• Camera Calibration 相机标定:原理简介(五)


    5 基于2D标定物的标定方法

    基于2D标定物的标定方法,原理与基于3D标定物相同,只是通过相机对一个平面进行成像,就可得到相机的标定参数,由于标定物为平面,本身所具有的约束条机,相对后者标定更为简单。经典算法为Z. Zhang(PAMI, 2000) A Flexible New Technique for Camera Calibration。其算法已经被收入Opencv(2004),最常用的标定图案是棋盘格图案,如下图:

    ChessBoard

    5.1 单应性矩阵

    对于2D标定平面,抑或称为标定板,不妨假设,平面上点的增广齐次向量[X,Y,Z,1]满足Z=0,同时对于旋转矩阵R的每一列表示为一个列向量记为ri,则根据相机的投影方程:

    suv1=A[r1  r2  r3  t]XY01=A[r1  r2  t]XY1(1)

    因为点[X,Y]T仍表示的是三维空间点坐标,只是由于标定使用平面的特殊性,将Z=0省略,因此我们仍然使用统一的M符号表示,与其对应M~=[X,Y,1]T表示该点的其次向量,则公式(1)可简记为:

    sm~=HM~  with H=A[r1  r2  t](2)

    H被称为单应性矩阵(Homography matrix)。

    5.2 内参约束条件

    对于单应性矩阵H,我们也将其按照列向量的方式表示:H=[h1  h2  h3], 则有:

    [h1  h2  h3]=λA[r1  r2  t](3)

    其中,λ是一个任意的系数,因为r1,r2是正交向量,因此有:

    rT1r2=hT1ATA1h2=0(4)

    rT1r1=hT1ATA1h1=rT2r2=hT2ATA1h2(5)

    对于一个单应性矩阵,公式(4,5)是两个内参的基本约束。单应性矩阵有9个元素,但可以由8个独立不相关的元素表示,也就是说投影变换有8个自由度,而我们只有6个外参元素(3个旋转元素和3个平移元素),因此两个内参约束条件的意义就在于此。在原理简介(三)中,我们已经了解到ATA1描述的就是IAC(Image of the absolute conic),后文将对此进行解释。

    5.3 几何解释

    现在让我们来分析公式(4,5)与绝对圆锥曲线的关系。在像空间坐标系中,存在下面的等式:

    [r3rT3t]Txyzw=0(6)

    w=0时就是我们前面解释的改点位于无穷远处。我们想象标定板所在平面与该无穷远处平面相交于一点,则点[r10][r20]是相交直线上的两个特殊点,线上的其他点都可以用这两个点线性表示:

    x=a[r10]+b[r20]=[ar1+br20](7)

    现在让我们看一下上述的交线和绝对圆锥曲线的交点,原理简介(三)已经介绍点x满足:xTx=0,也即(ar1+br2)T(ar1+br2)=0    a2+b2=0r1r2正交)。因此b=±ai,  i2=1,公式(7)可写为:

    x=a[r1±ir20](8)

    其在图像中的投影点为:

    m=A(r1±ir2)=h1±ih2(9)

    因为点m位于IAC上,有:

    (h1±ih2)TATA1(h1±ih2)=0(10)

    因此等式(10)左边的实部与虚部都为0,也就是公式(4,5)这两条约束条件。

    5.4 闭合解

    现在开始讲解如何高效求解本方法的相机标定问题。做法是,首先获得分析解,然后初始估计值基于最大似然准则进行非线性优化,这些都将逐步进行讲解。

    令:

    B=ATA1=B11B12B13B12B22B23B13B23B33=1α2γα2βv0γu0βα2βγα2βγ2α2β2+1β2γ(v0γu0β)α2β2v0β2v0γu0βα2βγ(v0γu0β)α2β2v0β2(v0γu0β)2α2β2+v20β2+1(11)

    因此可以看出,B是一个对称矩阵,由六个元素组成:

    b=[B11,B12,B13,B22,B23,B33]T(12)

    对于H=[h1,h2,h3]的第i列记为:hi=[hi1,hi2,hi3]T,则有:

    hTiBhj=vTijb(13)

    其中,vij=[hi1hj1,hi1hj2+hi2hj1,hi2hj2,hi3hj1+hi1hj3,hi3hj2+hi2hj3,hi3hj3]T。因此,对于公式(4,5)可以表达为齐次方程:

    [vT12(v11v22)T]b=0(14)

    如果采集了n张图像,可以列出方程组:

    Vb=0(15)

    其中,V是一个2n×6的矩阵。如果n3,一般就能获得b的唯一解;如果n=2,我们可以利用偏斜度γ=0的约束条件,将[0,1,0,0,0,0]b=0添加到方程组(15)中;如果n=1那么就只能获得相机的内参。

    一旦b确认后,就可以获得相机内参。将公式(11)中的矩阵B添加一个任意系数:B=λATA,可得到:

    v0=(B12B13B11B23)/(B11B22B212)(16)

    λ=B33[B213+v0(B12B13B11B23)]/B11(17)

    α=λ/B11(18)

    β=λB11/(B11B12B212)(19)

    γ=B12α2β/λ(20)

    u0=γv0/αB13α2/λ(21)

    内参矩阵获得后,根据公式(2)外参也就很快就可以得到:

    r1=λA1h1,  r2=λA1h2,  r3=r1×r2,  t=λA1h3(22)

    其中,λ=1/A1h1=1/A1h2

    由于噪声的存在,这样求解的矩阵R一般并不具备旋转矩阵的特性,更好的求解方法是通过奇异值分解的方法,可以参考Z. Zhang的论文。

    5.5 最大似然优化

    与基于3D标定物的优化方法类似,这里仍然使用最大似然法进行优化,也就是基于噪声是不相关且独立分布的的假设,对于n张图像,其中包含m个点,优化方程为:

    i=0nj=0mmijm^(A,Ri,ti,Mj)2(23)

    其中,m^(A,Ri,ti,Mj)是三维点Mj在图像i中的投影点。非线性优化过程是,首先需要获得内参矩阵A的估算值,然后利用上面的描述的求解方法,获得{Ri,ti|i=1,,n},利用LM迭代优化方法,使得公式(23)的求和最小化。

    5.6 镜头畸变

    原理简介(四)4.6中已经对镜头畸变模型进行了讲解,这里与之原理一样。以径向畸变为例,为了获得较为理想准确的像点坐标值,则有方程:

    [(uu0)(x2+y2)(vv0)(x2+y2)(uu0)(x2+y2)2(vv0)(x2+y2)2)][k1k2]=[u^uv^v](24)

    同样当m个点在n张图像中时,可以组成方程组Dk=d,其中k=[k1k2],其线性最小二乘解为:

    k=(DTD)1DTd(25)

    当获得(k1,k2)后,我们就可以将公式(23)的非线性优化调整为:

    i=0nj=0mmijm^(A,k1,k2,Ri,ti,Mj)(26)


    • 结束语:
      基于2D标定物的标定方法流程为:

    1 打印出一张标定图并贴到一个平面上;
    2 通过移动相机或者标定平面采集不同位置、不同方向的标定板图像;
    3 特征点检测;
    4 估算内参(公式(1621)),然后通过闭合解得到外参(公式(22));
    5 通过最小二乘线性估算畸变系数;
    6 使公式(26)的代数和最小,优化所有参数。

  • 相关阅读:
    C# Console.Read()和Console.ReadLine()的区别
    C#获取项目程序及运行路径的方法
    Thread理解
    ENVI 监督分类Max stdev from Mean 参数IDL中的设置
    C# 插件开发学习实例
    利用动软代码器自动生存三层架构
    结构体的对齐
    链表分类及应用
    指针
    双向循环链表
  • 原文地址:https://www.cnblogs.com/hehehaha/p/6332228.html
Copyright © 2020-2023  润新知