专利名称：一种基于多维特征的相机标定误差补偿方法
技术领域：
本发明属于图像处理领域，具体涉及一种基于多维特征的相机标定误差补偿方法。
背景技术：
相机标定是机器视觉中的重要问题之一。对于针孔模型相机，标定过程主要是求解相机内参数(Intrinsicparameters)与外参数(Extrinsicparameters)。通过这内、夕卜参数求解目标像素坐标(图像坐标系)到场景坐标(世界坐标系)变换。标定过程可以采用直接线性法、Tsai法、张正友法等。但无论采用哪种标定方法，由于镜头径向畸变、倾斜几何变形、现场环境变化，使得实际计算出的目标坐标与理想坐标之间存在误差。修正相机标定误差的质量，不仅直接影响坐标变化的精确性，而且间接影响后续高层图像理解的准确性。对于相机标定误差的补偿方法国内外已有较多的研究。Bukhari等人利用铅垂线方法与齐次方程模型从单幅图像中估计径向误差。Wang等人针对径向畸变问题，提出畸变点处于同心圆上，通过计算畸变点的圆心来补偿畸变，取得的较好的效果。Lucchese等人提出了同时校正径向畸变和倾斜变形的方法 ，但仅用二项式对至少需要用5次多项式的径向畸变进行补偿。张佳成等人混合了多种补偿估计模型，用经典模型对畸变图像进行初次校正，用多面函数拟合法进行二次精校正，用三次B样条函数进行灰度重建，相比单一的镜头畸变校正模型，精度提高，鲁棒性增强，校正后径向均方根误差为0.3个像素。刘堂等人建立了径向畸变和倾斜失真的联合模型，用最小二乘法和最优化算法求得标准网格的失真参数，最后对目标进行补偿。上述补偿方法都取得了一定的效果，但有两个方面仍旧可以继续提高。第一，用高次多项式对补偿值进行建模，随着次数增加，计算量呈指数级快速增长，难以平衡计算时间与补偿质量之间的矛盾；第二，相机畸变的不仅致使局部区域像素点位置的偏离，还影响了整幅图的成像。所以图像特征的选取必须兼顾局部特征与全局特征。目前常用的相机标定误差补偿模型为相机标定通过求解内、外参数，实现目标像素坐标(图像坐标系)到场景坐标(世界坐标系)转换。相机标定误差模型如下所示:
权利要求
1.一种基于多维特征的相机标定误差补偿方法，其特征在于:其包括以下步骤: (1)准备数据:先采集P幅标准靶标的图像，得到P幅有误差的图像，然后从每幅图像中选取q个关键点，得到pXq个所述关键点； (2)提取关键点的特征:提取每个所述关键点的特征，所述特征包括颜色特征、局部Gabor特征及全局关联特征； (3)计算pXq个所述关键点的实际误差(ΛΧ，Ay)pXq:计算P幅图中每个关键点坐标与该关键点的理想位置坐标的实际误差(Λχ，Ay)pXq； (4)模拟训练:采用SVMLight工具进行支持向量回归模型训练，将所述步骤(2)中得到的PXq个所述关键点的特征与所述步骤(3冲得到的(Λχ，Ay)px」t为输入，最后得到模型文件； (5)估算误差:当拍摄到一幅新的图片时，得到q个关键点的实际位置(X，y),，然后按步骤(2 )提取该q个所述关键点的特征，存放于需要回归的特征文件中，并计算每个所述关键点的补偿值(Δ X，Ay)。
2.根据权利要求1所述的基于多维特征的相机标定误差补偿方法，其特征在于:所述步骤(2)中所提取的颜色特征是每个所述关键点周围NXN区域中4种常用颜色空间的颜色分量的均值与方差作为特征，所述4种常用颜色空间为RGB、CMYK、HSV、HIS，其中，N小于等于50。
3.根据权利要求2所述的基于多维特征的相机标定误差补偿方法，其特征在于:所述步骤(2)中局部Gabor特征的提 取方法包括以下步骤: a.将彩色图像归一化为灰度级为256的灰度图； b.当前关键点周围划分成L个NXN的子窗口，其中，L小于等于50； c.将每个窗口进行Gabor变换，原图像为F(x，y)，经过Gabor变换后得到新的图像Q(X，y)，其中，Q (X，y) = [ (GaborE (x, y) *F (x, y))2+ (Gabor1 (x, y) *F (x, y))2]1/2(I) 式(I)中， ,,.1.1V.1..2^(.rcos(9 + rsin^) Gabo1- (.r, y) =-- e 1σ cos-:--^2πσ2I(2) .1 \_ 2,T(.rcos0 -l.^sin θ) (juborix, f) 二-7e 上σ sin-:--1 2πσ2IU) π 3σ 式(2)、(3)中 O=Ji ； — —■ θ 二一； 1= “， 计算变换后，每个窗口灰度的均值由μ表示，每个窗口的标准差由S表示，每个窗口的偏差系数由k(k=S/μ)表示，最后，得到L个窗口的局部Gabor特征:μ 1; μ 2，…，μ j,…，μ L> δ δ 2,..., δ i7..., δ L 与 Ic1, k2,…，Iii,…，kL,共有 3L 维,其中，i 为窗口序列号。
4.根据权利要求3所述的基于多维特征的相机标定误差补偿方法，其特征在于:所述步骤(2)中全局关联特征的提取包括以下步骤: a.将局部Gabor特征可以看成三个一维序列:μ 1; μ 2,...,Ui,..., μ L> δ 17 δ 2,…，δ i,..., 51；与1^1,1^2，..., ki；..., kL,其中 i 表不窗口序号； b.利用自相关函数计算关联特征，自相关函数如式(4)，其中，m为相关阶数，L为Gabor子窗口的个数，且m〈L，
5.根据权利要求1所述的基于多维特征的相机标定误差补偿方法，其特征在于:所述步骤(3)中的计算pXq个关键点的实际误差(ΛΧ，Ay)pXq的方法包括以下步骤: a、将从标准靶标图中得到q个关键点的激光测量的中心位置作为理想位置坐标(x，y)s,其中，s=l,2,…，q ； b、用点识别技术得到P幅图中的q个关键点的实际位置(x，y)tXs，其中，t=l，2，…，p，s_l，2，...，Q ; C、计算:(Λχ，Ay)pXq= (X，y)s_(x，y)tXs。
6.根据权利要求1所述的基于多维特征的相机标定误差补偿方法，其特征在于:所述步骤(4)中的模拟训练采用SVMLight工具，其步骤如下: a.输入训练命令，所述训练命令为:svm_learn- zr - t2 - g0.12example_filemode 1_file,其中，example_file为训练数据的输入文件；model_file为输出的模型结果文件；参数-z为r,表示回归模式；参数-t为2,表示采用高斯径向基核函数(RBF);参数-g为0.12,表示高斯径向基核的参数gamma为0.12 ; b.生成模型文件，需要为x、y分别生成两个不同的模型文件。
7.根据权利要求1所述的基于多维特征的相机标定误差补偿方法，其特征在于:所述步骤(5)中的估算误差的步骤如下: a.输入回归命令,所述回归命令为svm_classify example_f ile model_f ile output_file,其中，example_file为需要回归的特征文件，model_file为所述步骤(4)中的生成的模型文件，output_file为输出文件； b.生成输出文件，所述输出文件中每一行与需要回归的特征文件中的行--对应，表示需要回归的特征文件中每个行的回归值。
全文摘要
一种基于多维特征的相机标定误差补偿方法，包括以下步骤(1)准备数据先采集p幅标准靶标的图像，得到p幅有误差的图像，然后从每幅图像中选取q个关键点，得到p×q个关键点；(2)提取关键点的特征提取每个关键点的特征；(3)计算p×q个关键点的实际误差(Δx，Δy)p×q；(4)模拟训练采用SVMLight工具进行支持向量回归模型训练；(5)估算误差当拍摄到一幅新的图片时，得到q个关键点的实际位置(x，y)q，然后按步骤(2)提取该q个关键点的特征，存放于需要回归的特征文件中，并计算每个关键点的补偿值(Δx,Δy)。本发明利用现场图像的关联特征，采用支持向量回归实时估计每副采集图像的补偿量，采用本发明的方法使得补偿后的光靶中心更接近于理想光靶中心。
文档编号G06T7/00GK103218820SQ20131014044
公开日2013年7月24日 申请日期2013年4月22日 优先权日2013年4月22日
发明者吴宏杰, 奚雪峰, 陆卫忠, 胡伏原, 付保川 申请人:苏州科技学院