机器视觉中的摄像机定标方法简介（转）

在机器视觉的应用中,如基于地图生成的视觉、移动机器人的自定位、视觉伺服等的应用中,从二维图像信息推知三维世界物体的位姿信息是很重要的。
                  目前已经出现了一些自定标和免定标的方法,这些方法在比较灵活的同时,尚不成熟,难以获得可靠的结果。通过摄像机的定标重建目标物三维世界目标物体仍然是重要的方法。
                     摄像机定标在机器视觉中决定:
                    (1) 内部参数－给出摄像机的光学和几何学特性，焦距,比例因子和镜头畸变。
                    (2) 外部参数－给出摄像机坐标相对于世界坐标系的位置和方向,如旋转和平移。
                  在机器人的视觉应用中,目标物位姿信息获取通常有一定的精度要求,机器人视觉系统的性能很大程度上依赖于定标精度。随着计算机性能的快速提高,低价位CCD
                  摄像机的大量使用,计算机定标方法也得到了不断的改进。
                    摄像机模型 摄像机的投影几何模型可以看作这样一个过程,把三维世界透视投影到一个球面(视球)
                  ,然后把球面上影像投射到一个平面π,理想情况下,平面π关于光轴中心对称。从图像中心点出发到投射平面点的距离r (α)
                  与光轴夹角α的关系有五种模型,每种都有其自己有用的特性。
                    标定方法有很多方法进行标定,已有的方法大体上可以分为三种类型:线性标定,非线性标定和两步标定。
                    (1) 线性标定 
                  线性方法通过解线性方程获得转换参数。算法速度快但是没考虑摄像机镜头的畸变问题———未知数的数目通常比实际自由度要大,由于这种冗余,实际的中间参数的约束不满,而且最终结果的正确性是显著噪声敏感的。由于比较简单,直接线性转换(DLT)
                  在线性标定方法中是应用最为广泛的。
                    (2) 非线性标定 
                  非线性方法使用大量的未知数和大范围的非线性优化。非线性模型越准确,计算代价越高。这样可以补偿镜头畸变允许采纳更为复杂的映像模型。但是,算法的迭代本质需要良好的初始估计。并且,如果迭代过程设计不恰当的话,尤其在高扭曲的条件下,优化过程可能不稳定。这些技术包括:
                  Faig’s 方法、Sobel 标定系统、Gennery 立体视觉标定方法和Paquette 方法等。 
                    (3) 两步标定
                  两步标定方法包括用解析解得到多数标定参数和用迭代解获得其他一些参数。Tsai使用径向校准约束来获得外部参数和焦距的线性解。迭代方案又用来估计处理径向畸变的相关的三个参数,有效的焦距、平移向量的深度组元。
                  Sid2Ahmed考虑了径向和切向畸变。Wen 提出了一种CCD 立体视觉的非线性畸变模型,考虑了主要的摄像机畸变来源,
                  如径向、离心和薄棱镜畸变。 

http://hi.baidu.com/jumbo/blog/item/269f61d932da162c11df9b3c.html