Computer Engineering and Applications计算机工程与应用2012,48(2)
直线运动摄像机在线动态标定
潘亚宾,刘国栋
PAN Yabin, LIU Guodong
江南大学 通信与控制工程学院,江苏 无锡 214122
School of Communication and Control Engineering, Jiangnan University, Wuxi, Jiangsu 214122, China
PAN Yabin, LIU Guodong. Online dynamic calibration of linear movement camera. Computer Engineering and Applications,
2012, 48(2):188-190.
Abstract:A new method of linear movement camera calibration based on particle filter is proposed in order to achieve online dynamic
calibration in the case that intelligent robot AS-R is moving. State-space method is used to describe the linear movement camera model.
Taking the intrinsic camera parameters and location parameters as the state vector and taking the image coordinates of feature points as
the observation vector, the optimized values of the intrinsic camera parameters and location parameters are obtained with particle filter.
And the dual threads are used to achieve the whole calibration process. The experiment results of online dynamic calibration when ro-
bot AS-R is moving linearly show that this method is reasonable and feasible, with high accuracy and good robustness. In addition, this
method is suitable for all types of system noise.
Key words:camera calibration; linear movement; particle filter; camera parameters
摘 要:为实现 AS-R 智能机器人在运动情况下摄像机在线动态标定,提出一种新的基于粒子滤波的直线运动摄像机标定方法。
用状态空间方法描述直线运动摄像机模型,把摄像机内参数和位置运动参数作为状态量,特征点图像坐标作为观测量,根据粒子
滤波算法求得摄像机内参数和位置运动参数的最优估计,并用双线程实现整个标定过程。AS-R 机器人在直线运动情况下的摄
像机在线动态标定实验结果表明:该算法是合理可行的,并且具有很高的标定精度和良好的鲁棒性。该方法适用于各种类型的
系统噪声。
关键词:摄像机标定;直线运动;粒子滤波;摄像机参数
DOI:10.3778/j.issn.1002-8331.2012.02.054 文章编号:1002-8331(2012)02-0188-03 文献标识码:A 中图分类号:TP391
作者简介:潘亚宾(1985—),男,硕士研究生,主要研究方向为计算机视觉;刘国栋(1950—),男,教授,博士生导师。E-mail:yabin99@126.com
收稿日期:2010-06-30;修回日期:2010-10-18
1 引言
从二维图像信息获得物体三维立体信息过程中,摄像机
标定是必不可少的一步。摄像机标定广泛应用于物体的三维
重建、机器人视觉导航系统、自动装配以及视觉监控等诸多领
域
[1]
。近年来,针对实际现场环境,已有许多学者提出用贝叶
斯理论来处理摄像机模型的非线性问题和摄像机受到的非线
性干扰问题
[2-4]
。Tommaselli
[2]
等将迭代扩展卡尔曼滤波应用于
摄像机的动态标定,由于采用三维立体标定靶标,使应用场合
受到一定限制;翟晋
[3]
等提出了基于迭代 扩展卡尔曼 滤波
(EKF)的摄像机标定方法,陈益
[4]
等提出了基于简化的无迹卡
尔曼滤波(UKF)算法的摄像机标定方法,这两种方法均是把
二维平面靶标图像上的特征点看作是匀速运动的点,分别采
用 EKF、简化的 UKF 实现了摄像机动态标定,而摄像机本身是
静止的,所以并未真正实现摄像机在运动情况下的动态标定。
本文针对 AS-R 机器人运动时摄像机在线动态标定的需
求,提出了一种摄像机在直线运动情况下结合粒子滤波的在
线动态标定方法。在文中,用状态空间方法描述运动摄像机
模型,并假设摄像机的畸变因子为 0(这些假设对如今的数码
摄像机是合理的)
[5]
,把摄像机内参数和位置运动参数作为状
态模型的状态量,把测量到的特征点图像坐标作为观测模型
的观测量,根据粒子滤波算法估计摄像机的内参数
( )
f
u
f
v
u
0
v
0
T
和位置运动参数
( )
t
T
v
T
T
的最优值,并用双线程实现整个标定
过程。由于摄像机安装在机器人身上,摄像机与机器人成为
一个整体,标定出摄像机的位置运动参数,便得知机器人的运
动位置和运动状态。
2 摄像机模型
三维空间点记为 M =[XYZ]
T
,二维图像平面上的图像
点 记 为 m =[uv]
T
,与
M
和
m
对 应 的 齐 次 坐 标 分 别 记 作
M
=[XYZ1]
T
和
m
=[uv1]
T
。则三维空间点 M
和它对应
于图像点
m
之间的投影关系
[6]
可表示为:
sm
= K
[ ]
R T M
(1)
其中 K =
é
ë
ê
ê
ù
û
ú
ú
f
u
γ u
0
0 f
v
v
0
0 0 1
。
式(1)即为摄像机的线性模型。其中,
K
为摄像机内参数
矩阵,
f
u
和
f
v
为摄像机在
u
轴和
v
轴方向上的尺度因子,
( )
u
0
v
0
T
为摄像机的主点,
γ
为摄像机的畸变因子;
R
和
T
分
别是摄像机坐标系在世界坐标系中的旋转矩阵和平移向量,
是摄像机的外参数部分。文中假设摄像机的畸变因子为 0,即
γ = 0
。
3 摄像机模型状态空间表示
3.1 状态模型
为了估计摄像机的内参数和位置运动参数,定义粒子滤
波器的状态向量
x
包含摄像机内参数和位置运动参数,即
188