1. 介绍
现有的校准工具箱使用摄影机的重叠视野,因此,这些工具箱可以校准立体摄影机和圆形摄影机装备,所有摄影机都指向内部。但是,这些工具箱不适合在没有或最小重叠视场的情况下校准相机系统。
目前最先进的校准系统主要利用校准板,校准板通常是印有棋盘或圆点的平面。但是整个模式必须在每个校准图像中可见。但是,对于多个摄像机指向不同方向的系统,很难使用这些工具箱来校准摄像机系统的外部。如果两个摄像机具有最小的重叠视场,与立体摄像机的标定相比,使用棋盘进行外部标定是困难的。
该文在不考虑视场重叠的情况下,解决了多摄像机系统的标定问题。
2. 主要贡献
1). 利用特征提取技术对特征点进行编码的一种新的标定模式。在多个尺度上包含许多可检测的特征。即使在图像中可以部分看到模式,也可以识别和定位该模式。
2). 基于所提出的校准模式的工具箱。该工具箱可用于多摄像机系统的内部和外部校准。与现有校准工具箱类似,我们的工具箱也可用于单个摄像机的内部校准。
3. 单相机校准
使用统一投影模型来建模各种摄像机,包括但不限于正常、广角、鱼眼和屈光类型。校准的参数有焦距(γ1,γ2)、长宽比s、主点(u0,v0)以及径向和切向透镜畸变参数(k1,k2,k3,k4)。并且在初始估计的基础上,工具箱使用Levenberg-Marquardt算法对所有内、外部参数进行优化,以最小化所有重投影误差之和。
4. 外部校准
创建一个姿势图来表示校准场景。在图中,每个摄像机都由一个摄像机顶点表示,模式的每个姿态也由一个模式顶点空间表示。姿势图中的顶点可用于将相机的姿势和图案存储在全局坐标系中。边缘可以用来存储相机姿态顶点和模式姿态顶点之间的相对姿态变换。
实现步骤
1). 基于对所有相机执行的单相机校准的结果构建姿势图
2). 利用广度优先搜索法提取以cam1a为根的生成树
3). 通过沿着图像边缘从cam1和遍历生成树来计算顶点姿势
4). 得到全局坐标系中所有顶点的初始姿态估计
重投影优化
使用 Levenberg-Marquardt算法优化目标函数:
5. 实验对比
1). 双目相机校准对比
与opencv棋盘法校准的方法对比,该方法的重投影误差高于opencv棋盘法,SURF特征检测在特征定位方面略低于亚像素棋盘角点检测。
2). 四相机校准
四相机模型
相机与图案的3D姿势
校准结果
对应于估计的内、外所有图像的平均重投影误差为0.7个像素。