基于姿态识别的摄像机标定图像自动选取

摘要

摄像机标定是计算机视觉领域中最经典和最重要的课题之一，其已被研究了数十年之久。不仅新生产出的摄像机必须进行标定，以校正摄像机内部参数和畸变参数，而且摄像机标定技术也是从二维的平面图像中获得三维信息这一过程的关键步骤，是计算机视觉技术的第一步，在机器视觉，虚拟现实等计算机图像应用领域有着广泛的应用。
　　 在过去的数十年间，研究者已经通过许多种不同的途径，研究出了更方便、更实用、更准确的算法来进行摄像机标定。据我们所知，现存的算法主要依靠提取局部一定的特征，比如角点、边缘和SIFT特征，结合他们来建立一定的对应关系来进行摄像机标定。这些方案中的一种重要的特征就是需要依靠设计好的三维信息已知的特别标定物体[1，2，3，4，5]。标定物体有三维立体[4，11]，二维平面[5]，一维直线[6]三种。这些方法有效的解决了摄像机标定的问题。其首先定义一个分析方案，然后利用基于最大可能性准则进行非线性优化，最后考虑到镜头畸变，给出分析结果和非线性解。然而，所有上述标定方法选取了大量未挑选或随机选择或手动选择的标定图像。比如，利用由三个或者更多共线点组成的一维物体，借助于一本书固定其一端，以已知的相对定位移动来进行摄像机标定[6]。其在一段视频中记录的150帧中随机选取四帧来进行标定。对于二维物体[5，7]，通过摄像机，拍摄五幅平面在不同角度的图像，其利用其中的2-5幅图像来进行标定。对于三维标定物体[4]，在相同的设置下，利用相同的摄像机拍摄的不同点的图像中选取一些进行摄像机标定。这些方法进行摄像机标定图像的选取时费时、不方便或者造成标定结果不准确。
　　 注意到多数标定方法有一个共同点，就是基本都完全依靠点或者线是否能够准确的从角点或者边缘特征中提取出来。而特征提取或标记往往成为一个瓶颈，影响到整个标定过程鲁棒性，准确性和方便性。这些标定图像时常包含着质量不好的特征，最终导致不理想的标定结果。大多数现在的标定技术利用大量的未经选取或者随机选择或者人工选取的图像进行计算，这往往导致耗时，导致最后结果的不确定性。所以我们提出了一种算法，规范和分类大量的摄像机标定图像，在其中选取出质量好的图像。这样做，可以节省时间，提高准确性和方便最终用户。计算机模拟试验与真实试验的结果都表明，上述的标定方法有着较高的精度和鲁棒性。

目录

声明

摘要

符号说明

第一章 绪论

1．1 课题研究背景及意义

1．2 摄像机标定的主要内容

1．3 摄像机标定方法

1．3．1 传统标定方法

1．3．2．自标定方法

1．3．3．基于主动视觉的标定方法

1．3 本文的结构和主要内容

第二章 摄像机模型

2．1 摄像机针孔模型及成像原理

2．1．1 坐标系

2．1．2 摄像机模型

2．2 本章小结

第三章 基于标定物的标定技术

3．1 利用最优化算法的标定技术

3．1．1 摄影测量学中的传统方法

3．1．2 直接线性变换方法(DLT)

3．1．3 利用透视变换矩阵的摄像机标定方法

3．1．4 Tsai两步标定方法

3．2 基于平面(二维)的标定方法

3．2．1 基本投影方程

3．2．2 模板平面和图像的单应性

3．2．3 对内部参数的约束

3．2．4 几何解释

3．2．5 标定参数的求解

3．2．6 最大似然估计

3．2．7 径向扭曲畸变估计

3．3 小结

第四章 基于Harris算法的黑白棋盘格角点检测

4．1 黑白棋盘角点检测

4．2 基于Harris算法的黑白棋盘格角点检测算法

4．3 本章小结

第五章 基于姿态识别的摄像机标定图像自动选取算法

5．1 基于姿态识别的摄像机标定图像自动选取算法

5．1．1 基于姿态识别的摄像机标定图像自动选取算法步骤

5．1．2 基于Harris算法的黑白棋盘格角点检测算法提取顶点

5．1．3 基于姿态识别的摄像机标定图像自动选取原则

5．1．4 算法实验

5．2 本章小结

第六章 总结与展望

参考文献

致谢

攻读硕士学位期间发表的论文

学位论文评阅及答辩情况表