CN117291989A - 一种相机模型自标定方法、装置、介质和电子设备 - Google Patents
一种相机模型自标定方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN117291989A CN117291989A CN202311175106.0A CN202311175106A CN117291989A CN 117291989 A CN117291989 A CN 117291989A CN 202311175106 A CN202311175106 A CN 202311175106A CN 117291989 A CN117291989 A CN 117291989A
- Authority
- CN
- China
- Prior art keywords
- camera
- regularization term
- image
- distortion
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000013519 translation Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 25
- 238000003384 imaging method Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000593 degrading effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种相机模型自标定方法、装置、介质和电子设备，涉及相机标定技术领域。其中的方法，基于获取的图像，得到立体像对和对应的特征点匹配对；根据立体像对、特征点匹配对、立体像对对应的旋转矩阵和平移向量，得到三维点集合；基于三维点、相机内参、预设的混合畸变参数，估计虚拟特征点坐标；根据虚拟特征点坐标和真实特征点坐标，得到重投影误差值；根据图像对应的重投影误差值，计算重投影总误差值；基于混合畸变参数，计算对应的正则化项误差值；基于重投影总误差值和正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新相机内参和混合畸变参数，直至像点损失函数收敛为止。该方法，可以有效提升相机标定过程的效率。
Description
技术领域
本申请实施例涉及相机标定技术领域，尤其涉及一种相机模型自标定方法、装置、介质和电子设备。
背景技术
相机模型描述了现实世界中三维点到图像上二维点的成像过程，广义上的相机标定包括相机模型的确定和相机参数的确定两个部分，其中相机参数包括相机内参和畸变参数；狭义上的相机标定是在相机模型已知的情况下确定相机参数。相机标定是基于视觉的三维重建技术的基础。使用误差较大的相机参数进行三维重建，会严重影响所生成三维模型的精度；而使用了与图像不匹配的相机模型，很可能直接导致重建过程失败。
目前已有的三维重建相机标定方法主要有两类：一类是离线标定，在三维重建开始之前，使用传统的标定方法，利用特定的几何信息(如黑白棋盘格)来标定相机的参数；另一类是在线标定，是指在三维建模的过程中，把相机参数也作为未知量，加入到光束平差法BA求解的过程中，现有的三维建模技术路线一般都包含这类在线标定功能。
如今手机、数码相机、民用无人机等成像设备越来越普及，包括可以从互联网获取大量图像资源，这都使得人工确定相机模型变得更加困难。
现有的相机模型自标定方法，不能确定相机模型本身所具有的形式，需要人工指定相机模型，然而很多情景下确定相机模型较为困难，或相机模型指定错误，导致相机标定过程的效率较低。因此，如何提供一种相机模型自标定方法，解决相机标定过程的效率低下的问题，具有重要的现实意义。
发明内容
本申请实施例提供了一种相机模型自标定方法、装置、介质和电子设备，可以提升相机标定过程的效率。
为达到上述目的，本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供一种相机模型自标定方法，包括：
基于获取的相机多次对目标对象拍摄的图像，得到所述目标对象的立体像对和对应的特征点匹配对；
根据所述立体像对、所述特征点匹配对、所述立体像对对应的旋转矩阵和平移向量，得到所述目标对象的三维点集合；
基于所述目标对象的三维点、相机内参、预设的混合畸变参数，估计三维点投影到图像上的虚拟特征点坐标；所述混合畸变参数表征在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订；
根据所述虚拟特征点坐标和真实特征点坐标，得到重投影误差值；
根据所述图像对应的所述重投影误差值，计算三维点针对所述图像的重投影总误差值；
基于所述混合畸变参数，计算对应的正则化项误差值；
基于所述重投影总误差值和所述正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新所述相机的所述相机内参和所述混合畸变参数，以对所述相机内参和所述混合畸变参数进行非线性优化处理，直至所述相机的像点损失函数收敛为止，完成相机的自标定；正则化项误差为所述混合畸变参数的正则化项。
本申请实施例提供的相机模型自标定方法，基于获取的相机多次对目标对象拍摄的图像，得到所述目标对象的立体像对和对应的特征点匹配对；根据所述立体像对、所述特征点匹配对、所述立体像对对应的旋转矩阵和平移向量，得到所述目标对象的三维点集合；基于所述目标对象的三维点、相机内参、预设的混合畸变参数，估计三维点投影到图像上的虚拟特征点坐标；所述混合畸变参数表征在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订；根据所述虚拟特征点坐标和真实特征点坐标，得到重投影误差值；根据所述图像对应的所述重投影误差值，计算三维点针对所述图像的重投影总误差值；基于所述混合畸变参数，计算对应的正则化项误差值；基于所述重投影总误差值和所述正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新所述相机的所述相机内参和所述混合畸变参数，以对所述相机内参和所述混合畸变参数进行非线性优化处理，直至所述相机的像点损失函数收敛为止，完成相机的自标定；正则化项误差为所述混合畸变参数的正则化项。该方法通过将相机的相机内参和畸变参数都纳入到优化过程中，针对不同相机产生的图像可以自动标定相机参数，能够自动标定相机模型，有效提升相机标定过程的效率。
在一种可选的实施例中，所述基于获取的相机多次对目标对象拍摄的图像，得到所述目标对象的立体像对和对应的特征点匹配对，包括：
获取相机多次对目标对象拍摄的图像；
对所述图像进行仿射匹配点对提取与匹配，得到所述目标对象的立体像对和对应的特征点匹配对。
该实施例的方法，通过获取相机多次对目标对象拍摄的图像；对所述图像进行仿射匹配点对提取与匹配，得到所述目标对象的立体像对和对应的特征点匹配对，可以在相机模型自标定时进行仿射匹配点对提取与匹配，实现精准高效地得到所述目标对象的立体像对和对应的特征点匹配对，能够进一步有效提升相机标定过程的效率。
在一种可选的实施例中，所述根据所述立体像对、所述特征点匹配对、所述立体像对对应的旋转矩阵和平移向量，得到所述目标对象的三维点集合，包括：
基于所述特征点匹配对，得到所述目标对象的立体像对之间的所述旋转矩阵和所述平移向量；
根据所述立体像对、所述特征点匹配对、所述旋转矩阵和所述平移向量，得到所述目标对象的三维点集合。
该实施例的方法中，基于所述特征点匹配对，得到所述目标对象的立体像对之间的所述旋转矩阵和所述平移向量；根据所述立体像对、所述特征点匹配对、所述旋转矩阵和所述平移向量，得到所述目标对象的三维点集合，通过先确定旋转矩阵和平移向量，从而可以得到更精准地确定目标对象的三维点集合，提升相机标定过程的效率。
在一种可选的实施例中，所述混合畸变参数包括径向畸变参数、切向畸变参数和薄透镜畸变参数。
该实施例的方法，所述混合畸变参数包括径向畸变参数、切向畸变参数和薄透镜畸变参数，可以使相机模型融合了多种形式，其适用性更加广泛，针对不同相机产生的图像可以自动标定这些相机参数，不需要维护一个庞大的数据库，也不需要用户指定相机模型，从而更有效地提升相机标定过程的效率。
在一种可选的实施例中，所述正则化项为L1正则化项或L2正则化项。
该实施例的方法，所述正则化项为L1正则化项或L2正则化项，通过引入畸变参数的L1正则化项或L2正则化项，可以实现随着BA非线性优化的进行，混合畸变参数中冗余的参数逐渐趋向于0，从而完成对混合畸变参数中与相机相匹配的参数的更新，提升相机标定过程的效率。
在一种可选的实施例中，所述像点损失函数为通过将重投影误差，与所述正则化项误差进行求和而得到的。
该实施例的方法，所述像点损失函数为通过将重投影误差，与所述正则化项误差进行求和而得到的，通过在重投影误差的基础上额外增加畸变参数的正则化项作为损失函数，高效地对相机内参和混合畸变参数进行协调优化，显著提升相机标定过程的效率。
在一种可选的实施例中，所述基于所述混合畸变参数，计算对应的正则化项误差值，包括：
逐一选取所述混合畸变参数，每选取一个混合畸变参数，计算与选取的混合畸变参数对应的参数正则化项值；
逐一选取所述参数正则化项值，每选取一个参数正则化项值，则将当前选取的参数正则化项值，和预设的正则化项权重系数求乘积，得到参数正则化项因子；所述正则化项权重系数与所述混合畸变参数是一一对应的；
将所述参数正则化项因子求和，得到与所述混合畸变参数对应的正则化项误差值。
该实施例的方法，逐一选取所述混合畸变参数，每选取一个混合畸变参数，计算与选取的混合畸变参数对应的参数正则化项值；逐一选取所述参数正则化项值，每选取一个参数正则化项值，则将当前选取的参数正则化项值，和预设的正则化项权重系数求乘积，得到参数正则化项因子；所述正则化项权重系数与所述混合畸变参数是一一对应的；将所述参数正则化项因子求和，得到与所述混合畸变参数对应的正则化项误差值。该方法可以实现精准地基于混合畸变参数确定对应的正则化项误差值，进一步提升相机标定过程的效率。
第二方面，本申请实施例还提供了一种相机模型自标定装置，包括：
对象信息提取模块，用于基于获取的相机多次对目标对象拍摄的图像，得到所述目标对象的立体像对和对应的特征点匹配对；
三维点集计算模块，用于根据所述立体像对、所述特征点匹配对、所述立体像对对应的旋转矩阵和平移向量，得到所述目标对象的三维点集合；
虚拟坐标确定模块，用于基于所述目标对象的三维点、相机内参、预设的混合畸变参数，估计三维点投影到图像上的虚拟特征点坐标；所述混合畸变参数表征在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订；
投影误差计算模块，用于根据所述虚拟特征点坐标和真实特征点坐标，得到重投影误差值；
投影误差统合模块，用于根据所述图像对应的所述重投影误差值，计算三维点针对所述图像的重投影总误差值；
正则误差计算模块，用于基于所述混合畸变参数，计算对应的正则化项误差值；
畸变参数协调模块，用于基于所述重投影总误差值和所述正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新所述相机的所述相机内参和所述混合畸变参数，以对所述相机内参和所述混合畸变参数进行非线性优化处理，直至所述相机的像点损失函数收敛为止，完成相机的自标定；正则化项误差为所述混合畸变参数的正则化项。
在一种可选的实施例中，所述对象信息提取模块，具体用于：
获取相机多次对目标对象拍摄的图像；
对所述图像进行仿射匹配点对提取与匹配，得到所述目标对象的立体像对和对应的特征点匹配对。
在一种可选的实施例中，所述三维点集计算模块，具体用于：
基于所述特征点匹配对，得到所述目标对象的立体像对之间的所述旋转矩阵和所述平移向量；
根据所述立体像对、所述特征点匹配对、所述旋转矩阵和所述平移向量，得到所述目标对象的三维点集合。
在一种可选的实施例中，所述混合畸变参数包括径向畸变参数、切向畸变参数和薄透镜畸变参数。
在一种可选的实施例中，所述正则化项为L1正则化项或L2正则化项。
在一种可选的实施例中，所述像点损失函数为通过将重投影误差，与所述正则化项误差进行求和而得到的。
在一种可选的实施例中，所述正则误差计算模块，具体用于：
逐一选取所述混合畸变参数，每选取一个混合畸变参数，计算与选取的混合畸变参数对应的参数正则化项值；
逐一选取所述参数正则化项值，每选取一个参数正则化项值，则将当前选取的参数正则化项值，和预设的正则化项权重系数求乘积，得到参数正则化项因子；所述正则化项权重系数与所述混合畸变参数是一一对应的；
将所述参数正则化项因子求和，得到与所述混合畸变参数对应的正则化项误差值。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面的相机模型自标定方法。
第四方面，本申请实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现第一方面的相机模型自标定方法。
第二方面至第四方面中任意一种实现方式所带来的技术效果可参见第一方面中对应的实现方式所带来的技术效果，此处不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种相机模型自标定方法的流程示意图；
图2为本申请实施例提供的一种相机模型自标定方法的根据统计数据得到立体像对和对应的特征点匹配对的流程示意图；
图3为本申请实施例提供的一种相机模型自标定方法的得到三维点集合的流程示意图；
图4为本申请实施例提供的一种相机模型自标定方法的基于混合畸变参数计算正则化项误差值的流程示意图；
图5为本申请实施例提供的一种相机模型自标定装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
需要说明的是，本申请的文件中涉及的术语“包括”和“具有”以及它们的变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面对文中出现的一些词语进行解释：
(1)、BA(Bundle Adjustment，光束平差法)：BA又译作捆集调整，是指从视觉重建中提炼出最优的3D模型和相机参数(内参和外参)。从每个特征点反射出来的几束光线(bundles of light rays)，在我们把相机姿态和特征点的位置做出最优的调整(adjustment)之后，最后收束到光心的这个过程。
(2)、重投影误差：重投影误差是在校准图像中检测到的图像关键点与投影到同一图像中的相应世界点之间的距离。
(3)、立体像对：立体像对简称像对，是指从两个不同位置对同一对象或场景所摄取的一对像片。
相机模型描述了现实世界中三维点到图像上二维点的成像过程，广义上的相机标定包括相机模型的确定和相机参数的确定两个部分，其中相机参数包括相机内参和畸变参数；狭义上的相机标定是在相机模型已知的情况下确定相机参数。相机标定是基于视觉的三维重建技术的基础。使用误差较大的相机参数进行三维重建，会严重影响所生成三维模型的精度；而使用了与图像不匹配的相机模型，很可能直接导致重建过程失败。
目前已有的三维重建相机标定方法主要有两类：一类是离线标定，在三维重建开始之前，使用传统的标定方法，利用特定的几何信息(如黑白棋盘格)来标定相机的参数；另一类是在线标定，是指在三维建模的过程中，把相机参数也作为未知量，加入到光束平差法BA求解的过程中，现有的三维建模技术路线一般都包含这类在线标定功能。
如今手机、数码相机、民用无人机等成像设备越来越普及，包括可以从互联网获取大量图像资源，这都使得人工确定相机模型变得更加困难。
现有的相机模型自标定方法，不能确定相机模型本身所具有的形式，需要人工指定相机模型，然而很多情景下确定相机模型较为困难，或相机模型指定错误，导致相机标定过程的效率较低。因此，如何提供一种相机模型自标定方法，解决相机标定过程的效率低下的问题，具有重要的现实意义。
为解决现有存在的技术问题，本申请实施例提供了一种相机模型自标定方法、装置、介质和电子设备，通过基于获取的相机多次对目标对象拍摄的图像，得到目标对象的立体像对和对应的特征点匹配对；根据立体像对、特征点匹配对、立体像对对应的旋转矩阵和平移向量，得到目标对象的三维点集合；基于目标对象的三维点、相机内参、预设的混合畸变参数，估计三维点投影到图像上的虚拟特征点坐标；混合畸变参数表征在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订；根据虚拟特征点坐标和真实特征点坐标，得到重投影误差值；根据图像对应的重投影误差值，计算三维点针对图像的重投影总误差值；基于混合畸变参数，计算对应的正则化项误差值；基于重投影总误差值和正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新相机的相机内参和混合畸变参数，以对相机内参和混合畸变参数进行非线性优化处理，直至相机的像点损失函数收敛为止，完成相机的自标定；正则化项误差为混合畸变参数的正则化项。该方法通过将相机的相机内参和畸变参数都纳入到优化过程中，针对不同相机产生的图像可以自动标定相机参数，能够自动标定相机模型，有效提升相机标定过程的效率。
为了使本申请实施例的发明目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部份实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
下面将结合附图，对本申请实施例提供的技术方案进行详细说明。
本申请实施例提供的相机模型自标定方法，可以是应用于终端设备中。本申请的实施例中，终端设备可以是相机等成像设备。本申请的以下实施例，以相机模型自标定方法应用于相机为例进行说明。
本申请实施例提供了一种相机模型自标定方法，如图1所示，包括如下步骤：
步骤S101，基于获取的相机多次对目标对象拍摄的图像，得到目标对象的立体像对和对应的特征点匹配对。
具体实施时，基于获取的相机多次对目标对象拍摄的图像，得到目标对象的立体像对和对应的特征点匹配对。
在一些可选的实施例中，上述步骤S101中的，基于获取的相机多次对目标对象拍摄的图像，得到目标对象的立体像对和对应的特征点匹配对的过程，如图2所示，可以通过以下步骤实现：
步骤S201，获取相机多次对目标对象拍摄的图像。
可以理解地，相机可以是本领域中图像测量、计算机视觉应用和其他涉及摄像机应用的场景中所使用的各类摄像机(摄影机)。图像可以由相机对当前对象或拟应用的场景进行实时拍摄或预先拍摄而获得。相机可在不同位置以不同姿态对目标对象拍摄图像。
步骤S202，对图像进行仿射匹配点对提取与匹配，得到目标对象的立体像对和对应的特征点匹配对。
基于相机多次对目标对象拍摄的图像进行仿射匹配点对提取与匹配的处理过程，可以参照本领域基于仿射匹配点对的相机标定方法中采用的仿射匹配点对的提取与匹配的处理方式，例如采用本领域已有的ASIFT算法提取仿射匹配点对，本申请不再展开赘述。提取与匹配操作找到的所有仿射匹配点对组成的集合，可以构成目标对象对应的仿射匹配点对集。立体像对指两张图像组成的图像对，而仿射匹配点对则是立体像对的两张图片之间的仿射匹配点对。
步骤S102，根据立体像对、特征点匹配对、立体像对对应的旋转矩阵和平移向量，得到目标对象的三维点集合。
具体实施时，根据立体像对、特征点匹配对、立体像对对应的旋转矩阵和平移向量，得到目标对象的三维点集合，可以是根据立体像对和特征点匹配对确定立体像对对应的旋转矩阵和平移向量；再根据立体像对、特征点匹配对、立体像对对应的旋转矩阵和平移向量，得到目标对象的三维点集合。
在一些可选的实施例中，上述步骤S102中的，根据立体像对、特征点匹配对、立体像对对应的旋转矩阵和平移向量，得到目标对象的三维点集合的过程，如图3所示，可以通过以下步骤实现：
步骤S301，基于特征点匹配对，得到目标对象的立体像对之间的旋转矩阵和平移向量。
本申请实施例中，相机的相机参数包括相机内参、相机外参和畸变参数。相机内参是与相机自身特性相关的参数，包括但不限于相机的焦距、光轴偏移量等；其中，光轴偏移量表征相机光轴在图像坐标系中的偏移量。光轴偏移量通常以像素为单位。相机外参是指相机在世界坐标系中的参数，包括但不限于旋转矩阵和平移向量。畸变参数是相机由于制造精度以及组装工艺的偏差而引入的畸变，导致原始图像的失真。在相机自标定过程中，根据特征点匹配对，可以得到目标对象的立体像对之间的旋转矩阵和平移向量；其中的旋转矩阵和平移向量可以用于确定相机位置和相机旋转方向。
步骤S302，根据立体像对、特征点匹配对、旋转矩阵和平移向量，得到目标对象的三维点集合。
示例性地，以三维重建中使用的相机模型为针孔相机模型为例进行说明，该针孔相机模型具有如下形式的模型方程：
其中，
Xc,Yc,Zc是现实中三维点在相机坐标系下的坐标；
u和v是现实中三维点在图像上成像的像素坐标；
s是从三维到二维投影过程中丢失的深度信息；
fx是相机在x方向的焦距；
fy是相机在y方向的焦距；
cx是相机光轴在x方向上的偏移量；
cy是相机光轴在x方向上的偏移量。
模型方程中包含的fx,fy,cx,cy四个参数，可以称为相机内参。相机坐标系与世界坐标系之间的关系可以用一个旋转矩阵R和一个平移向量t来描述，旋转矩阵R和平移向量t称为相机外参。
根据相机外参可以使用如下公式可以计算世界坐标系下的三维点(Xw,Yw,Zw)在相机坐标系下的坐标(Xc,Yc,Zc):
三维重建就是利用同一场景下的一组图像，通过估计与其中的图像对应的相机内参和相机外参，最终计算出场景中各个关键点的三维坐标的过程。
步骤S103，基于目标对象的三维点、相机内参、预设的混合畸变参数，估计三维点投影到图像上的虚拟特征点坐标。
其中，混合畸变参数表征在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订。
在一些可选的实施例中，混合畸变参数是预设的混合畸变方程包含的畸变参数；混合畸变方程是根据预设的多种类型的畸变参数构建的畸变方程。
上述实施例中，混合畸变参数是预设的混合畸变方程包含的畸变参数，且将混合畸变方程设置为根据预设的多种类型的畸变参数构建的畸变方程，实现在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订，提供一种在无须明确指定一种畸变方程的条件下进行三维重建的BA优化过程的机制。
在一些可选的实施例中，混合畸变参数包括径向畸变参数、切向畸变参数和薄透镜畸变参数。
现有的技术方案中，需明确指定一种畸变方程再进行三维重建的BA优化过程。为了避免提前指定畸变方程的形式，本申请的一种可选的实施例中，提出用一个包含一定量冗余参数的方程，也即混合畸变方程，来描述相机畸变。混合畸变方程是根据预设的多种类型的畸变参数构建的畸变方程。在三维重建的BA优化过程中约束冗余参数迭代趋向于0，从而使畸变方程退化为与原始图像数据相匹配的简单形式。
本申请的一种可选的实施例中，提出的预设的混合畸变方程具有如下式所示的形式，该混合畸变方程考虑了径向畸变、切向畸变和薄透镜畸变，混合畸变方程中总共包含k1,k2,p1,p2,k3,k4,k5,k6,k7,k8,sx1,sy1在内的总计12个参数：
其中，u和v是x方向和y方向的像素坐标；
r是像素到图像中心距离；
k1、k2、k3、k4、k5、k6、k7、k8是径向畸变参数；
p1、p2是切向畸变参数；
sx1、sy1是薄透镜畸变参数。
薄透镜畸变参数是用于平衡装配过程中镜片与成像元件不平行造成的成像影响。
在本申请的一些实施例中，重投影误差采用如下过程进行计算。
图像上的关键点(u0,v0)是由世界坐标系下的一个三维点(Xw,Yw,Zw)成像的。在一种可选的实施例中，根据当前对相机内参、外参的估计值，可以将三维点重新投影到图像上，投影过程如下式所示；
其中，(u,v)是图像上的投影点的坐标。
根据畸变模型对投影点进行畸变矫正，可以得到三维点投影到图像上的虚拟特征点坐标，具体如下式所示：
步骤S104，根据虚拟特征点坐标和真实特征点坐标，得到重投影误差值。
具体地，重投影误差是在相机校准过程中，在图像中检测到的图像关键点与投影到同一图像中的相应世界点之间的距离。本申请一些实施例中，图像关键点可以是真实特征点坐标，而图像关键点投影到同一图像中的相应世界点可以是虚拟特征点坐标，因而，根据虚拟特征点坐标和真实特征点坐标，可以得到重投影误差值。
在本申请的一种可选的实施例中，这个关键点的重投影误差可以表示为如下所示的形式：
其中，(u0,v0)为真实特征点坐标，表征图像上的关键点的位置；
(u′,v′)为虚拟特征点坐标，表征三维点投影到图像上的虚拟特征点的位置。
步骤S105，根据图像对应的重投影误差值，计算三维点针对图像的重投影总误差值。
在一些可选的实施例中，根据图像对应的重投影误差值，计算三维点针对图像的重投影总误差值的过程，可以是逐一选取图像，每选取一个图像，将各个三维点在当前选取的图像对应的重投影误差值求和，得到三维点针对当前选取的图像的重投影总误差值。
步骤S106，基于混合畸变参数，计算对应的正则化项误差值。
在一些可选的实施例中，正则化项为L1正则化项或L2正则化项。
本申请的一种可选的实施例中，将畸变方程中的12个参数加入到BA非线性优化中，BA优化的损失函数是通过在特征点的重投影误差的基础上，额外增加了畸变参数的正则化项作为损失函数而构造的。其中的正则化项可以是L1正则化或L2正则化。
在一些可选的实施例中，上述步骤S106中的，基于混合畸变参数，计算对应的正则化项误差值的过程，如图4所示，可以通过以下步骤实现：
步骤S401，逐一选取混合畸变参数，每选取一个混合畸变参数，计算与选取的混合畸变参数对应的参数正则化项值。
示例性地，以正则化项是L1正则化为例进行说明。逐一选取混合畸变参数ki，每选取一个混合畸变参数ki，计算与选取的混合畸变参数ki对应的参数正则化项值|ki|。
步骤S402，逐一选取参数正则化项值，每选取一个参数正则化项值，则将当前选取的参数正则化项值，和预设的正则化项权重系数求乘积，得到参数正则化项因子；正则化项权重系数与混合畸变参数是一一对应的。
示例性地，逐一选取参数正则化项值|ki|，每选取一个参数正则化项值|ki|，则将当前选取的参数正则化项值|ki|，和预设的正则化项权重系数λi求乘积，得到参数正则化项因子λi|ki|；正则化项权重系数λi与混合畸变参数ki是一一对应的。
步骤S403，将参数正则化项因子求和，得到与混合畸变参数对应的正则化项误差值。
示例性地，将参数正则化项因子λi|ki|求和，得到与混合畸变参数ki对应的正则化项误差值。该过程得到的正则化项误差值，可以如下式所示：
lossL1＝∑λi|ki|。
可以理解地，与上述过程类似地，当正则化项是L2正则化时，得到的正则化项误差值，可以如下式所示：
步骤S107，基于重投影总误差值和正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新相机的相机内参和混合畸变参数，以对相机内参和混合畸变参数进行非线性优化处理，直至相机的像点损失函数收敛为止，完成相机的自标定；正则化项误差为混合畸变参数的正则化项。
具体实施时，像点损失函数中包括正则化项误差。
本申请的一些可选的实施例中，像点损失函数是基于重投影误差和正则化项误差构建的。
在一些可选的实施例中，像点损失函数为通过将重投影误差，与正则化项误差进行求和而得到的。使用的损失函数结合了重投影误差和正则化项误差，场景内所有关键点总的损失函数如下式所示：
loss＝∑(lossp+lossL)，
其中，lossp为重投影误差；
lossL为正则化项误差。
在正则化项误差的作用下，随着BA非线性优化的进行，畸变方程中冗余的混合畸变参数会逐渐趋向于0，从而使畸变方程退化为更为简单的且与实际相机相匹配的形式。
在一些实施例中，当参数k4,k5,k6,k8趋向于0，预设的混合畸变方程退化为下式所示的方程的形式：
h2＝k1*r2+k2*r4+k3*r6+k4*r8；
上式具有较高的径向畸变的阶数，可以描述高度非线性的径向畸变，且增加了薄透镜畸变。
当参数k7,k8,sx1,sy1趋向于0，预设的混合畸变方程退化为下式所示的方程的形式：
上式具有较高的径向畸变的阶数，可以描述高度非线性的径向畸变。
类似的，在一种情况下，预设的混合畸变方程可以退化为下式所示的方程的形式：
上式对径向畸变和切向畸变进行平衡。
在另一种情况下，预设的混合畸变方程可以退化为下式所示的方程的形式：
上式通过两个径向畸变参数对径向畸变进行平衡。
在再一种情况下，预设的混合畸变方程可以退化为下式所示的方程的形式：
上式对低阶的径向畸变进行平衡。
上述的预设的混合畸变方程的退化结果，使得涵盖常用三维重建成像设备的相机模型。
可以理解地，基于预设的混合畸变方程不同，在本申请的其它一些实施例中，预设的混合畸变方程还可以退化为上述情况之外的其他形式，本申请对混合畸变方程的形式不作具体限定。
本申请实施例提供的相机模型自标定方法，基于获取的相机多次对目标对象拍摄的图像，得到目标对象的立体像对和对应的特征点匹配对；根据立体像对、特征点匹配对、立体像对对应的旋转矩阵和平移向量，得到目标对象的三维点集合；基于目标对象的三维点、相机内参、预设的混合畸变参数，估计三维点投影到图像上的虚拟特征点坐标；混合畸变参数表征在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订；根据虚拟特征点坐标和真实特征点坐标，得到重投影误差值；根据图像对应的重投影误差值，计算三维点针对图像的重投影总误差值；基于混合畸变参数，计算对应的正则化项误差值；基于重投影总误差值和正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新相机的相机内参和混合畸变参数，以对相机内参和混合畸变参数进行非线性优化处理，直至相机的像点损失函数收敛为止，完成相机的自标定；正则化项误差为混合畸变参数的正则化项。该方法通过将相机的相机内参和畸变参数都纳入到优化过程中，针对不同相机产生的图像可以自动标定相机参数，能够自动标定相机模型，有效提升相机标定过程的效率。
基于同一发明构思，本申请实施例中还提供了一种相机模型自标定装置。由于该装置是本申请实施例提供的相机模型自标定方法对应的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见上述方法的实施，重复之处不再赘述。
图5示出了本申请实施例提供的一种相机模型自标定装置的结构示意图，如图5所示，该相机模型自标定装置包括对象信息提取模块501、三维点集计算模块502、虚拟坐标确定模块503、投影误差计算模块504、投影误差统合模块505、正则误差计算模块506和畸变参数协调模块507。
其中，对象信息提取模块501，用于基于获取的相机多次对目标对象拍摄的图像，得到目标对象的立体像对和对应的特征点匹配对；
三维点集计算模块502，用于根据立体像对、特征点匹配对、立体像对对应的旋转矩阵和平移向量，得到目标对象的三维点集合；
虚拟坐标确定模块503，用于基于目标对象的三维点、相机内参、预设的混合畸变参数，估计三维点投影到图像上的虚拟特征点坐标；混合畸变参数表征在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订；
投影误差计算模块504，用于根据虚拟特征点坐标和真实特征点坐标，得到重投影误差值；
投影误差统合模块505，用于根据图像对应的重投影误差值，计算三维点针对图像的重投影总误差值；
正则误差计算模块506，用于基于混合畸变参数，计算对应的正则化项误差值；
畸变参数协调模块507，用于基于重投影总误差值和正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新相机的相机内参和混合畸变参数，以对相机内参和混合畸变参数进行非线性优化处理，直至相机的像点损失函数收敛为止，完成相机的自标定；正则化项误差为混合畸变参数的正则化项。
在一些可选的实施例中，混合畸变参数是预设的混合畸变方程包含的畸变参数；混合畸变方程是根据预设的多种类型的畸变参数构建的畸变方程。
在一种可选的实施例中，对象信息提取模块501，具体用于：
获取相机多次对目标对象拍摄的图像；
对所述图像进行仿射匹配点对提取与匹配，得到所述目标对象的立体像对和对应的特征点匹配对。
在一种可选的实施例中，所述三维点集计算模块502，具体用于：
基于所述特征点匹配对，得到所述目标对象的立体像对之间的所述旋转矩阵和所述平移向量；
根据所述立体像对、所述特征点匹配对、所述旋转矩阵和所述平移向量，得到所述目标对象的三维点集合。
在一种可选的实施例中，所述混合畸变参数包括径向畸变参数、切向畸变参数和薄透镜畸变参数。
在一种可选的实施例中，所述正则化项为L1正则化项或L2正则化项。
在一种可选的实施例中，所述像点损失函数为通过将重投影误差，与所述正则化项误差进行求和而得到的。
在一种可选的实施例中，所述正则误差计算模块506，具体用于：
逐一选取所述混合畸变参数，每选取一个混合畸变参数，计算与选取的混合畸变参数对应的参数正则化项值；
逐一选取所述参数正则化项值，每选取一个参数正则化项值，则将当前选取的参数正则化项值，和预设的正则化项权重系数求乘积，得到参数正则化项因子；所述正则化项权重系数与所述混合畸变参数是一一对应的；
将所述参数正则化项因子求和，得到与所述混合畸变参数对应的正则化项误差值。
本申请实施例提供的相机模型自标定装置，基于获取的图像，得到立体像对和对应的特征点匹配对；根据立体像对、特征点匹配对、立体像对对应的旋转矩阵和平移向量，得到三维点集合；基于三维点、相机内参、预设的混合畸变参数，估计虚拟特征点坐标；根据虚拟特征点坐标和真实特征点坐标，得到重投影误差值；根据图像对应的重投影误差值，计算重投影总误差值；基于混合畸变参数，计算对应的正则化项误差值；基于重投影总误差值和正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新相机内参和混合畸变参数，直至像点损失函数收敛为止。该装置，可以有效提升相机标定过程的效率。
与上述方法实施例基于同一发明构思，本申请实施例中还提供了一种电子设备。该电子设备可以用于相机模型自标定。本申请实施例中，该电子设备可以是服务器也可以是终端设备。在一种实施例中，该电子设备可以为终端设备。在该实施例中，电子设备的结构可以如图6所示，包括存储器601，通讯模块603以及一个或多个处理器602。
存储器601，用于存储处理器602执行的计算机程序。存储器601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***，以及运行即时通讯功能所需的程序等；存储数据区可存储各种即时通讯信息和操作指令集等。
存储器601可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器601也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器601是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器601可以是上述存储器的组合。
处理器602，可以包括一个或多个中央处理单元(central processing unit，CPU)或者为数字处理单元等等。处理器602，用于调用存储器601中存储的计算机程序时实现上述相机模型自标定方法。
通讯模块603用于与终端设备和其他服务器进行通信。
本申请实施例中不限定上述存储器601、通讯模块603和处理器602之间的具体连接介质。本申请实施例在图6中以存储器601和处理器602之间通过总线604连接，总线604在图6中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线604可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中的相机模型自标定方法。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种相机模型自标定方法，其特征在于，包括：
基于获取的相机多次对目标对象拍摄的图像，得到所述目标对象的立体像对和对应的特征点匹配对；
根据所述立体像对、所述特征点匹配对、所述立体像对对应的旋转矩阵和平移向量，得到所述目标对象的三维点集合；
基于所述目标对象的三维点、相机内参、预设的混合畸变参数，估计三维点投影到图像上的虚拟特征点坐标；所述混合畸变参数表征在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订；
根据所述虚拟特征点坐标和真实特征点坐标，得到重投影误差值；
根据所述图像对应的所述重投影误差值，计算三维点针对所述图像的重投影总误差值；
基于所述混合畸变参数，计算对应的正则化项误差值；
基于所述重投影总误差值和所述正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新所述相机的所述相机内参和所述混合畸变参数，以对所述相机内参和所述混合畸变参数进行非线性优化处理，直至所述相机的像点损失函数收敛为止，完成相机的自标定；正则化项误差为所述混合畸变参数的正则化项。
2.根据权利要求1所述的方法，其特征在于，所述基于获取的相机多次对目标对象拍摄的图像，得到所述目标对象的立体像对和对应的特征点匹配对，包括：
获取相机多次对目标对象拍摄的图像；
对所述图像进行仿射匹配点对提取与匹配，得到所述目标对象的立体像对和对应的特征点匹配对。
3.根据权利要求1所述的方法，其特征在于，所述根据所述立体像对、所述特征点匹配对、所述立体像对对应的旋转矩阵和平移向量，得到所述目标对象的三维点集合，包括：
基于所述特征点匹配对，得到所述目标对象的立体像对之间的所述旋转矩阵和所述平移向量；
根据所述立体像对、所述特征点匹配对、所述旋转矩阵和所述平移向量，得到所述目标对象的三维点集合。
4.根据权利要求1所述的方法，其特征在于，所述混合畸变参数包括径向畸变参数、切向畸变参数和薄透镜畸变参数。
5.根据权利要求1所述的方法，其特征在于，所述正则化项为L1正则化项或L2正则化项。
6.根据权利要求1所述的方法，其特征在于，所述像点损失函数为通过将重投影误差，与所述正则化项误差进行求和而得到的。
7.根据权利要求1所述的方法，其特征在于，所述基于所述混合畸变参数，计算对应的正则化项误差值，包括：
逐一选取所述混合畸变参数，每选取一个混合畸变参数，计算与选取的混合畸变参数对应的参数正则化项值；
逐一选取所述参数正则化项值，每选取一个参数正则化项值，则将当前选取的参数正则化项值，和预设的正则化项权重系数求乘积，得到参数正则化项因子；所述正则化项权重系数与所述混合畸变参数是一一对应的；
将所述参数正则化项因子求和，得到与所述混合畸变参数对应的正则化项误差值。
8.一种相机模型自标定装置，其特征在于，包括：
对象信息提取模块，用于基于获取的相机多次对目标对象拍摄的图像，得到所述目标对象的立体像对和对应的特征点匹配对；
三维点集计算模块，用于根据所述立体像对、所述特征点匹配对、所述立体像对对应的旋转矩阵和平移向量，得到所述目标对象的三维点集合；
虚拟坐标确定模块，用于基于所述目标对象的三维点、相机内参、预设的混合畸变参数，估计三维点投影到图像上的虚拟特征点坐标；所述混合畸变参数表征在标定相机的模型的过程中，基于多种类型的畸变模型对相机成像进行修订；
投影误差计算模块，用于根据所述虚拟特征点坐标和真实特征点坐标，得到重投影误差值；
投影误差统合模块，用于根据所述图像对应的所述重投影误差值，计算三维点针对所述图像的重投影总误差值；
正则误差计算模块，用于基于所述混合畸变参数，计算对应的正则化项误差值；
畸变参数协调模块，用于基于所述重投影总误差值和所述正则化项误差值确定像点损失函数值，在像点损失函数值不收敛时，更新所述相机的所述相机内参和所述混合畸变参数，以对所述相机内参和所述混合畸变参数进行非线性优化处理，直至所述相机的像点损失函数收敛为止，完成相机的自标定；正则化项误差为所述混合畸变参数的正则化项。
9.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现权利要求1～7中任一项所述的方法。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311175106.0A CN117291989A (zh) | 2023-09-12 | 2023-09-12 | 一种相机模型自标定方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311175106.0A CN117291989A (zh) | 2023-09-12 | 2023-09-12 | 一种相机模型自标定方法、装置、介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117291989A true CN117291989A (zh) | 2023-12-26 |
Family
ID=89252724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311175106.0A Pending CN117291989A (zh) | 2023-09-12 | 2023-09-12 | 一种相机模型自标定方法、装置、介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291989A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117911541A (zh) * | 2024-03-19 | 2024-04-19 | 杭州灵西机器人智能科技有限公司 | 沙姆相机标定方法、装置和*** |
-
2023
- 2023-09-12 CN CN202311175106.0A patent/CN117291989A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117911541A (zh) * | 2024-03-19 | 2024-04-19 | 杭州灵西机器人智能科技有限公司 | 沙姆相机标定方法、装置和*** |
| CN117911541B (zh) * | 2024-03-19 | 2024-07-16 | 杭州灵西机器人智能科技有限公司 | 沙姆相机标定方法、装置和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106875451B (zh) | 相机标定方法、装置及电子设备 | |
| CN108257183B (zh) | 一种相机镜头光轴校准方法和装置 | |
| CN111951201B (zh) | 一种无人机航拍图像拼接方法、装置和存储介质 | |
| Douxchamps et al. | High-accuracy and robust localization of large control markers for geometric camera calibration | |
| CN112215880B (zh) | 一种图像深度估计方法及装置、电子设备、存储介质 | |
| CN111340737B (zh) | 图像矫正方法、装置和电子*** | |
| CN117291989A (zh) | 一种相机模型自标定方法、装置、介质和电子设备 | |
| CN111882655B (zh) | 三维重建的方法、装置、***、计算机设备和存储介质 | |
| CN111383264B (zh) | 一种定位方法、装置、终端及计算机存储介质 | |
| CN113298947A (zh) | 一种基于多源数据融合的变电站三维建模方法介质及*** | |
| CN115035235A (zh) | 三维重建方法及装置 | |
| CN113920206A (zh) | 透视移轴相机的标定方法 | |
| WO2021237574A1 (zh) | 相机参数确定方法、装置和可读存储介质 | |
| Cao et al. | Stereoscopic flash and no-flash photography for shape and albedo recovery | |
| US11715218B2 (en) | Information processing apparatus and information processing method | |
| CN114758011A (zh) | 融合离线标定结果的变焦相机在线标定方法 | |
| CN114063046A (zh) | 参数标定方法、装置、计算机设备和存储介质 | |
| Brunken et al. | Deep learning self-calibration from planes | |
| CN113689332B (zh) | 高度重复特征场景下高鲁棒性的图像拼接方法 | |
| CN115661258A (zh) | 标定方法及装置、畸变校正方法及装置、存储介质、终端 | |
| CN111489439B (zh) | 一种三维线图重建方法、装置和电子设备 | |
| CN115239816A (zh) | 一种相机标定方法、***、电子设备及存储介质 | |
| CN110232715B (zh) | 一种多深度相机自校准的方法、装置及*** | |
| Mo et al. | Radiometric calibration for internet photo collections | |
| CN112767455B (zh) | 一种双目结构光的校准方法及*** |
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 |