CN117974804A - 标定数据验证方法、装置、采集设备及计算机存储介质 - Google Patents
标定数据验证方法、装置、采集设备及计算机存储介质 Download PDFInfo
- Publication number
- CN117974804A CN117974804A CN202410124360.6A CN202410124360A CN117974804A CN 117974804 A CN117974804 A CN 117974804A CN 202410124360 A CN202410124360 A CN 202410124360A CN 117974804 A CN117974804 A CN 117974804A
- Authority
- CN
- China
- Prior art keywords
- image
- calibration
- corner
- point coordinates
- calibration data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013524 data verification Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 112
- 239000011159 matrix material Substances 0.000 claims abstract description 88
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 10
- 230000001629 suppression Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013502 data validation Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 101100149023 Bacillus subtilis (strain 168) secA gene Proteins 0.000 description 1
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及计算机技术领域，尤其涉及一种标定数据验证方法、装置、采集设备及计算机存储介质。本申请通过在接收到采集指令时，采集标定板的第一标定板图像，对第一标定板图像进行角点检测，以得到N个角点，从N个角点中提取每个角点对应的角点坐标，并确定角点坐标对应的图像点坐标，并根据角点坐标及图像点坐标估算目标参数矩阵，将目标参数矩阵确定为标定数据，基于标定数据采集第二标定板图像，并确定第二标定板图像对应的实际测量值，进一步根据实际测量值和预期测量值验证标定数据是否满足测量需求，提高标定数据的精度和准确性及验证结果的可靠性。
Description
技术领域
本申请涉及计算机技术领域，尤其是涉及一种标定数据验证方法、装置、采集设备及计算机存储介质。
背景技术
在计算机视觉和图像处理中，为确定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，需要建立采集设备(例如，相机、摄影机)成像的几何模型，该几何模型参数即采集设备参数。一般情况下，采集设备参数须通过实验与计算得到，而求解采集设备参数的过程就称之为相机标定(或摄像机标定)。无论是在图像测量或者机器视觉应用中，采集设备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采集设备工作产生结果的准确性。
标定数据的准确和精度主要由图像中标定板的精度(噪点、光源和相机位置等都会出现标定板畸变、倾斜、缺失等现象)，而现有技术中直接使用标定板的标定点进行标定，会导致标定结果误差过大或者无法使用。因此，需要提供一种标定数据验证方法，用于验证标定结果是否正确。现有技术中的标定数据验证方法，通过测量标定板上参考点之间的距离，根据参考点生成参数矩阵得到标定结果。将标定结果与标定板是已知尺寸进行比较，当标定结果与已知尺寸相符合，则说明标定结果准确。其中，参考点是通过测量得到的，容易存在测量误差导致标定结果的验证不准确。
发明内容
鉴于以上内容，本申请提供一种标定数据验证方法、装置、采集设备及计算机存储介质，提高标定数据的精度和准确性及验证结果的可靠性。
本申请的第一方面提供一种标定数据验证方法，所述方法包括：
当接收到采集指令时，根据所述采集指令采集标定板的第一标定板图像；
对所述第一标定板图像进行角点检测，以得到N个角点，其中N为大于等于4的整数；
从所述N个角点中提取每个角点对应的角点坐标；
确定所述角点坐标对应的图像点坐标，并根据所述角点坐标及所述图像点坐标估算目标参数矩阵，将所述目标参数矩阵确定为标定完成的标定数据；
基于所述标定数据采集第二标定板图像，并确定所述第二标定板图像对应的实际测量值；
根据所述实际测量值和预期测量值验证所述标定数据是否满足测量需求。
在一个可选的实施方式中，所述根据所述实际测量值和预期测量值验证所述标定数据是否满足测量需求包括：
计算所述实际测量值与所述预期测量的MSR；
判断所述MSR是否大于预设偏差阈值；
当所述MSR大于所述预设偏差阈值时，确定所述标定数据不满足所述测量需求，检测所述角点坐标及所述图像点坐标是否存在异常；
当所述MSR不大于所述预设偏差阈值时，确定标定数据满足所述测量需求，利用所述标定数据将所述第二标定板图像进行映射。
在一个可选的实施方式中，所述确定所述角点坐标对应的图像点坐标包括：
将所述标定板的第一坐标系与采集设备的第二坐标系建立联系；
确定所述第一坐标系下的目标角点坐标在所述第二坐标系下的齐次坐标，其中所述目标角点坐标为N个所述角点坐标中的任意一个角点坐标；
利用所述采集设备的初始参数矩阵将所述齐次坐标进行投影，以得到所述图像点坐标。
在一个可选的实施方式中，所述利用所述采集设备的初始参数矩阵将所述齐次坐标进行投影，以得到所述图像点坐标包括：
通过如下公式，确定所述图像点坐标：
s*[u,v,1]T＝K*[R|t]*[X,Y,Z,1]T
其中，[u,v,1]T为所述图像点坐标，[X,Y,Z,1]T为所述齐次坐标，s为尺度因子，K为所述初始参数矩阵中的内参数矩阵，R为所述初始参数矩阵中的外参数矩阵，t为所述初始参数矩阵中的平移向量；
其中，f_x和f_y为所述采集设备的内参数中的焦距，c_x和c_y为所述采集设备的相机坐标点的坐标点坐标，S为所述采集设备的倾斜因子。
在一个可选的实施方式中，所述从所述N个角点中提取每个角点对应的角点坐标包括：
对所述N个角点进行非极大值抑制，以确定所述N个角点中的M个候选角点，其中M小于等于N；
遍历所述M个候选角点，利用图像处理算法或计算机视觉库提取所述M个候选角点中每个所述候选节点的坐标信息，以得到所述角点坐标。
在一个可选的实施方式中，所述根据所述角点坐标及所述图像点坐标估算目标参数矩阵包括：
获取所述采集设备采集的多个历史标定板图像，并确定每个所述历史标定板图像对应的历史角点坐标、历史图像点坐标及历史参数矩阵；
基于所述历史角点坐标、所述历史图像点坐标及所述历史参数矩阵预先训练一个目标估算模型；
将所述角点坐标及所述图像点坐标输入至训练完成的所述目标估算模型中，以输出所述目标参数矩阵。
在一个可选的实施方式中，在所述对所述第一标定板图像进行角点检测之前，所述方法还包括：
对所述第一标定图像进行图像增强，以提高所述第一标定板图像的清晰度和对比度，具体包括：
利用高斯函数对所述第一标定板图像中的邻阈像素进行加权平均，以得到平滑标定板图像；
将所述平滑标定板图像转换成灰度图像，并确定所述灰度图像的均值灰度值和原始灰度值；
根据所述均值灰度值和所述原始灰度值对所述平滑标定板图像进行滤波处理。
本申请第二方面提供一种标定数据验证装置，所述装置包括：
采集模块，用于当接收到采集指令时，根据所述采集指令采集标定板的第一标定板图像；
检测模块，用于对所述第一标定板图像进行角点检测，以得到N个角点，其中N为大于等于4的整数；
提取模块，用于从所述N个角点中提取每个角点对应的角点坐标；
第一确定模块，用于确定所述角点坐标对应的图像点坐标，并根据所述角点坐标及所述图像点坐标估算目标参数矩阵，将所述目标参数矩阵确定为标定完成的标定数据；
第二确定模块，用于基于所述标定数据采集第二标定板图像，并确定所述第二标定板图像对应的实际测量值；
验证模块，用于根据所述实际测量值和预期测量值验证所述标定数据是否满足测量需求。
本申请第三方面提供一种采集设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述标定数据验证方法的步骤。
本申请第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述标定数据验证方法的步骤。
综上所述，本申请提供的标定数据验证方法、装置、采集设备及计算机存储介质，通过在接收到采集指令时，采集标定板的第一标定板图像，对第一标定板图像进行角点检测，以得到N个角点，从N个角点中提取每个角点对应的角点坐标，并确定角点坐标对应的图像点坐标，并根据角点坐标及图像点坐标估算目标参数矩阵，使得到的标定数据精度和准确性较高，并且利用目标参数矩阵对采集设备进行标定，基于标定后的采集设备采集第二标定板图像，并确定第二标定板图像对应的实际测量值，通过计算实际测量值和预期测量值之间偏差来验证标定数据是否准确，提高标定数据验证的可靠性和准确性。
附图说明
图1是本申请实施例示出的标定数据验证方法的流程图；
图2是本申请实施例示出的第一标定图像的图像展示图；
图3是本申请实施例示出的第一标定图像中的角点的图像展示图；
图4是本申请实施例示出的标定数据验证装置的功能模块图；
图5是本申请实施例示出的采集设备的结构示意图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式，除非其上下文中明确地有相反指示。还应当理解，本申请中使用的术语“及/或”是指包含一个或多个所列出项目的任何或所有可能组合。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
现有技术1中，可以利用已知尺寸的标定板，通过测量标定板上的参考点之间的距离，并与标定结果进行比较，以判断标定结果与实际尺寸是否相符合。当确定标定结果与实际尺寸(及标定板的已知尺寸)相符合时，可以确定标定数据准确。其中，当标定板为圆点标定板时，参考点为圆点标定板上的圆心；当标定板为棋盘格标定板时，参考点为棋盘格标定板上的方格中心。利用基于生成点生成的矩阵计算得到标定结果，可以包括，但不限于：X/Y比例系数、角度偏差等。该标定数据验证方法需要提前准备具有已知尺寸的标定板，且在验证过程中需要准确测量标定板上的参考点之间的距离，容易测量不准确而导致标定结果不准确。
现有技术2中，通过验证标定板图像的平面对齐性来验证标定数据是否准确。具体的，在标定板上任意选择四个参考点，但需要保证该四个参考点在同一平面上，进一步利用标定结果计算该四个参考点的共面方程，并与测量得到的实际平面进行比较。当确定根据共面方程确定的平面与实际平面吻合，说明标定结果准确。该标定数据验证方法需要确保参考点必须在同一个平面上，对于非同一个平面的参考点的标定对象并不适用。
现有技术3中，使用标定完成的采集设备的内参数和外参数将标定板图像的角点进行重投影，进一步与采集设备重新采集的实际图像中的角点进行比较。通过计算角点之间的误差来评估标定数据的准确性，较小的重投影误差表明准确的标定结果。该标定数据验证方法依赖与采集设备的内参数和外参数的准确性，并且会受到采集设备所采集的图像畸变等因素的影响。
现有技术4中，通过进行多次标定，使用相同的标定板和采集设备的参数设置，通过取多次标定结果的平均值。通过比较多次标定结果之间的一致性来评估标定数据的准确性。该标定数据验证方法需要花费更多的时间和数据进行多次标定，并且需要保证多次标定的标定条件(例如，相同的标定板、相同的采集设备参数等)一致。
参照图1所示，为本申请实施例示出的标定数据验证方法的流程图，所述标定数据验证方法包括以下步骤。
S11，当接收到采集指令时，根据所述采集指令采集标定板的第一标定板图像。
其中，第一标定板图像是指利用采集设备采集的包括标定板的标定板图像。当接收到用户输入的采集指令时，根据所述采集指令采集第一标定板图像，参照图2所示。所述采集指令可以携带用于采集标定板图像的采集设备参数，例如，焦距、曝光时间等。用户可以通过采集设备的快门键、屏幕触摸或其他控制方式进行采集指令的输入。
在一些实施例中，可以预先选择合适的采集设备(例如，相机、摄影机等)。其中，采集设备的选择根据标定板的尺寸、拍摄距离(拍摄距离是指相机与被拍摄物体之间的实际距离)和需求精度等因素而确定。例如，标定板的产品尺寸为40mm，500万相机像素2592×1944像素(pix)，则选择500万像素相机作为采集设备，像素精度为40/2592＝0.0154mm/pix。其次，在利用采集设备采集标定板图像时，需要确保采集区域具有稳定的光源，并根据采集需求进行光源亮度和色温的调整。例如，针对采集区域存在光线不充足或者没有光线的情况，及时调整光源亮度。并确保拍摄物体的内容(例如，材质、颜色和尺寸等)。例如，可以通过采集设备的分辨率和镜头精度与物体背景来选择物体的颜色、材质和尺寸，有助于调整采集设备的位置和参数(例如，曝光时间、灰度系数(Gamma)和增益等)。
通过上述可选的实施方式，有效避免了标定结果会受到环境变化(例如，光照条件等)的影响而导致标定结果的偏差或不准确的问题。
S12，对所述第一标定板图像进行角点检测，以得到N个角点。
由于角点过少的话，无法根据角点对应的角点坐标生成参数矩阵，无法进行运算，因此N为大于等于4的整数。
其中，角点是标定板上的特征点，在图像上是一种很容易被识别和精确定位的特征，通常表现为方块交叉点和圆型中心点。由于采集设备的标定数据采集中用到的标定板大多为棋盘格和圆阵列。棋盘格标定板和圆阵列标定板上的特征点是角点。如果是棋盘格标定板，角点则是小方格的交叉点；如果是圆阵列标定板，角点则是圆点的中心。
在一些实施例中，可以利用角点检测算法(例如，Harris角点检测、Shi-Tomasi角点检测等)对第一标定板图像进行角点检测。通过角点检测算法检测各个方向上的移动窗口，如果在所有方向上移动，移动窗口内的灰度都发生变化，则认为是角点；如果任何方向都不发生变化，则认为是均匀区域；如果灰度只在一个方向上发生变化，则认为是图像边缘。
在本实施例中，当利用Harris角点检测算法对第一标定板图像进行角点检测时，预先取以目标像素点为中心的一个移动窗口，计算移动窗口沿任何方向移动后的灰度变化。假设以像素点(x,y)为中心的移动窗口在X方向移动u，在Y方向移动v，即移动窗口的移动变量为(u,v)，通过如下公式，确定第一标定板图像的灰度变化度量E(u,v)：
其中，w(x,y)表示移动窗口的窗口函数，一般定义为I为所述第一标定板图像的图像灰度函数，则I(x+u,y+v)为像素点(x,y)周围像素的灰度值强度，I(x,y)为像素点(x,y)的灰度值强度，范围为0至255。
w(x,y)表示限定某一个移动窗口的像素点为1其余为0，其本质是各个方向移动窗口来确定其对应位置灰度值的差异。其中，(x,y)用来表示方向向量，例如(1，0)、(1，1)和(0，1)分别表示水平方向，45°方向和竖直方向，用于表示窗口的移动。但是该方法容易导致在方向(x,y)的选择时导致各个方向不同的能量惩罚，其次对边界太敏感，容易导致误检测。
根据泰勒级数计算一阶到N阶的偏导数，即可以灰度变化度量E(u,v)转换为一个Harris矩阵M：
其中，M是一个实对称矩阵，w(x，y)＝1，Ix为所述标定板图像中每个像素点X方向的灰度值强度，Iy为所述标定板图像中每个像素点Y方向的灰度值强度。
进一步根据Harris矩阵计算矩阵特征值。在判断角点时，无需具体计算矩阵M的矩阵特征值，使用如下公式即可近似确定Harris角点响应值R：
R＝detM-k(trace M)2
detM＝λ1λ2＝AC-B
trace M＝λ1+λ2＝A+C
其中，R为所述角点响应值，detM为矩阵M的行列式，trace M为矩阵M的迹，k为系数值。系数值k对角点检测的存在影响，当增大k的值，将减少角点响应值R，减少被检测角点的数量，当减少k的值，将增大角点响应值R，增加被检测角点的数据，因此k的取值通常取值0.04至0.06之间。
因此，可以根据角点响应值确定第一标定图像中存在的N个角点，参照图3所示。从图中可以看出第一标定图像中的每个圆型中心点的原点中心即为通过角点检测算法检测得到的角点。
在一个可选的实施方式中，在所述对所述第一标定板图像进行角点检测之前，所述方法还包括：
对所述第一标定图像进行图像增强，以提高所述第一标定板图像的清晰度和对比度，具体包括：
利用高斯函数对所述第一标定板图像中的邻阈像素进行加权平均，以得到平滑标定板图像；
将所述平滑标定板图像转换成灰度图像，并确定所述灰度图像的均值灰度值和原始灰度值；
根据所述均值灰度值和所述原始灰度值对所述平滑标定板图像进行滤波处理。
在一些实施例中，通过图像处理技术对第一标定板图像进行图像增强，以提高第一标定板图像的清晰度和对比度，并降低噪声干扰。常用的图像中增强技术可以包括，但不限于：去噪、增强对比度、锐化等。
首先可以利用高斯滤波算法中的高斯函数对邻域像素进行加权平均，使得离中心像素越近的像素权重越大，离中心像素越远的像素权重越小，从而达到平滑图像的目的。
对于一个大小为N×M的图像，设中点像素位置为(x，y)，领域矩阵的大小为s×t，则中心像素的高斯滤波值f(x，y)为领域内所有像素的加权平均值。
其中，通过如下公式确定所述高斯滤波值f(x，y)：
其中，z(i,j)为邻域内(i,j)位置的像素值，k(i,j)为对应像素的权值，K为权值的归一化因子。
其中，通过如下公式，确定所述归一化因子K：
根据高斯分布函数，通过如下公式，确定所述权值k(i,j)：
其中，σ表示高斯分布的标准差，决定了高斯滤波器中心周围像素的权重分布。σ越大，中心周围的像素权重越均匀，滤波效果越弱；σ越小，中心周围的像素权重越大，滤波效果越强。
利用高斯滤波对第一标定板图像进行图像平滑，将图像平滑后的第一标定板图像称为平滑标定板图像。进一步，将所述平滑标定板图像转换成灰度图像，并确定灰度图像的均值灰度值和原始灰度值。其中，可以利用图像处理库(例如，OpenCV)来读取灰度图像和处理图像像素值。首先确保灰度图像中每个图像像素有且仅有一个灰度值，称为原始灰度值。对灰度图像中的所有图像像素的原始灰度值求平均，以得到均值灰度值。均值灰度值＝(∑原始灰度值)/图像像素个数。例如，灰度图像为3×3图像像素的，每个图像像素的原始灰度值为均值灰度值＝(50+120+80+90+30+60+40+70+110)/9＝74.44。
进一步，利用低通滤波器对灰度图像进行图像平滑。根据原始灰度值和均值灰度值计算利用低通滤波器处理后的灰度图像的目标灰度值，在一些实施例中，可以通过Matlab软件程序和以下源代码确定目标灰度值res：
div＝sqrt(mean_image**2+var_image**2)
res＝(orig-mean_image)*Factor/div+orig
其中，div为所述平滑标定板图像的标准差，mean_image为所述均值灰度值，orig为所述原始灰度值，var_image为所述平滑标定板图像的方差，Factor是一个标量，用于控制低通滤波器增强的强度，res为所述目标灰度值。
通过上述可选的实施方式，利用图像增强技术对第一标定图像进行图像增强，可以避免图像中可能存在噪声、光照变化等干扰而导致标后续定板图像角点检测不准确，进而影响标定结果的准确性的问题。
S13，从所述N个角点中提取每个角点对应的角点坐标。
通过利用角点检测算法对第一标定图像进行角点得到角点检测结果后可以基于角点检测结果，从第一标定图像中提取N个角点中每个角点对应的角点坐标。
在一个可选的实施方式中，所述从所述N个角点中提取每个角点对应的角点坐标包括：
对所述N个角点进行非极大值抑制，以确定所述N个角点中的M个候选角点，其中M小于等于N；
遍历所述M个候选角点，利用图像处理算法或计算机视觉库提取所述M个候选角点中每个所述候选节点的坐标信息，以得到所述角点坐标。
在一些实施例中，非极大值抑制是指针对相邻区域的多个角点，有且仅有选择具有最大角点响应值的一个角点作为候选角点，以避免冗余角点。优先，根据步骤S12中计算得到的角点响应值进行从高到低排序，从具有最高角点响应值的角点开始，将符合的角点添加在最终的角点列表中，角点列表中的角点即候选角点。对于保留的M个候选角点，通过图像处理算法或计算机视觉库(例如，Python的OpenCV库)提取每个候选角点的坐标信息，以得到角点坐标，通常包括获取角点的(x，y)坐标。
在其他实施例中，可以预先设置一个阈值，用于从N个角点中筛选具有足够显著点的M个角点，即保留角点响应值超过阈值的图像像素点作为角点。其中，可以根据局部图像特征动态的调整阈值，以适应不同区域的灰度变化。还可以通过分析角点响应值的分布情况，选择具有一定百分比的高角点响应值对应的图像像素作为候选节点。
通过上述可选的实施方式，非极大值抑制可以减少冗余的角点检测，确保保留图像中最显著的角点，使得后续处理更加精确和高效。其次，通过在进行角点检测后进行非极大值抑制，可以增强算法对噪声和变化的鲁棒性，从而提高了角点检测的稳定性。
S14，确定所述角点坐标对应的图像点坐标，并根据所述角点坐标及所述图像点坐标估算目标参数矩阵，将所述目标参数矩阵确定为标定完成的标定数据。
在根据角点坐标确定其对应的图像点坐标时，需要将标定板的坐标系与采集设备的坐标系建立联系。为方便理解，将标定板的坐标系称为第一坐标系，将采集设备的坐标系称为第二坐标系。在一些实施例中，可以利用一个已知几何结构的标定板(例如，棋盘格标定板)。标定板上的方格与角点之间的间距是预先测量并记录在采集设备中的。将提取到的角点坐标与实际世界坐标系进行匹配，由于标定板上的方格与角点之间的间距是已知的，可以将其映射到实际世界坐标系中，以此建立第一坐标系和第二坐标系的联系。确定在第一坐标系下的每个角点坐标的角点坐标在第二坐标系下对应的齐次坐标，为方便了解，从N个角点坐标中任意选择一个角点坐标作为目标角点坐标，以确定目标角点坐标对应的齐次坐标。通过确定采集设备的初始参数矩阵，包括内参数矩阵、外参数矩阵和位移向量，根据内参数矩阵、外参数矩阵和位移向量将目标角点坐标对应的齐次坐标进行投影到第二坐标系上，以得到对应的图像点坐标。
具体的，在采集设备标定中，可以使用齐次坐标来表示角点坐标和角点坐标对应的图像点坐标。假设在第一坐标系上存在一个目标角点坐标P，其在第二坐标系上的齐次坐标为[X,Y,Z,1]T，对应的在第一标定板图像上图像点坐标的齐次坐标为[u,v,1]T。
通过如下公式，确定所述图像点坐标[u,v,1]T：
s*[u,v,1]T＝K*[R|t]*[X,Y,Z,1]T
其中，[u,v,1]T为所述图像点坐标，[X,Y,Z,1]T为所述齐次坐标，s为尺度因子，K为所述初始参数矩阵中的内参数矩阵，R为所述初始参数矩阵中的外参数矩阵，t为所述初始参数矩阵中的平移向量。外参数矩阵R和平移向量t描述了采集设备的旋转和平移关系，R是一个3×3的旋转矩阵，t是一个3×1的平移向量。
其中，K是一个3×3的矩阵，f_x和f_y为所述采集设备的内参数中的焦距，c_x和c_y为所述采集设备的相机坐标点的坐标点坐标，S为所述采集设备的倾斜因子。
当确定角点坐标及角点坐标对应的图像点坐标后，可以根据角点坐标和图像点坐标估算采集设备的目标参数矩阵。
具体的，可以预先获取采集设备采集的多个历史标定板图像，并确定历史标定板图像中对应的历史角点坐标、历史图像点坐标和历史参数矩阵。可以进一步对历史角点坐标、历史图像点坐标和历史参数矩阵进行预处理，将预处理后的历史角点坐标、历史图像点坐标和历史参数矩阵作为目标训练样本。基于神经网络模型(例如，循环神经网络(Recurrent Neural Network，RNN)、人工神经网络(Artificial Neural Network，ANN)等)构建初始估算模型。将目标训练样本输入初始估算模型中，以得到每个目标训练样本对应的估算结果。基于估算结果和历史参数矩阵之间的差异调整初始估算模型的损失函数，基于调整后的损失函数迭代训练，直至满足迭代训练结束条件为止。迭代训练结束条件可以是预先设置的迭代训练次数阈值，也可以是损失函数不再发生大的变化，即损失函数趋近收敛。将满足迭代训练结束条件的初始估算模型确定为训练完成的目标估算模型。将角点坐标和图像点坐标输入至目标估算模型中，以输出角点坐标和图像点坐标对应的目标参数矩阵，将估算得到的目标参数矩阵确定为用于标定采集设备的标定数据。
在其他实施例中，还可以最小二乘法或其他优化方法，估计出采集设备的目标参数矩阵，即内参数矩阵K、外参数矩阵R和平移向量t。具体的，可以使用列文伯格-马夸尔特(Levenberg-Marquardt)算法进行非线性最小二乘优化，将采集设备的标定问题定义为最小二乘优化问题，将需要优化的采集设备的参数矩阵进行参数化。一般地，内参数矩阵K、外参数矩阵R和平移向量t被参数化为一个优化变量，例如使用外参数矩阵的旋转向量形式。使用选择的优化算法运行参数估计，即迭代更新采集设备参数，使得目标函数最小化。从优化过程中获取最优的采集设备参数，包括内参数矩阵K、外参数矩阵R和平移向量t。
进一步，利用采集设备的标定工具(例如OpenCV中的calibrateCamera函数)基于标定数据对应采集设备进行标定。
S15，基于所述标定数据采集第二标定板图像，并确定所述第二标定板图像对应的实际测量值。
标定完成后，可以利用标定完成的采集设备采集第二标定板图像，并确定第二标定板图像的实际测量值，可以包括标定板的现实坐标或现实尺寸。例如，一个方格在第二标定板图像中进行测量的得到的长度为1cm。
S16，根据所述实际测量值和预期测量值验证所述标定数据是否满足测量需求。
其中，预期测量值是指预先在采集设备标定或第二标定板图像测量前预先知道或设定的值。通过将实际测量值和预期测量值进行比较，以判断实际测量值和预期测量值之间是否存在测量误差，以验证标定数据是否满足测量需求。例如，长宽为1cm的方格在相机图像内通过MSR测量得到的长宽为0.9cm，方格已知尺寸1cm即为预先设置的预期测量值，但是实际测量值为0.9cm，代表实际测量值与预期测量值之间存在误差。进一步判断误差是否在可允许范围内，当确定误差在可允许范围内，可以确定标定数据满足测量需求；当确定误差不再可允许范围内，可以确定标定数据不满足测量需求。
在一个可选的实施方式中，所述根据所述实际测量值和预期测量值验证所述标定数据是否满足测量需求包括：
计算所述实际测量值与所述预期测量的MSR；
判断所述MSR是否大于预设偏差阈值；
当所述MSR大于所述预设偏差阈值时，确定所述标定数据不满足所述测量需求，检测所述角点坐标及所述图像点坐标是否存在异常；
当所述MSR不大于所述预设偏差阈值时，确定标定数据满足所述测量需求，利用所述标定数据将所述第二标定板图像进行映射。
在一些实施例中，可以基于单一图像的测量(Measurements from Single Image，MSR)来验证标定数据是否满足测量需求，即验证标定数据是否准确。其中，MSR是一种有助于量化图像测量准确性的工具，广泛应用于计算机视觉、图像处理和计算机图形学等领域。
通过获取实际测量值(例如，角度、夹角、X比例系数、Y比例系数、纵横比等)，对于每个实际测量值，计算与其对应的预期测量值之间的测量值偏差，具体的，通过计算实际测量值与预期测量值之间的差值来确定测量值偏差。例如，假设实际测量值为x，预期测量值为x_expected，则测量值偏差为delta_x＝x-x_expected。对于每个测量值偏差，计算其平方。平方是为了忽略正负号，转化成非负数，方便后续计算。进一步对所有测量值偏差的平方值进行求和，得到测量值总和。将测量值总和除以实际测量值对应的测量次数，得到测量值均值。对测量值均值进行开平方运算，得到MSR。MSR表示了实际测量值与预期测量值之间的平均偏差的大小。
具体的，对于一组i个实际测量值X＝[x1，x2，···，xn]和对应的预期值Y＝[y1，y2，···，yn]，可以通过以下公式，确定MSR：
MSR＝sqrt(sum(X-Y)^2/i)
其中，^2表示对每个实际测量值进行平方，sum表示求和，sqrt表示开方，i表示数据集中实际测量值的个数。
可以看出，MSR实际上是实际测量值与预期测量值之间平方根的平均值。在一些实施例中，可以预先设置一个偏差阈值，将MSR与预设偏差阈值进行比较，当MSR小于预设偏差阈值时，意味着实际测量值与预期测量值之间的偏差较小；当MSR大于预设偏差阈值时，意味着实际测量值与预期测量值之间的偏差较大。当MSR大于预设偏差阈值时，确定标定数据不满足测量需求，也就是标定数据准确，进一步检测角点坐标及图像点坐标是否存在异常，例如，检测角点坐标和图像点坐标是否输入错误等。当MSR不大于预设偏差阈值时，确定标定数据满足测量需求，也就是说标定数据准确，进一步利用标定数据将第二标定板图像进行映射。例如点映射、值映射、图像映射等。
通过上述可选的实施方式，通过计算MSR，可以了解实际测量值与预期测量值之间的差异程度，从而评估标定结果的准确性，无需人工参与实际测量值的测量，无需考虑四个参考点在同一平面上，无需依赖与采集设备的内参数和外参数的准确性，无需进行多次标定等，本申请只需通过件MSR来验证标定结果是否准确，简单方便，并不需要考虑其他因素的影响，提高标定数据的准确性和差异性，并提升用户体验。
参照图4所示，为本申请实施例示出的标定数据验证装置的功能模块图。
在一些实施例中，所述标定数据验证装置40可以包括多个由计算机程序段所组成的功能模块。所述标定数据验证装置40的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)标定数据验证的功能。
本实施例中，所述标定数据验证装置40根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：采集模块401、检测模块402、提取模块403、第一确定模块404、第二确定模块405、验证模块406及图像增强模块407。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述采集模块401，用于当接收到采集指令时，根据所述采集指令采集标定板的第一标定板图像。
所述检测模块402，用于对所述第一标定板图像进行角点检测，以得到N个角点，其中N为大于等于4的整数。
所述提取模块403，用于从所述N个角点中提取每个角点对应的角点坐标。
所述提取模块403，还具体用于：
对所述N个角点进行非极大值抑制，以确定所述N个角点中的M个候选角点，其中M小于等于N；
遍历所述M个候选角点，利用图像处理算法或计算机视觉库提取所述M个候选角点中每个所述候选节点的坐标信息，以得到所述角点坐标。
所述第一确定模块404，用于确定所述角点坐标对应的图像点坐标，并根据所述角点坐标及所述图像点坐标估算目标参数矩阵，将所述目标参数矩阵确定为标定完成的标定数据。
所述第一确定模块404，还具体用于：
将所述标定板的第一坐标系与采集设备的第二坐标系建立联系；
确定所述第一坐标系下的目标角点坐标在所述第二坐标系下的齐次坐标，其中所述目标角点坐标为N个所述角点坐标中的任意一个角点坐标；
利用所述采集设备的初始参数矩阵将所述齐次坐标进行投影，以得到所述图像点坐标。
所述第一确定模块404，还具体用于：
通过如下公式，确定所述图像点坐标：
s*[u,v,1]T＝K*[R|t]*[X,Y,Z,1]T
其中，[u,v,1]T为所述图像点坐标，[X,Y,Z,1]T为所述齐次坐标，s为尺度因子，K为所述初始参数矩阵中的内参数矩阵，R为所述初始参数矩阵中的外参数矩阵，t为所述初始参数矩阵中的平移向量；
其中，f_x和f_y为所述采集设备的内参数中的焦距，c_x和c_y为所述采集设备的相机坐标点的坐标点坐标，S为所述采集设备的倾斜因子。
所述第一确定模块404，还具体用于：
获取所述采集设备采集的多个历史标定板图像，并确定每个所述历史标定板图像对应的历史角点坐标、历史图像点坐标及历史参数矩阵；
基于所述历史角点坐标、所述历史图像点坐标及所述历史参数矩阵预先训练一个目标估算模型；
将所述角点坐标及所述图像点坐标输入至训练完成的所述目标估算模型中，以输出所述目标参数矩阵。
所述第二确定模块405，用于基于所述标定数据采集第二标定板图像，并确定所述第二标定板图像对应的实际测量值。
所述验证模块406，用于根据所述实际测量值和预期测量值验证所述标定数据是否满足测量需求。
所述验证模块406，还具体用于：计算所述实际测量值与所述预期测量的MSR；
判断所述MSR是否大于预设偏差阈值；
当所述MSR大于所述预设偏差阈值时，确定所述标定数据不满足所述测量需求，检测所述角点坐标及所述图像点坐标是否存在异常；
当所述MSR不大于所述预设偏差阈值时，确定标定数据满足所述测量需求，利用所述标定数据将所述第二标定板图像进行映射。
所述图像增强模块407，用于：
对所述第一标定图像进行图像增强，以提高所述第一标定板图像的清晰度和对比度，具体包括：
利用高斯函数对所述第一标定板图像中的邻阈像素进行加权平均，以得到平滑标定板图像；
将所述平滑标定板图像转换成灰度图像，并确定所述灰度图像的均值灰度值和原始灰度值；
根据所述均值灰度值和所述原始灰度值对所述平滑标定板图像进行滤波处理。
应当理解的是，上述实施例提供的标定数据验证方法中的各种变化方式和具体实施例同样适用于本实施例的标定数据验证系统，通过前述对标定数据验证方法的详细描述，本领域技术人员可以清楚的知道本实施例中的标定数据验证系统的实施方法，为了说明书的简洁，在此不再详述。
参阅图5所示，为本申请实施例示出的采集设备的结构示意图。在本申请较佳实施例中，所述采集设备5包括存储器51、至少一个处理器52及至少一条通信总线53。
本领域技术人员应该了解，图5示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述采集设备5还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述采集设备5是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
需要说明的是，所述采集设备5仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器51中存储有计算机程序，所述计算机程序被所述至少一个处理器52执行时实现如上述的标定数据验证方法中的全部或者部分步骤。所述存储器51包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在一些实施例中，所述至少一个处理器52是所述采集设备5的控制核心(ControlUnit)，利用各种接口和线路连接整个采集设备5的各个部件，通过运行或执行存储在所述存储器51内的程序或者模块，以及调用存储在所述存储器51内的数据，以执行采集设备5的各种功能和处理数据。例如，所述至少一个处理器52执行所述存储器中存储的计算机程序时实现本申请实施例中上述的标定数据验证方法的全部或者部分步骤；或者实现标定数据验证装置的全部或者部分功能。
在一些实施例中，所述至少一条通信总线53被设置为实现所述存储器51以及所述至少一个处理器52等之间的连接通信。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种标定数据验证方法，其特征在于，所述方法包括：
当接收到采集指令时，根据所述采集指令采集标定板的第一标定板图像；
对所述第一标定板图像进行角点检测，以得到N个角点，其中N为大于等于4的整数；
从所述N个角点中提取每个角点对应的角点坐标；
确定所述角点坐标对应的图像点坐标，并根据所述角点坐标及所述图像点坐标估算目标参数矩阵，将所述目标参数矩阵确定为标定完成的标定数据；
基于所述标定数据采集第二标定板图像，并确定所述第二标定板图像对应的实际测量值；
根据所述实际测量值和预期测量值验证所述标定数据是否满足测量需求。
2.根据权利要求1所述的标定数据验证方法，其特征在于，所述根据所述实际测量值和预期测量值验证所述标定数据是否满足测量需求包括：
计算所述实际测量值与所述预期测量的MSR；
判断所述MSR是否大于预设偏差阈值；
当所述MSR大于所述预设偏差阈值时，确定所述标定数据不满足所述测量需求，检测所述角点坐标及所述图像点坐标是否存在异常；
当所述MSR不大于所述预设偏差阈值时，确定标定数据满足所述测量需求，利用所述标定数据将所述第二标定板图像进行映射。
3.根据权利要求1所述的标定数据验证方法，其特征在于，所述确定所述角点坐标对应的图像点坐标包括：
将所述标定板的第一坐标系与采集设备的第二坐标系建立联系；
确定所述第一坐标系下的目标角点坐标在所述第二坐标系下的齐次坐标，其中所述目标角点坐标为N个所述角点坐标中的任意一个角点坐标；
利用所述采集设备的初始参数矩阵将所述齐次坐标进行投影，以得到所述图像点坐标。
4.根据权利要求3所述的标定数据验证方法，其特征在于，所述利用所述采集设备的初始参数矩阵将所述齐次坐标进行投影，以得到所述图像点坐标包括：
通过如下公式，确定所述图像点坐标：
s*[u,v,1]T＝K*[R|t]*[X,Y,Z,1]T
其中，[u,v,1]T为所述图像点坐标，[X,Y,Z,1]T为所述齐次坐标，s为尺度因子，K为所述初始参数矩阵中的内参数矩阵，R为所述初始参数矩阵中的外参数矩阵，t为所述初始参数矩阵中的平移向量；
其中，f_x和f_y为所述采集设备的内参数中的焦距，c_x和c_y为所述采集设备的相机坐标点的坐标点坐标，S为所述采集设备的倾斜因子。
5.根据权利要求1所述的标定数据验证方法，其特征在于，所述从所述N个角点中提取每个角点对应的角点坐标包括：
对所述N个角点进行非极大值抑制，以确定所述N个角点中的M个候选角点，其中M小于等于N；
遍历所述M个候选角点，利用图像处理算法或计算机视觉库提取所述M个候选角点中每个所述候选节点的坐标信息，以得到所述角点坐标。
6.根据权利要求1所述的标定数据验证方法，其特征在于，所述根据所述角点坐标及所述图像点坐标估算目标参数矩阵包括：
获取所述采集设备采集的多个历史标定板图像，并确定每个所述历史标定板图像对应的历史角点坐标、历史图像点坐标及历史参数矩阵；
基于所述历史角点坐标、所述历史图像点坐标及所述历史参数矩阵预先训练一个目标估算模型；
将所述角点坐标及所述图像点坐标输入至训练完成的所述目标估算模型中，以输出所述目标参数矩阵。
7.根据权利要求1至6个任意一项所述的标定数据验证方法，其特征在于，在所述对所述第一标定板图像进行角点检测之前，所述方法还包括：
对所述第一标定图像进行图像增强，以提高所述第一标定板图像的清晰度和对比度，具体包括：
利用高斯函数对所述第一标定板图像中的邻阈像素进行加权平均，以得到平滑标定板图像；
将所述平滑标定板图像转换成灰度图像，并确定所述灰度图像的均值灰度值和原始灰度值；
根据所述均值灰度值和所述原始灰度值对所述平滑标定板图像进行滤波处理。
8.一种标定数据验证装置，其特征在于，所述装置包括：
采集模块，用于当接收到采集指令时，根据所述采集指令采集标定板的第一标定板图像；
检测模块，用于对所述第一标定板图像进行角点检测，以得到N个角点，其中N为大于等于4的整数；
提取模块，用于从所述N个角点中提取每个角点对应的角点坐标；
第一确定模块，用于确定所述角点坐标对应的图像点坐标，并根据所述角点坐标及所述图像点坐标估算目标参数矩阵，将所述目标参数矩阵确定为标定完成的标定数据；
第二确定模块，用于基于所述标定数据采集第二标定板图像，并确定所述第二标定板图像对应的实际测量值；
验证模块，用于根据所述实际测量值和预期测量值验证所述标定数据是否满足测量需求。
9.一种采集设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的标定数据验证方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的标定数据验证方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124360.6A CN117974804A (zh) | 2024-01-29 | 2024-01-29 | 标定数据验证方法、装置、采集设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124360.6A CN117974804A (zh) | 2024-01-29 | 2024-01-29 | 标定数据验证方法、装置、采集设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117974804A true CN117974804A (zh) | 2024-05-03 |
Family
ID=90862342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410124360.6A Pending CN117974804A (zh) | 2024-01-29 | 2024-01-29 | 标定数据验证方法、装置、采集设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117974804A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118368408A (zh) * | 2024-06-20 | 2024-07-19 | 浙江深象智能科技有限公司 | 图像采集设备的检测方法、设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066135A (zh) * | 2021-04-26 | 2021-07-02 | 深圳市商汤科技有限公司 | 图像采集设备的标定方法及装置、电子设备和存储介质 |
| CN113393533A (zh) * | 2021-06-11 | 2021-09-14 | 深圳锐视智芯科技有限公司 | Dvs相机标定方法、装置及计算机存储介质 |
| CN114387353A (zh) * | 2022-01-17 | 2022-04-22 | 上海术之道医疗科技有限公司 | 一种相机标定方法、标定装置及计算机可读存储介质 |
| CN117456007A (zh) * | 2023-10-16 | 2024-01-26 | 清华大学苏州汽车研究院（吴江） | 激光雷达与相机联合标定方法、装置、设备及存储介质 |
-
2024
- 2024-01-29 CN CN202410124360.6A patent/CN117974804A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066135A (zh) * | 2021-04-26 | 2021-07-02 | 深圳市商汤科技有限公司 | 图像采集设备的标定方法及装置、电子设备和存储介质 |
| CN113393533A (zh) * | 2021-06-11 | 2021-09-14 | 深圳锐视智芯科技有限公司 | Dvs相机标定方法、装置及计算机存储介质 |
| CN114387353A (zh) * | 2022-01-17 | 2022-04-22 | 上海术之道医疗科技有限公司 | 一种相机标定方法、标定装置及计算机可读存储介质 |
| CN117456007A (zh) * | 2023-10-16 | 2024-01-26 | 清华大学苏州汽车研究院（吴江） | 激光雷达与相机联合标定方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 郭政业等: "运用投影反馈的神经网络摄像机标定", 计算机应用研究, vol. 32, no. 10, 31 October 2015 (2015-10-31) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118368408A (zh) * | 2024-06-20 | 2024-07-19 | 浙江深象智能科技有限公司 | 图像采集设备的检测方法、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
| CN110553665B (zh) | 激光测距器光轴偏差自动测量装置及测量方法 | |
| CN106408609B (zh) | 一种基于双目视觉的并联机构末端运动位姿检测方法 | |
| US6504957B2 (en) | Method and apparatus for image registration | |
| EP3033875B1 (en) | Image processing apparatus, image processing system, image processing method, and computer program | |
| CN102567724B (zh) | 图像校正系统及方法 | |
| US10902640B2 (en) | Method for identification of characteristic points of a calibration pattern within a set of candidate points derived from an image of the calibration pattern | |
| CN102750697A (zh) | 一种参数标定方法及装置 | |
| JP2012042396A (ja) | 位置姿勢計測装置、位置姿勢計測方法、およびプログラム | |
| CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
| JP2023534175A (ja) | Ｌｆａ試験片のニューラル・ネットワーク分析 | |
| TWI468658B (zh) | 鏡頭檢測裝置及方法 | |
| CN113407030B (zh) | 视觉定位方法及相关装置、设备和存储介质 | |
| CN117974804A (zh) | 标定数据验证方法、装置、采集设备及计算机存储介质 | |
| CN114005108A (zh) | 一种基于坐标变换的指针式仪表度数识别方法 | |
| CN115512343A (zh) | 一种圆形指针式仪表校正和读数识别方法 | |
| CN118447456B (zh) | 大数据机房监控方法、装置、设备及存储介质 | |
| CN113749646A (zh) | 基于单目视觉的人体身高测量方法、装置及电子设备 | |
| CN118710726A (zh) | 一种线激光光条中心定位方法 | |
| CN111598097A (zh) | 一种基于机器人视觉的仪表位置、读数识别方法和系统 | |
| CN116819561A (zh) | 一种点云数据匹配方法、系统、电子设备及存储介质 | |
| CN114170319A (zh) | 测试标板的调整方法及装置 | |
| CN114820376A (zh) | 条带噪声的融合校正方法、装置、电子设备及存储介质 | |
| CN112163578A (zh) | 提高ocr识别率的方法和系统 | |
| CN117115488B (zh) | 一种基于图像处理的水表检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |