基于归一化算法的一维标定物多相机标定 下载: 1282次
1 引言
多相机标定的目的是确定相机模型的内外参数,是视觉测量必不可少的步骤。通常,要完成相机标定需要一种几何信息已知的标定物。一维标定物是一种包含一组两点间距离已知的共线点的新型标定物,相对三维[1-2]和二维[3-4]标定物,具有结构简单、成本低和操作方便等优点。此外,一维标定物难以出现自遮挡,比三维、二维标定物更适合用于多相机标定。自标定仅依靠自然场景信息,难以获得稳健的特征,因此一维标定相对自标定[5-6]精度更高。
为方便起见,称一维标定物为标定杆。Zhang[7]提出了一种基于标定杆的相机内参标定方法,该方法要求标定杆的其中一端固定,另一端多次移动。Hammarstedt等[8]指出某些特殊运动会使相机标定失败,即单相机一维标定有很大的限制。
付仲良等[9]提出了基于像对基本矩阵的一维多相机标定法,该方法同时考虑了一阶径向畸变。de França等[10]提出从射影投影矩阵到仿射投影矩阵再到度量投影矩阵的分层逐步标定法,该方法不需要标定杆做特殊运动,使用灵活。Summan等[11]使用两个相互垂直的标定杆完成了大范围的多相机标定。
为了提高相机标定精度,Wang等[12]提出用凸优化算法获得优化的内参。史坤峰等[13]提出一种最优加权线性算法优化相机的内参。王亮等[14]提出一种基于变量含异质噪声的模型优化线性解。以上三种算法虽然可以明显提高相机标定的精度,但是所使用的标定模型与文献[ 7]基本相同,只优化了部分中间变量,仍然需要标定杆做特殊运动。Halloran等[15]采用文献[ 7]的方法标定相机内参,然后使用光束平差法和高斯置信传播获得多相机组的外参。
Hartley等[16]指出采用归一化的特征点计算单应矩阵和基本矩阵可以大幅提高结果的精度和稳健性。在精确数据和无限精度的算术运算条件下,结果与归一化变换无关。但是,在有噪声存在时,所得的解将偏离其正确结果,而大条件数会放大这种偏离。归一化可以大幅降低条件数,从而缩小估计值与正确结果的偏离。本文在文献[ 10]的基础上应用归一化算法并优化基本矩阵以提高多相机标定精度。归一化处理先对特征点的图像坐标进行归一化、对特征点进行平移和放缩,然后标定多相机组,解除归一化即可完成相机标定。
2 多相机模型
在有
式中:下标
3 多相机标定算法
3.1 归一化及解除归一化
在所有相机的公共视场内随意地移动标定杆
式中:(
式中:
归一化特征点等价于用相机0
用归一化后的数据完成相机标定,即求出了
3.2 射影投影矩阵
基于8点算法,由相机0'与相机
M估计可减小噪声对基本矩阵精度的影响。因为
式中:(
式中:
式中: median(·)为取中值函数。由于噪声的存在,基本矩阵的秩不为2。对极点的获取依赖于基本矩阵的秩为2这一性质。因此,奇异性约束可使基本矩阵的秩变为2。设新的基本矩阵为
当基本矩阵已知,可得[16]
式中:
射影投影矩阵和度量投影矩阵之间相差一个射影变换,即
其中
式中:
3.3 寻找无穷远平面
基于三角测量法,由
由(12)、(13)式可得
标定杆上各点之间的关系满足
式中:
(16)式叉乘
(17)式点乘
3.4 度量投影矩阵
根据(1)式,仅考虑相机0',可得
式中:
展开点
由(21)式第3行可得
由于标定杆的标志间距离是已知的,
由(19)、(22)、(23)式可得
(24)式等价于
式中:
求解(25)式可得
因为条件数分析非常复杂,这里只给出简单的分析。假设存在一个典型的点
式中:cond(
3.5 光束平差法
第3.4节中得到的相机度量投影矩阵不是最优的,可以通过光束平差法优化相机度量投影矩阵。假设图像点的噪声符合高斯分布,光束平差法可以获得投影矩阵和空间点的最大似然估计。实现光束平差法需要最小化重投影误差。重投影误差可表示为
式中:
4 结果与分析
分别采用仿真和实验测试所提方法。在仿真中,特征点分别添加不同水平的噪声,以检验所提方法的稳健性。在真实实验中,用所提方法、文献[ 10]的方法、Zhang提出的二维标定法标定相机,然后测量标称尺寸已知的物体,通过对比测量结果和标称尺寸,检验所提方法的精度。
4.1 仿真
在仿真中,采用3个相机,其内参如
表 1. 三个仿真相机的内参
Table 1. Intrinsic parameters of three simulation cameras
|
所有相机的分辨率都是800 pixel×600 pixel,并且位于同一平面。相机1、相机2和相机0与
对图像点添加均值为0、标准差为
式中:对于内参,
向量,
式中:
改变噪声水平
图 3. 由原始数据和归一化数据所得的内参。(a) αk的相对误差;(b) βk的相对误差;(c) uk的相对误差;(d) vk的相对误差
Fig. 3. Intrinsic parameters from original and normalized data. (a) Relative error of αk; (b) relative error of βk; (c) relative error of uk; (d) relative error of vk
图 4. 由原始数据和归一化数据所得的外参。(a)欧拉角最大的相对误差;(b)平移向量的相对误差
Fig. 4. Extrinsic parameters from original and normalized data. (a) Maximum relative error of Euler angle; (b) relative error of translation vector
同时标定相机0和相机1,分别用原始和归一化的数据,得到(25)式的条件数如
4.2 实验
因为标定杆在图像中视野太小,为了减小提取特征的难度,在相机前安装红外滤镜并使用红外光源,左相机采集的第一张图像如
图 7. 相机组采集的图像。(a)标定杆;(b)标定板
Fig. 7. Images sampled by camera set. (a) Calibration stick; (b) calibration board
用亚像素边缘提取算法处理前73对图像得到特征的边缘,用椭圆拟合算法拟合该边缘,以椭圆中心作为特征的中心。分别用所提方法、文献[
10]方法和Zhang提出的二维标定法[19]标定相机组。标定的相机参数及(25)式的条件数如
完成相机标定后,用20对图像基于不同的三组相机参数测量标定杆的
表 2. 标定结果
Table 2. Results of calibration
|
表 3. 长度测量结果
Table 3. Results of length measurement
|
采用不同的方法标定相机,然后测量长度已知的物体。所提方法测出的长度更接近标称长度,而且被测物在不同的位置时,所提方法测量的长度差异更小。
5 结论
采用一种简单的归一化方法预处理图像特征点可以显著地提高相机精度。相机标定过程中采用了逐步标定法,首先获得相机的射影投影矩阵,通过寻找无穷远平面和IAC,从而恢复度量投影矩阵。使用归一化的特征点使得求解IAC的方程组的条件数大幅度减少,从而得到更准确的IAC。标定的最后一步是将相机内外参数的线性解作为初值,以光束平差法优化这些参数。通过采用原始的数据和归一化的数据分别进行仿真和真实实验,从实验结果可以看到,归一化算法在相机一维标定中是有效的。
[4] 杨东升, 毕树生, 蔡月日, 等. 基于平行面多靶标标定的单目大视场平面测量[J]. 光学学报, 2017, 37(10): 101500.
杨东升, 毕树生, 蔡月日, 等. 基于平行面多靶标标定的单目大视场平面测量[J]. 光学学报, 2017, 37(10): 101500.
[5] 蔡鸣, 孙秀霞, 刘树光, 等. 基于消隐点无穷单应的摄像机焦距精确自标定方法[J]. 光学学报, 2014, 34(5): 0515003.
蔡鸣, 孙秀霞, 刘树光, 等. 基于消隐点无穷单应的摄像机焦距精确自标定方法[J]. 光学学报, 2014, 34(5): 0515003.
[6] 霍炬, 杨卫, 杨明. 基于消隐点几何特性的摄像机自标定方法[J]. 光学学报, 2010, 30(2): 465-472.
霍炬, 杨卫, 杨明. 基于消隐点几何特性的摄像机自标定方法[J]. 光学学报, 2010, 30(2): 465-472.
[8] HammarstedtP, SturmP, HeydenA. Degenerate cases and closed-form solutions for camera calibration with one-dimensional objects[C]. IEEE International Conference on Computer Vision, 2005: 317- 324.
HammarstedtP, SturmP, HeydenA. Degenerate cases and closed-form solutions for camera calibration with one-dimensional objects[C]. IEEE International Conference on Computer Vision, 2005: 317- 324.
[9] 付仲良, 周凡, 谢艳芳, 等. 基于像对基础矩阵的多像一维标定方法[J]. 光学学报, 2013, 33(6): 0615003.
付仲良, 周凡, 谢艳芳, 等. 基于像对基础矩阵的多像一维标定方法[J]. 光学学报, 2013, 33(6): 0615003.
[13] 史坤峰, 吴福朝. 相机一维标定的最优加权线性算法[J]. 计算机辅助设计与图形学学报, 2014, 26(8): 1251-1257.
史坤峰, 吴福朝. 相机一维标定的最优加权线性算法[J]. 计算机辅助设计与图形学学报, 2014, 26(8): 1251-1257.
[14] 王亮, 段福庆, 吕科. 基于HEIV模型的摄像机一维标定[J]. 自动化学报, 2014, 40(4): 643-652.
王亮, 段福庆, 吕科. 基于HEIV模型的摄像机一维标定[J]. 自动化学报, 2014, 40(4): 643-652.
[15] HalloranB, PremaratneP, VialP, et al.Distributed one dimensional calibration and localisation of a camera sensor network[M]. Cham: Springer International Publishing, 2017: 581- 593.
HalloranB, PremaratneP, VialP, et al.Distributed one dimensional calibration and localisation of a camera sensor network[M]. Cham: Springer International Publishing, 2017: 581- 593.
[16] HartleyR, ZissermanA. Three-view geometry[M]. Cambridge: Cambridge University Press, 2000: 363- 364.
HartleyR, ZissermanA. Three-view geometry[M]. Cambridge: Cambridge University Press, 2000: 363- 364.
[17] Zheng YQ, SugimotoS, OkutomiM. A branch and contract algorithm for globally optimal fundamental matrix estimation[C]//IEEE Conference on Computer Vision and Pattern Recognition, June 20-25, 2011, Colorado Springs, CO, USA, 2000: 2953- 2960.
Zheng YQ, SugimotoS, OkutomiM. A branch and contract algorithm for globally optimal fundamental matrix estimation[C]//IEEE Conference on Computer Vision and Pattern Recognition, June 20-25, 2011, Colorado Springs, CO, USA, 2000: 2953- 2960.
[18] IlaV, PolokL, SolonyM, et al. Fast incremental bundle adjustment with covariance recovery[C]. International Conference on 3D Vision, 2017: 175- 184.
IlaV, PolokL, SolonyM, et al. Fast incremental bundle adjustment with covariance recovery[C]. International Conference on 3D Vision, 2017: 175- 184.
Article Outline
全燕鸣, 覃镇波, 李维诗, 张瑞. 基于归一化算法的一维标定物多相机标定[J]. 光学学报, 2019, 39(4): 0415001. Yanming Quan, Zhenbo Qin, Weishi Li, Rui Zhang. Multi-Camera Calibration of One-Dimensional Calibration Objects Based on Normalization Algorithm[J]. Acta Optica Sinica, 2019, 39(4): 0415001.