计算机系统对工业相机影响,如何理解工业相机的校准

对于涉及机器视觉行业的每个人，在开发机器视觉系统时，工业相机校准都是必不可少的问题. 特别是对于初学者，如何理解和准确理解工业相机的校准非常重要. 基于多年的开发经验，威士影像将在这方面谈论其认知和理解，并希望对大家有所帮助.

通过工业相机成像的几何模型确定空间对象表面上的点的3D几何位置与其图像中对应点之间的相关性. 这些几何模型参数是工业相机的参数. 在正常情况下，必须通过实验和计算获得这些参数，并且该实验和计算的过程称为机器视觉系统校准. 在机器视觉系统的整个成像过程中，高精度系统校准是高清成像的基础和重点，这直接影响了应用. 因此，只有在完成工业相机的校准后才能正常进行后续工作. 可以说，提高校准精度也是当前科学研究和工程应用的重要方面.

通常，工业相机校准可分为两类: 传统工业相机校准方法和工业相机自校准方法. 在本章中，我们将详细介绍传统的工业相机校准方法.

首先，传统的校准方法

根据校准参考对象和算法思想，传统相机校准方法可以分为几类，例如基于3D立体目标的相机校准，基于2D平面目标的相机校准以及基于径向约束的相机校准.

1. 基于3D立体目标的相机校准

基于3D立体目标的摄像机校准是将3D立体目标放置在摄像机前面，并且目标上每个小方块的顶点都可以用作特征点. 在生产过程中，应准确确定每个特征点相对于世界坐标系的位置. 相机获取目标上的特征点的图像后，由于表示三维空间坐标系和二维图像坐标系之间关系的方程是相机内部和外部参数的非线性方程，如果忽略了摄像机镜头的非线性畸变，并且透视变换矩阵为，则中的元素用作未知数，以提供一组三维控制点和相应的图像点. 然后，可以使用直接线性变换方法来求解透视变换矩阵中的每个元素. 因此，可以根据目标上特征点的世界坐标和图像坐标来计算摄像机的内部和外部参数.

2. 基于二维平面目标的相机校准

此方法也称为张正友校准方法，这是一种适合应用的新的灵活方法. 此方法要求相机在两个以上不同方向上拍摄平面目标. 相机和2D平面目标均可自由移动，内部参数始终保持不变. 假设在世界坐标系中二维平面目标为Z = 0，则通过线性模型分析可以计算出摄像机参数的最优解，然后使用基本的最大似然法进行非线性精细化. 在此过程中，在获得考虑了镜头畸变的目标函数后，即可获得所需的相机内部和外部参数. 该校准方法不仅具有良好的鲁棒性，而且不需要昂贵的精制校准块，这非常实用. 但是，当张正有方法进行内部和外部参数的线性估计时，假设模板图像上的直线在透视投影之后仍然是直线，然后执行图像处理相机标定，这实际上会引入误差. 因此，该方法在广角镜中畸变较大，情况误差较大.

3. 基于径向约束的摄像机标定

蔡(1986)给出了基于径向约束的两步校准方法. 该方法的核心是，首先使用RAC(径向均匀约束)条件通过最小二乘法求解超定线性方程，以便找到除tτ(摄像机光轴的平移)以外的摄像机参数，然后然后在有镜头畸变和没有镜头畸变的两个条件下求解照相机的其他参数. Tsai方法具有很高的精度，适合于精密测量，但对设备的要求也很高，不适合简单的校准. 这种方法的准确性是以牺牲设备的准确性和复杂性为代价的.

工业相机校准可分为传统工业相机校准方法和工业相机自校准方法. 不依赖于校准参考对象并且仅在运动期间使用周围环境图像和相机图像之间的对应关系来校准相机的方法被称为相机自校准方法. 现有的自校准技术可大致分为基于主动视觉的相机自校准技术，直接求解Kruppa方程的相机自校准方法，分层逐步校准方法和基于二次曲面的自校准方法. 在本章中，我们主要介绍工业相机的自校准方法.

1. 基于主动视觉的自校准方法

所谓的主动视觉系统是指将摄像机固定在可以精确控制的平台上，并且可以从计算机准确读取平台的参数. 您只需要控制相机进行特殊的动作即可获取多张图像，然后使用这些图像和已知的相机运动参数来确定相机的内部和外部参数. 代表性方法是基于马松德提出的两组三个正交运动的线性方法. 后来，杨长江相机标定，李华等人提出了一种改进方案，该方案分别基于4组平面正交运动和5组平面正交运动. 并使用图像中的极点信息来线性校准相机参数. 这种自校准方法算法简单，可以获得线性解. 缺点是必须有一个可以精确控制的摄像机运动平台.

2. 基于Kruppa方程的自校准方法

Faugeras，Luong，Maybank等人提出的自校准方法是直接基于求解Kruppa方程的方法. 该方法使用绝对二次曲线图像和对极变换的概念来推导Kruppa方程. 基于Kxuppa方程的自校准方法不需要对图像序列进行投影重建，而是在两个图像之间建立一个方程. 在难以将所有图像统一为一致的投影帧的某些情况下，此方法比分层逐步校准方法更困难. 它具有更多优点，但代价是不能保证所有图像对的投影空间中无限平面的一致性. 当图像序列较长时，基于Kruppa方程的自校准方法可能会不稳定. 其鲁棒性取决于给定的初始值.

3. 分层逐步校准方法

近年来，逐步逐步标定法已成为自标定研究的热点，在实际应用中逐步取代了直接求解Kruppa方程的方法. 分级逐步校准方法首先需要对图像序列进行投影重建，然后通过绝对二次曲线(曲面)施加约束，最后确定仿射参数(即无限平面方程)和相机参数. 分级逐步校准方法的特点是，在投影校准的基础上，基于一定的图像进行投影对准，从而减少了未知数，然后通过非线性优化算法同时求解所有未知数. 缺点是只能通过估计获得非线性优化算法的初始值，并且不能保证其收敛性. 由于投影重建基于参考图像，因此参考图像的选择不同，校准结果也不同.

4. 基于二次曲面的自校准方法

Triggs率先将绝对二次曲面的概念引入到自校准研究中. 该自校准方法与基于Kruppa方程的方法基本相同. 它们都在变换下使用欧氏不变性的绝对二次曲线. 但是，在输入多个图像并获得一致的投影重建的情况下，基于二次曲面的自校准方法会更好. 根本原因是二次曲面包含了无限平面和绝对二次曲线的所有信息，并且基于二次曲面的自校准方法基于所有图像的投影重建来计算二次曲面. 因此，该方法确保了无限平面对所有图像的一致性.

本文来自电脑杂谈，转载请注明本文网址：

http://www.pc-fly.com/a/jisuanjixue/article-231600-1.html