibration | |
CN113096192B (zh) | 图像传感器内参标定方法、装置、设备及存储介质 | |
CN111524194A (zh) | 一种激光雷达和双目视觉相互融合的定位方法及终端 | |
CN112470192A (zh) | 双摄像头标定方法、电子设备、计算机可读存储介质 | |
CN116433737A (zh) | 一种激光雷达点云与图像配准的方法、装置及智能终端 | |
CN110599586A (zh) | 一种半稠密场景重建方法、装置、电子设备及存储介质 | |
CN114332191A (zh) | 三维点云误差补偿方法及装置 | |
JP2016218815A (ja) | ラインセンサカメラのキャリブレーション装置及び方法 | |
CN116188591A (zh) | 多相机全局标定方法及装置、电子设备 | |
CN111915681B (zh) | 多组3d相机群的外参标定方法、装置、存储介质及设备 | |
CN114463437A (zh) | 一种摄像机标定方法、装置、设备及计算机可读介质 | |
CN112002016B (zh) | 基于双目视觉的连续曲面重建方法、***和装置 | |
CN113379845A (zh) | 一种相机标定方法及装置、电子设备及存储介质 | |
CN116012242A (zh) | 一种相机畸变矫正效果评价方法、装置、介质及设备 | |
CN109389645B (zh) | 相机自校准方法、***、相机、机器人及云端服务器 | |
CN115661258A (zh) | 标定方法及装置、畸变校正方法及装置、存储介质、终端 | |
CN114820810A (zh) | 一种基于Tsai氏相机平面标定算法的解析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200417 Termination date: 20200809 |
|
CF01 | Termination of patent right due to non-payment of annual fee |