基于无人旋翼机自主着陆模型的摄像机外参数在线自标定

为了解决在双目视觉系统视轴夹角不断变化的情况下摄像机外参数的实时标定问题,提出了一种基于无人旋翼机自主着陆模型的摄像机外参数在线自标定方法.它首先获取下降前以及下降后的着陆目标图像,计算出两个阶段目标图像仅由高度信息所影响的偏移量,利用模型推导公式计算出光轴应当转过的夹角度数及下降高度.实验证明,方法实时更新了光轴角度,实现了摄像机外参数的自动标定.     

一种高精度机器人手眼标定方法

手眼系统的标定是机器人视觉中的一个重要研究内容,标定的准确性直接影响机器人的作业精度。对于机器人眼在手系统,介绍了标定的原理并给出标定方程的求解方法。指出摄像机外参是构建标定方程的重要数据,为确保摄像机外参的准确性,提出利用图像校正的原理对摄像机外参进行验证。通过对基于标定方程的精度影响因素进行分析,对标定过程中的机器人运动轨迹进行规划。最后通过实验,对比了摄像机外参筛选前后的标定结果,证明经过摄像机外参筛选后,对标定精度和稳定性有一定提高,展示了实验过程中各步骤的完整数据,并验证了最终的标定精度。     

基于RAC标定法的CCD摄像机参数标定技术研究

传统的摄像机标定是在一定的摄像机模型下,基于特定的实验条件,如形状、尺寸已知的标定物,经过对其进行图像处理,求取摄像机模型的内部参数和外部参数。标定摄像机参数的方法很多,大多数采用变焦距法、径向准直法及根据透射成像原理进行标定,针对摄像机的像面中心的标定。文中建立CCD摄像机透视成像的数学模型,运用RAC标定法建立求解摄像机外部参数方程组,从而推导出在径向畸变模型下求解摄像机内部参数的方程。该方法采用CCD能很好地提高精度。实验结果表明,该方法计算量小,标定精度较高。     

高鲁棒性两阶段激光雷达惯性测量单元外参在线标定算法

针对车辆在近似平面上运动时,退化的传感器数据难以标定外参的问题,提出了一种高鲁棒性两阶段激光雷达惯性测量单元(LiDAR-IMU)外参在线标定算法。标定算法包括剔除外点的解析解初值计算和非线性滑窗在线迭代优化两个阶段。第一阶段剔除预数据集中的外点,以滑动窗口的形式多次求解只包含旋转分量的手眼标定模型,并改进解析解筛选的条件,求解出多解加权旋转外参的SVD解析解。第二阶段最小化包含外参的残差函数,以旋转解析解为初值滑动窗口迭代优化六自由度外参,使外参快速收敛,并在退化运动和错误历史约束过大时固定外参,避免外参退化。与原始算法对比,该算法对退化的传感器数据具有鲁棒性,可在无外参初值的情况下实现精准鲁棒地在线标定外参。     

二维旋转平台下的相机参数标定

针对可旋转相机的参数标定问题,提出了一种基于二维旋转平台的相机成像模型。首先,通过一对坐标系的变换与逆变换,将相机的旋转平移变换关系转换为二维旋转平台纯旋转关系;然后,借助旋转平台读数以及相机到旋转平台的固定变换关系,实现相机内参的精确标定以及任意位置间相机外参的相互转换;最后,利用标定出的相机与旋转平台间变换矩阵实现不同位置相机参数的转换。相比于传统固定相机的标定方法,本文提出的方法标定获得的相机内参具有更好的收敛性,而且能够标定出相机到旋转平台的变换矩阵,从而实现相机坐标系变换参数的精确计算。实验结果表明,在标定模板图像数量相同时,与常用的张氏标定法相比,本文提出的方法标定获得的相机内参具有更快的收敛速度。棋盘格角点重投影坐标与实际拍摄图像中棋盘格角点坐标相对比,平均误差约为0.12pixel,表明该方法具有较高精度。     

基于平面模板的两步法标定摄像机的改进

摄像机标定技术作为机器视觉的一个重要环节极受重视.Tsai两步法摄像机标定先用径向约束得到部分外参数精确解,再将其余外部参数与畸变修正参数进行迭代求解,但该方法不能直接获取CCD摄像机相面中心坐标精确值.对于两步法的改进,是在用两步法得到的摄像机参数值的基础上,用非线性优化算法对所有参数做进一步优化,得到最终参数值.该方法既提高了摄像机标定精度,又无需对CCD摄像机相面中心预标定,简化了标定过程.实验证明,改进后的方法具有快速、准确、方便和有效等优点.     

基于全局代价函数优化的立体标定方法

提出了一种基于全局代价函数的立体标定方法.以张正友的单日摄像机标定算法为基础,同时选择合适的径向畸变模型,将左右摄像机的内参数、摄像机与标定板之间的外参数、镜头畸变系数,以及两个摄像机之间的外参数标定相互融合,使用一种约束性更强的全局代价函数作为优化目标进行非线性优化,经过一次优化便可以得到立体视觉系统中的摄像机参数.与通常的立体标定方法相比,该方法在目标函数中引入了左右摄像机之间外参数保持不变这一约束条件,从而使得重投影残差更小、标定精度更高,并且整个算法具有更强的鲁棒性.对比实验结果证明,这种基于全局代价函数优化的标定方法具有精度高、标定结果稳定等优点.     

单目相机-IMU外参自动标定与在线估计的视觉-惯导SLAM

针对视觉-惯导信息融合同时定位与地图构建(VI-SLAM)中,单目相机-惯性测量单元(IMU)外参离线标定繁琐的问题,以及单目相机-IMU外参因传感器受到冲击或调整发生变化影响系统跟踪精度的问题,提出一种单目相机-IMU外参自动标定与在线估计的VI-SLAM算法。该算法首先利用手眼标定方法计算单目相机-IMU外参旋转矩阵并估计陀螺仪零偏;接着,在不考虑加速度计零偏的情况下估计系统的尺度、重力加速度以及单目相机-IMU外参平移向量;然后,利用已知的重力加速度大小估计加速度计零偏并更新以上已估计的初始化参数;最后,将单目相机-IMU外参放入状态向量中进行在线估计。EuRo C数据集实验表明,该VI-SLAM算法可以自动标定并在线估计单目相机-IMU外参,得到的旋转与平移外参误差分别在0. 5°和0. 02 m之内,这有利于VI-SLAM系统的快速使用以及精度的提升。     

车载 LiDAR-IMU 外参联合标定算法

为提高 LIO-SAM 算法的定位精度,本文从 LiDAR-IMU 外参标定方面开展研究,针对现有的传感器标定算法在车载条件下 标定精度低的缺点,提出一种新的车载传感器联合标定算法。 针对车载条件下自由度低导致俯仰、横滚方向约束建立不充分的问 题,利用车辆的大范围运动轨迹消除平移参数影响,使用正态分布变换(NDT)和迭代最近点(ICP)的点云匹配算法快速得到旋转 参数初值,提高俯仰角和横滚角的标定精度。 针对粗标定过程中激光里程计存在漂移以及没有标定平移外参的问题,对基于点云 优化的全参数标定方案进行改进,利用转弯区域构建对平移外参的约束,结合统计误差平均效应和位移约束构建新的目标函数, 迭代优化后得到全参数标定结果。 实验结果表明,加入了外参标定模块的 LIO-SAM 算法的定位精度提升了 1. 74% ~5. 92% 。     

基于光栅投影的多摄像机标定方法

多摄像机是解决结构光测量系统中视场小和自遮挡等问题的有效方案,但同时由于摄像机分布广、无公共视场,存在全局标定困难的问题。提出了一种基于条纹投影的多摄像机标定方法。加入辅助设备投影仪并向视场内投影大幅面的条纹图案,借助相位算法建立起全局相位场,反求景物的投影仪虚拟图像。利用平面靶标标定摄像机的内参和投影仪的外参获取靶标平面的移动信息,进而求解相邻摄像机的位置参数。最后的优化过程中,再根据相位值对相邻摄像机的图像完成亚像素匹配,通过最小化重建偏差对系统参数进行迭代优化。在搭建的多摄像机三维测量系统上进行试验,结果表明本文的多摄像机标定和测量方案切实可行。