相机标定之单目

为什么要进行摄像机标定

如图1所示，被测平面和像平面平行且成像模型为理想的小孔成像模型，假定焦距为f、工作距离为d，则被测物OP和它的像O’P’关系可简单的表示为：
                                                             |OP|=|O’P’|×d/f  【1】
　　  但是在实际应用中并非如此，我们无法严格控制像平面和被测平面的位置，所用的镜头也不是严格的小孔模型。如果直接使用【1】式计算将会产生极大的误差。

因此，为了获取更高的测量精度，我们需要通过标定来实现坐标平面的转换以及图像的校正。

什么是摄像机标定

在实际应用中，被测平面的不确定性以及镜头的畸变使我们已经无法简单的使用【1】式计算出实际距离，但是我们可以将目前能够获得的数据进行转换，使这些数据符合【1】式的使用条件。
            也就是将任意坐标平面通过旋转和平移映射到理想坐标平面上，对有畸变的图像进行校正，让它成为符合小孔成像模型的像平面。
          有了这种方法，我们只要确定转换算法、校正算法以及【1】式中的参数就可以实现三维空间中任意平面上尺寸与位置的测量。
           将这种确定相机成像参数（空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系）的过程称之为标定。

 注：无论是在图像测量或者机器视觉应用中，相机参数的标定都是非常关键的环节，其标定结果的精度及算法的稳定性直接影响相机工作产生结果的准确性。因此，做好相机标定是做好后续工作的前提。

 

摄像机单目标定

摄像机标定的方法根据摄像机的数目可分为单目标定、双目标定以及多目标定。 其中单目摄像机标定是双目标定的基础，而多目摄像机的标定则是双目摄像机的扩展。
            下面介绍单目标定。
           在平面测量中影响我们拍摄图像形变的因素有两个：镜头和摄像机的姿态。根据这两个因素一般将摄像机的参数分为两组，摄像机内参和摄像机外参。

 1、摄像机内参

内参一般包括镜头的焦距f、镜头畸变参数k、光轴中心坐标(Cx,Cy)以及像元尺寸Sx,Sy，当摄像机和镜头确定时，这些参数唯一确定。下面详细介绍一下各参数的数学模型。
       1)焦距
　　根据镜头类型不同焦距的计算可分为针孔模型和远心模型。如图3，假定世界坐标系有任一点P(x,y)，在摄像机靶面所成的像为P’(u,v)，根据不同的光路模型它们之间有如下的对应关系
　   a) 针孔模型

                       
        b)远心模型
        远心镜头特殊的光路设计使得像的大小与拍摄距离无关，因此表达式比针孔模型更为简单。

                        
        2)镜头畸变
　　受到镜头的制作和安装精度的影响，摄像机所获得图像会产生非线性失真。称这种失真为镜头畸变。镜头畸变产生的误差使得理想针孔模型已不再适用。因此我们需要先将所得图像进行校正，再应用理想的针孔模型。假设我们所获取的原始图像坐标(u,v)、校正后的结果(u’,v’)，其畸变模型坐标关系为：

                      

a)径向畸变

径向畸变主要由透镜制作过程中表面曲率引起，它会使图像发生桶形畸变和枕形畸变（如图4）。
其数学模型如下：

              如果对精度要求不是很高，可以令将上式简化为如下表达式：

 
        b)离心畸变
　　离心变量又称偏心变量，它的误差来源于透镜的安装精度，这主要是因为所有镜片的光学中心并不能严格的保证在同一条直线上。这种误差除了在引入径向畸变同时还会引入切向畸变。由于之前已经进行了径向畸变的校正，在此基础上只需加入切向畸变校正即可。其数学模型如下：

   
         c)薄棱镜畸变（一般不考虑）
         影响薄棱镜畸变的主要因素的是透镜以及摄像机靶面的平行度，镜片与摄像机靶面夹角越大畸变就越严重。其数学表达式如下：
              
d)畸变校正
　　在实际的应用中，大多数工业摄像机的厂商可以通过摄像机接口螺纹的机械精度来保证镜头透镜与靶面的平行性，而且这种畸变产生的误差较小，因此在一般的图像标定中不作考虑。至此，就是大多数情况下畸变产生的原因以及数学模型。结合【5】、【7】两式我们可以推导出镜头畸变校正模型：
             
         2. 摄像机外参
　　摄像机的外参是指摄像机坐标系与世界坐标系的转换参数它主要由旋转矩阵R和平移矩阵T组成。对于任意三维坐标系，都可以通过这两个矩阵将其转换到摄像机坐标系中。
        1)旋转矩阵R
                 
         如图5所示，通过沿坐标轴x、y、z分别旋转α、β、γ来实现坐标系的转换。因此，旋转矩阵R可分解为Rx（α）、Ry（β）、Rz（γ）三个矩阵相乘的形式。
         以z轴为例，假设(x0,y0)与x轴夹角为θ，且到原点距离为r，通过旋转矩阵
　　 Rz（γ）坐标系沿z轴旋转γ后得到点(x1,y1)，我们可得方程组:
                                x1=r·cos(θ+γ)      【11】
                                y1=r·sin(θ+γ)       【12】

         由三角函数展开得:
                               x1= r·cos(θ) cos(γ)- r·sin(θ) sin(γ)    【13】
                               y1= r·sin(θ) cos(γ)+ r·cos(θ) sin(γ)   【14】
        由(x0,y0)与x轴夹角为θ得：
                              x0=r·cos(θ)          【15】
                              y0=r·sin(θ)           【16】
       将【15】式带入【13】式、【16】式带入【14】式得：
                             x1=x0·cos(γ)-y0·sin(γ)     【17】
                             y1=y0·cos(γ)+x0·sin(γ)     【18】
　　因此
                
       以此类推求得Rx（α）和Ry（β）将它们与Rz（γ）相乘得：

      2)平移矩阵T
               
         通过旋转矩阵运算后，世界坐标系的三个坐标轴会与摄像机坐标系对应的坐标轴相平行。此时我们已经离我们的目标又近了一步。如图7所示我们现在只要沿各坐标轴做平移运算即可，由此得：
                          
        3)参数求解
　　根据【2】、【9】、【20】、【21】这几个数学模型，可以得知，若想确定一个摄像机与被测平面的相对位置，则需要确定包括内参、外参在内的14个参数 ，其中是5个已知的。因此，我们至少需要9个坐标点，构成9个方程才可以解出剩余的9个未知数。在通常情况下，点的分布以覆盖大部分视场为准，获得的数据点越多，统计的参数就越准确。
       一般采用最小二乘法或者线性规划等统计算法来求解相应参数。

---

标定模板（标定板 Calibration Target）    

通过相机拍摄带有固定间距图案阵列平板、经过标定算法的计算，可以得出相机的几何模型，从而得到高精度的测量和重建结果。  
            而带有固定间距图案阵列的平板就是标定模板（标定板 Calibration Target）。