机器视觉的标定技术

人工智能作为现在最火的一门科技，无数科研人员投身到其中。而这之中机器视觉是发展较为迅速的一个分支。机器视觉就是用机器来代替人的眼睛进行测量和判断，而机器视觉系统就是用这些机器视觉产品来把目标信号转换为图像信号，再传给图像处理系统，通过得到的这些信号，转变成数字化信号。图像系统对这些数字信号进行运算来控制设备。

计算机视觉和机器视觉同样热门，但是计算机视觉偏向算法，而机器视觉软硬件都有，更偏实际应用。其中最有名的当属微软的Kinect，利用骨骼捕捉技术，Kinect可以捕捉游戏玩家的骨骼动作，从而让游戏玩家可以不接触屏幕即可玩游戏。当然只要是测量就一定要标定来提高测量的精度。

目前看来，机器视觉标定主要有传统标定方法和自标定方法。机器视觉的基本任务之一是从摄像机获取图像信息并计算三维空间中物体的几何信息，以此重建和识别物体。而空间物体表面某点的几何位置与其在图像中对应点之间的相互关系是由摄像机成像的几何模型决定的，这些几何模型参数就是摄像机参数，得到这个参数的过程就是摄像机标定。

传统机器视觉标定方法

传统机器视觉标定方法需要标定参照物，在一定的工业相机模型下，通过对特定标定参照物进行图像处理，并利用一系列数学变换公式计算及优化，以此获取相机模型内部参数和外部参数。另外，为了提高计算精度，还需确定非线性畸变校正参数。根据标定参照物与算法思路的不同，传统机器视觉标定方法又可以分为基于3D立体靶标的相机标定、基于2D平面靶标的相机标定等几类。不过，需要注意的是，这一标定方法在场景未知或是相机任意运动的情况下效果不佳，甚至很难实现。

直接线性标定法

相机数学模型是这些标定算法的关键,其实我们就是用三维坐标把几何模型假设出来，我们需要先确定像素坐标与像平面坐标系之间的关系，再确定相机坐标系与世界坐标系之间的关系以及成像投影关系（相机坐标系与像平面坐标系的关系），这样就把参数推出来了。

Tsai两步标定法

在上面的直接线性标定法中，并没有考虑相机镜头的非线性畸变。在这个两步标定法中就解决了这个问题。我们先将畸变量分成x和y方向，求出实际图物理坐标系与像素坐标系的关系，在线性标定的基础上写出基本公式，最后表达出总体的畸变。

我们会得到三种畸变模型：

1.离心畸变：

2.薄棱镜畸变：

3.总畸变：

第一步：利用径向排列约束求出除tz以外的所有外参数

第二步：求出其余的参数，进行非线性优化

机器视觉自标定方法

机器视觉自标定方法是在20世纪90年代初，由Faugeras，Luong，Maybank等人首次提出的，这一自标定法是利用工业相机本身参数之间的约束关系来进行标定，而与场景或是工业相机的运动无关，所以相比传统标定方法更为灵活。

基于主动视觉的自标定法

所谓主动视觉系统，是指摄像机被固定在一个可以精确控制的平台上，且平台的参数可以从计算机精确读出，只需控制摄像机作特殊的运动来获得多幅图像，然后 利用图像和已知的摄像机运动参数来确定摄像机的内外参数。

基于Kruppa方程的自标定方法

Faugeras,Luong,Maybank等提出的自标定方法是直接基于求解Kruppa方程的一种方法，该方法利用绝对二次曲线像和极线变换的概念 推导出Kruppa方程。基于Kxuppa方程的自标定方法不需要对图像序列做射影重建，而是对两图像之间建立方程。

分层逐步标定法

近年来，分层逐步标定法已成为自 标定研究中的热点，并在实际应用中逐渐取代了直接求解Kruppa方程的方法。分层逐步标定法首先要求对图像序列做射影重建，再通过绝对二次曲线(面)施 加约束，最后定出仿射参数(即无穷远平面方程)和摄像机内参数。

基于二次曲面的自标定方法

Triggs是 最早将绝对二次曲面的概念引入自标定的研究中来的，这种自标定方法与基于Kruppa方程的方法在本质上是相同的，它们都利用绝对二次曲线在欧氏变换下的 不变性。但在输入多幅图像并能得到一致射影重建的情况下，基于二次曲面的自标定方法会更好一些，其根源在于二次曲面包含了无穷远平面和绝对二次曲线的所有 信息，且基于二次曲面的自标定方法又是在对所有图像做射影重建的基础上计算二次曲面的，因此，该方法保证了无穷远平面对所有图像的一致性。

机器视觉标定的精度大小，直接影响着系统成像的精度，可以说，只有做好了前期的这一标定工作，后续工作才能正常展开，所以，提高标定精度是当前科研工作的重要方面之一。机器视觉系统标定方法的存在，尤其是自标定方法，极大地提高了成像精度.。

参考文献:

[1]简析标定板在机器视觉系统标定中的作用

http://www.cnimage.com/services/knowledge/140.html

[2]经典：传统相机标定方法解析：直接线性法和Tsai两步标定法

[3]机器视觉中的摄像机标定和自标定分析

http://www.elecfans.com/kongzhijishu/jiqishijue/581650.html