Kruppa方程与摄像机自标定

首先研究探讨了基于绝对二次曲线 ( the absolute conic)进行摄像机自标定鲁棒性差的内在原因 .研究发现 ,该类方法鲁棒性不足的原因主要有三个方面 :1 )在目标函数的全局最小点处存在大范围的平坦区域 ,使得任何数值优化算法难以达到全局最小点 ;2 )当存在噪声时 ,上述平坦区域内会出现大量局部极小值 ,这样数值优化算法就非常容易收敛到靠近初值的局部极小值 ,使得算法对初始值的选取十分敏感 ;3)当有噪声时 ,目标函数的全局最小值极易偏离正确值 .这样 ,即使数值算法找到了全局最小值 ,该最小值也不再对应正确的摄像机内参数值 .鉴于上述情况 ,探讨了如何通过平面场景来确定内参数矩阵的初始值 ,而后进一步利用

一种新的基于Kruppa方程的摄像机自标定方法

主要针对传统的基于Kruppa方程的摄像机自标定算法的欠鲁棒性提出了一种新的二步式标定方法 .在新标定方法中 ,首先利用传统的LM优化算法或遗传算法求解出Kruppa方程中通常需要被消去的比例因子 ,然后再利用线性方法完成对摄像机的标定 .大量的仿真和真实图像实验表明 ,该方法可以大大提高基于Kruppa方程标定算法的鲁棒性及标定精度 .

一种基于Kruppa方程的分步自标定方法

针对摄像机自标定中Kruppa方程求解的非线性优化问题和标定结果的欠鲁棒性,提出一种基于Kruppa方程的分步自标定方法。根据两图像匹配的特征点对采用8点算法求解相应的基本矩阵,其中待匹配图像选用摄像机对同一场景在不同焦距下拍摄的两帧图片,对图片的特征匹配点建立约束关系,采用最小二乘法求出摄像机的主点坐标,然后利用遗传算法优化Kruppa方程的比例因子,最后通过优化后的比例因子完成摄像机的标定。实验表明,该方法可提高标定精度,并通过对特征点坐标加入高斯噪声,验证了算法的鲁棒性。

平移初值操作的基于Kruppa方程的自标定方法

针对传统的基于Kruppa方程的摄像机自标定算法鲁棒性差的情况提出了一种新的二步式标定方法。首先对Kruppa方程进行简化,确定了经简化后的目标函数,再通过摄像机的三次线性无关的任意平移运动确定初值,然后用非线性优化目标函数法精化初值。实验结果表明,该方法可以大大提高基于Kruppa方程标定算法的鲁棒性及标定精度。

基于Kruppa方程的相机分步自标定方法

提出一种运动变焦相机分步自标定的方法,即事先标定相机的纵横比和主点,在假设像素为矩形及主点为图像中心的情况下,基于Kruppa方程线性求解焦距.算法中只需输入基础矩阵,不必预先进行任何类型的投影阵分解或投影束校正.线性求解焦距避免了非线性法的不稳定性.实际数值实验表明该方法简单实用.

基于遗传算法的摄像机自标定方法

摄像机标定是计算机视觉领域的关键技术,其中的自标定是只根据图像计算摄像机的内参数,其标定过程简单,适用性强。由于传统的用于摄像机自标定的Kruppa方程不仅需要计算基础矩阵,还要计算图像的极点,而图像的极点又不是固定不变的,且会导致计算结果的不稳定,为此,针对传统摄像机自标定方法的上述不足,利用遗传算法完成了Hartley新的Kruppa方程的摄像机自标定过程,以便将这个过程完全转化为通过代价函数最小化来求得摄像机的内参数,这就排除了极点的不稳定因素。实验结果表明,该方法是简单、有效的,可以作为一种通用的标定工具。

基于序列图像的摄像机自标定方法

提出了一种新的结合摄影测量和计算机视觉相关理论的摄像机自标定方法。首先通过序列图像的匹配点对,利用计算机视觉理论中的8点法求得摄像机基础矩阵F,通过矩阵F利用Kruppa方程求得矩阵C,对矩阵C进行Cholesky分解得到摄像机的内参数矩阵K,然后将求出的内参数作为初始值,利用摄影测量理论进行相对定向和绝对定向,最小二乘前方交会计算得到匹配点对的三维空间坐标,最后由匹配点对的三维空间坐标及其图像坐标,采用三维直接线性变换和光束法平差方法解算出摄像机内、外参数及畸变系数。该方法不依赖于特定的场景几何约束条件,只要序列图像之间有匹配点对,就可以进行自标定工作,具有广泛的适用性。模拟数据和真实图像的实验结果表明:该方法计算过程简单,标定精度高,是一种值得借鉴的摄像机自标定方法。

基于预检校的数码相机自检校研究

针对定焦数码像机提出一种基于预检校的自检校方法.理论和实验表明,基于Kruppa方程的自检校方法考虑全部的内方位元素,解算的结果不稳定,同时,这种方法没有考虑畸变参数,也影响了内方位元素的精度.一般地,当主距变化时,定焦镜头的内部光学结构不变.根据这个特点,利用预检校找到内方位元素的变换规律,可以减少自检校的参数,并引入畸变参数,从而提高自检校解算的稳定性和精度.

一种内部参数可变的摄像机自定标新方法

在计算机视觉的研究中 ,定标、运动、结构与匹配是常用到的 4个方面的信息 ,而定标是进行运动和结构分析的必要条件 ,不需要参照物而利用图像系列进行摄像机自定标问题在 2 0世纪 90年代初就有所突破。然而 ,大多数自定标研究仍然集中于在视觉任务完成过程中摄像机内部参数固定不变的情况 ,在内部参数发生变化时 ,这些方法还不能适用。扩展以前利用Kruppa方程进行摄像机自定标的方法 ,通过对基础矩阵进行奇异值分解(SVD) ,将Kruppa方程简化 ,得出了一种可处理内部参数发生变化时的摄像机自定标方法。仿真实验证明了该方法的可行性。

一种利用SURF特征自标定相机焦距的方法

鉴于SURF算法能快速而稳定地提取图像特征,提出一种基于SURF特征进行快速标定相机焦距的方法.相机模型采用单参数模型(即只有焦距未知),先使用SURF算法得到图像匹配点对,这些匹配点对用于计算基础矩阵,然后根据Kruppa方程推导出一个二次方程,进而求解出焦距.实验结果验证了此方法的有效性和正确性.

摄相机的自标定:新方法及比较

在这篇文章中,我们根据Kruppa方程的相关矩阵的秩约束,提出了一种新的从图像序列中重构目标的3D欧氏结构的方法,最后给出与其它方法的实验比较结果。

适用于SfM点云的未标定摄像机注册方法

无标注册是增强现实技术(AR)领域的研究热点,本文提出并实现了一种对未标定摄像机进行内外参数估计的完整方法。该方法采用单幅图像作为输入,三维物体的SfM重建点云作为数据表,进行匹配并采用RANSAC方法去除误匹配得到单应矩阵,结合Kruppa方程得到焦距估计值,并采用PnP问题的Levenberg-Marquardt最优化法得到外参矩阵的非线性最小二乘解。为便于观察结果,另建立基于显卡计算的粒子系统进行验证。实验结果表明,该方法对于摄像机的内外参数估计具有较好的效果。

基于改进遗传算法的摄像机自标定方法

摄像机自标定技术不受标定板和相机运动轨迹的限制就能求解出摄像机的内参数矩阵,其标定过程简单、适用性强;由于传统的遗传算法在摄像机自标定参数优化过程中易出现过早收敛、停滞现象和解易陷入局部最优的问题,提出一种改进的遗传算法;首先,通过结合精英保留策略和随机联赛选择算法作为初始化种群的方法、改进轮盘赌选择方法、采用自适应杂交概率和变异概率方法对遗传算法进行改进;然后,将Hartley定义的简化Kruppa方程转化为目标函数,采用改进的遗传算法搜索目标函数的最优值;最后,实验结果表明,该方法能较好地缓解过早收敛和停滞显现,提高了精度。

一种基于改进遗传算法的摄像机自标定方法

提出一种基于改进遗传算法的摄像机自标定方法,本方法把Hartley定义的简化Kruppa方程转化为目标函数,利用将遗传算法与局部直接搜索法相结合的混合遗传算法求目标函数的最小值,进而求得摄像机的内参数。改进了传统的基于Kruppa方程的自标定方法易陷入局部最优解的缺点。实验结果表明,该方法简单、有效。