ROS标定工具是采用棋盘格,具体实现是OPENCV。
将输入图像降采样到大约VGA分辨率,并在全尺寸图像中检测校准目标角点。
结合这些明显正交的职责作为一个优化。棋盘式检测在大图像上太昂贵,所以最好在较小的显示图像上进行检测,并将角点缩小到正确的大小。
def get_corners(self,img,refine=True):
函数中使用cvFindChessboardCorners查找图像中棋盘的角点。
检查所有电路板。返回第一个棋盘的角,如果给定多个大小的棋盘,它会检测到。
返回(状态,角点,板)
//modules\calib3d\src\calibinit.cpp
Finds the positions of internal corners of the chessboard.
CV_IMPL
int cvFindChessboardCorners(
const void* arr,
CvSize pattern_size,
CvPoint2D32f* out_corners,
int* out_corner_count,
int flags )
首先定义开一个结构体 CvCBQuad用来存储棋盘上的方格信息,CvCBCorner用来存储棋盘方格的四个角点。CvCBQuad的neighbordors在程序中有重要的作用。
struct CvCBQuad
{
int count; // Number of quad neighbors
int group_idx; // quad group ID
int row,col; // row and column of this quad
bool ordered; // true if corners/neighbors are ordered counter-clockwise
float edge_len;// quad edge len, in pix^2
// neighbors and corners are synced, i.e., neighbor 0 shares corner 0
CvCBCorner *corners[4];// Coordinates of quad corners
struct CvCBQuad *neighbors[4];// Pointers of quad neighbors
};
整个棋盘定位过程是一个循环过程,先对读入的棋盘图像直方图均衡化,接着自适应(取决于flag参数)二值化,再对二值化后的图像膨胀。为了定位的鲁棒性,自适应二值化和膨胀所采用核的大小不能是唯一的,故不断的循环用不同的参数用对棋盘图像处理,膨胀所采用核的大小逐渐变大。
在每次的循环过程都需要,经过以下步骤。
1、
局部平均自适应阈值化方法对亮度不均匀情况适应性强,因此用该方法对图像二值化,均衡化后得到了理想的门限,效果如图
然后
图像膨胀分离各个黑块四边形的衔接,由于膨胀的是白色像素点,因此能够缩小黑块四边形,断掉衔接,效果如图3所示。
在二值化后图像外围画一白色的矩形框(方便轮廓提取),然后进行轮廓提取cvFindContours。经过膨胀后的二值图像,每个黑色的方格已经被分开,轮廓提取后可以得到每个方格的轮廓,当然还有很多干扰轮廓。
对轮廓进行多边形拟合cvApproxPoly,排除不是矩形的轮廓,利用矩形的其他性质,再排除一些干扰轮廓。这些工作主要由icvGenerateQuads函数完成。
2、寻找每个方格的相邻方格,并记相邻方格的个数,连同相邻方格的信息存在相应CvCBQuad结构体中。二值图像在膨胀后原本相邻的方格,分开了,原来相连部分有一个公共点,现在分开变成了两个点。找到相邻的方格之后,计算出原来的公共点,用公共点替代膨胀后分开的点。这主要由icvFindQuadNeighborhors函数完成。
3、对所有“方格”(包括被误判的)分类,分类的原则是类内所有方格是相邻的。由icvFindConnectedQuads函数完成。
4、根据已知所求的角点个数,判别每个类中方格是否为所求的棋盘方格,并对棋盘方格排序,即该方格位于哪行那列。在这个过程中,可以添加每类方格总缺少的方格,也可以删除每类方格中多余的方格。icvOrderFoundConnetedQuads函数完成该过程。
5、icvCleanFoundConnectedQuads函数、icvCheckQuadGroup函数根据已知棋盘的方格个数(由棋盘的角点数计算出来)确认方格位置及个数是否正确,并确定粗略强角点的位置(两个方格的相连位置)。icvCheckBoardMonotony再次检验棋盘方格是否提取正确。
6、以上如果有一步所有方格都不符合要求,则进入一个新的循环。若循环结束,还尚未找到符合要求的方格,则棋盘定位失败,退出函数。
最后,cvFindCornerSubpix()根据上步的强角点位置,确定强角点的精确位置。
亚像素角点检测:cornerSubPix()
void cv::cornerSubPix(
cv::InputArray image, // 输入图像 和cv::goodFeaturesToTrack()中的输入图像是同一个图像。
cv::InputOutputArray corners, // 角点(既作为输入也作为输出)
cv::Size winSize, // 区域大小为 NXN; N=(winSize*2+1) 计算亚像素角点时考虑的区域的大小,大小为NXN;
cv::Size zeroZone, // 类似于winSize,但是总具有较小的范围,Size(-1,-1)表示忽略
cv::TermCriteria criteria // 停止优化的标准 表示计算亚像素时停止迭代的标准,
//可选的值有cv::TermCriteria::MAX_ITER 、
//cv::TermCriteria::EPS
//(可以是两者其一,或两者均选),
//前者表示迭代次数达到了最大次数时停止,
//后者表示角点位置变化的最小值已经达到最小时停止迭代。
//二者均使用cv::TermCriteria()构造函数进行指定。
);