论文部分内容阅读
摄像机标定是计算机视觉领域里从二维图像获取三维空间信息必不可少的步骤，被广泛应用于导航、视觉监控、三维重建等领域。自标定方法仅利用摄像机内参数自身存在约束信息，与场景和摄像机运动无关，较传统标定方法和基于主动视觉的标定方法更具灵活性，成为计算机视觉的研究热点。 本文对利用图像序列进行摄像机自标定的各个环节进行了系统的研究，主要工作和创新点如下： 1）传统的Harris角点检测算法检测率和可重复率高，但无法满足实时性要求，而Trajkovic等提出的角点检测器虽然计算量小,但是易对边缘产生伪响应，针对这些问题，本文提出一种新的基于Harris-MIC的快速角点检测算法。该算法使用多格算法，并使用四个基础方向上最小强度变化作为预处理结果，然后再使用自相关矩阵得到角点的响应函数。实验验证，新算法改进了Harris算法和MIC算法，能够有效地抑制边缘响应及纹理角点，并且能够满足实时性要求。 2）一般而言图像序列尺度变化较小，针对此特点，本文利用基于梯度分布的局部特征描述子对利用Harris-MIC算法获得的角点进行描述，然后匹配特征向量。相比SIFT（尺度不变特征变换）局部描述子，本文算法时间复杂度减小，并且对于图像序列可以获得类似的效果。仿真实验证实了算法的可行性和优势。 3）相比非线性估计方法和鲁棒性估计方法，基础矩阵的线性估计方法较为简单，尤其是规范化的8点算法较传统8点算法在稳定性和精度方面有了显著的改进，之后陈泽志等又根据残差对各匹配点赋予权值，然而各种线性估计算法均不能处理错误匹配点，针对此情况，本文提出一种新的加权规范化8点算法，新算法在计算各匹配点残差之后，对残差进行排序，并且根据事先确定的阈值去除部分残差较大的匹配点，利用剩余的点重新估计基础矩阵。实验验证了新算法在不失稳定性的同时能够提高基础矩阵估计的精度。 4）基于本质矩阵的摄像机自标定技术不使用随图像变化而变化的极点，并且智能优化算法日益增多和完善，鉴于此本文提出将智能群体优化算法中的改进的粒子群优化算法和细菌群体趋药性算法应用到摄像机自标定技术中。实验验证了两种优化算法都能够找到适应度函数最优值的附近位置，两种智能算法各有特色，改进的例子群算法时间复杂度小，能够较快的收敛，而细菌群体趋药性在进行多次迭代之后可以获得较高的精度。 总之，本文在系统地研究摄像机自标定之后，对其主要环节进行了改进，提高了摄像机自标定系统的标定精度和速度。