牛苗苗　孫燦　熊海涵

【摘要】在基于tsai一階徑向畸變標(biāo)定方式的基礎(chǔ)上，提出了一種改進(jìn)算法。算法結(jié)合傳統(tǒng)標(biāo)定原理首先線性求解攝像機(jī)模型內(nèi)外參數(shù)，作為初值，應(yīng)用于帶有二階徑向畸變，偏心畸變和薄棱鏡畸變的圖像矯正模型，通過(guò)最小二乘法求解6項(xiàng)畸變尺度因子。充分利用OpenCV視覺(jué)函數(shù)庫(kù)對(duì)圖像分步校正，避免了重復(fù)計(jì)算并判斷透鏡非線性映射。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法提高了系統(tǒng)標(biāo)定精度，降低了計(jì)算時(shí)間復(fù)雜度，可以實(shí)現(xiàn)較高精度的單目視覺(jué)標(biāo)定及立體視覺(jué)匹配的應(yīng)用需求。

【關(guān)鍵詞】單目標(biāo)定；畸變校正；立體匹配；tsai方法

計(jì)算機(jī)立體視覺(jué)技術(shù)的實(shí)現(xiàn)主要包括圖像獲取，攝像機(jī)標(biāo)定，特征提取，立體匹配和三維重建五部分[1]。攝像機(jī)標(biāo)定作為空間三維圖景到成像二維平面的首要條件，是立體視覺(jué)系統(tǒng)圖像深度測(cè)量的基礎(chǔ)部分。而夾角，都不可避免的作用在攝像機(jī)透視成像過(guò)程上。對(duì)于以上鏡頭徑向，切向畸變，目前標(biāo)定方法主要分制造中所引起的光學(xué)鏡頭徑向曲率變化，裝配中導(dǎo)致 的多鏡頭光軸不同軸以及鏡頭與攝像機(jī)像平面存在的為傳統(tǒng)標(biāo)定方法[2]，自標(biāo)定方法[3]以及基于主動(dòng)視覺(jué)的標(biāo)定方法。典型的傳統(tǒng)標(biāo)定方法主要有abdel-aziz和karara提出的直接線性變換法（DLT），hallert提出的非線性優(yōu)化法，tsai的兩步法以及張正友的平面模板法[4]。這其中tsai[5]兩步標(biāo)定法的主要貢獻(xiàn)是在RAC條件下，用DLT方法求解透鏡矩陣系統(tǒng)參數(shù)，并以此作為初始迭代值，非線性優(yōu)化估計(jì)畸變參數(shù)，減少了求解參數(shù)空間維數(shù)，提高了線性求解速度和非線性求解精度，并廣泛應(yīng)用于實(shí)時(shí)性較高的機(jī)器視覺(jué)場(chǎng)合。tsai的方法中只引入了一級(jí)徑向畸變，對(duì)于一些精度要求高的場(chǎng)合，往往需要引入切向畸變。本文在tsai方法基礎(chǔ)上，引入二級(jí)徑向畸變，偏心畸變，薄棱鏡畸變，全面分析攝像機(jī)透鏡模型，結(jié)合OpenCV視覺(jué)函數(shù)庫(kù)標(biāo)定攝像機(jī)內(nèi)外參數(shù)，并給出畸變校正后的棋盤格圖像。

1.透鏡成像及畸變校正

圖1為廣泛應(yīng)用于工業(yè)非接觸尺寸測(cè)量的基于徑向畸變的攝像機(jī)針孔模型[6]，O-XWYWZW為全局坐標(biāo)系，攝像機(jī)透鏡光心與坐標(biāo)系O-XCYCZC的原點(diǎn)重合，xc軸和yc軸分別與xw軸yw軸平行，zc軸與zw軸平行，O-XY為像平面坐標(biāo)系，以mm為單位，O-UV為像素坐標(biāo)系，以pixels為單位，點(diǎn)P在像素坐標(biāo)系O-UV下的離散坐標(biāo)（u，v）恒為整數(shù)值，?表示攝像機(jī)焦距，標(biāo)定點(diǎn)P的成像過(guò)程由以下幾步坐標(biāo)系轉(zhuǎn)換完成：（1）全局坐標(biāo)系到攝像機(jī)坐標(biāo)系的剛體變換；（2）像平面坐標(biāo)系到像素坐標(biāo)系的變換；（3）攝像機(jī)坐標(biāo)系到像平面坐標(biāo)系的變換；經(jīng)過(guò)上述坐標(biāo)系齊次變換，得到點(diǎn)P全局坐標(biāo)與像素坐標(biāo)關(guān)系如下[7]：

式（1）中，M1為攝像機(jī)內(nèi)參數(shù)矩陣，ax，ay分別為x軸y軸上尺度焦距，單位為pixels，u0，v0為圖像中心坐標(biāo)，M2為攝像機(jī)外參數(shù)矩陣，為3×3正交旋轉(zhuǎn)矩陣，平移矩陣，M為攝像機(jī)投影矩陣。攝像機(jī)標(biāo)定的目的就是精確求解內(nèi)參數(shù)?x，?y，u0，v0和外參數(shù)矩陣R，T。由于無(wú)法避免透鏡畸變，（1）式中的待求解參數(shù)并不能代表實(shí)際的透鏡參數(shù)，因此需要引入非線性畸變校正攝像機(jī)投影矩陣各項(xiàng)參數(shù)。成像點(diǎn) 的坐標(biāo)畸變轉(zhuǎn)換如下[8]：

式中，（xu，yu）和（xd，yd）表示點(diǎn)p在像平面坐標(biāo)系O-XY下的無(wú)畸變坐標(biāo)和畸變坐標(biāo)，ζx，ζy為投影畸變?cè)谙衿矫鎥軸和y軸上的映射，tsai的標(biāo)定方法中只考慮了一階徑向畸變，限制了復(fù)雜背景下對(duì)攝像機(jī)標(biāo)定的高精度要求，擴(kuò)展帶有二階徑向畸變，偏心畸變和薄棱鏡畸變的校正模型如下：

式中r2=xd2+yd2，k1，k2為徑向畸變尺度，p1，p2為切向畸變尺度，ε1，ε2為薄棱鏡畸變尺度在成像平面上的徑向和切向分量。通過(guò)求解（1），（3）式攝像機(jī)參數(shù)，空間點(diǎn)的三維坐標(biāo)得以重建。

2.改進(jìn)的標(biāo)定方法

首先線性求解攝像機(jī)投影矩陣M，然后以M各項(xiàng)投影參數(shù)為初始迭代值，結(jié)合三項(xiàng)畸變模型，求解畸變系數(shù)，最后以中心點(diǎn)坐標(biāo)區(qū)域局部最小值為數(shù)據(jù)擬合函數(shù)，全局優(yōu)化所求攝像機(jī)內(nèi)外參數(shù)初值和畸變因子。具體求解方法如下：（1）求解攝像機(jī)內(nèi)外參數(shù)。對(duì)于空間i=1，2，3...n個(gè)標(biāo)定坐標(biāo)點(diǎn)，由式（1）可以得到：

其中，（Xwi，Ywi，Zwi，1）表示標(biāo)定靶第i個(gè)點(diǎn)的三維坐標(biāo)的齊次坐標(biāo)， 表示第（ui，vi，1）個(gè)點(diǎn)的圖像坐標(biāo)的齊次坐標(biāo)，為投影元素。為了消除攝像機(jī)坐標(biāo)Zci的影響，可以將（4）式用線性方程表示如下：

根據(jù)線性模型的成像原理，每個(gè)已知的空間點(diǎn)全局坐標(biāo)和像素坐標(biāo)都不同的對(duì)應(yīng)一個(gè)式（5）所表示的兩個(gè)線性方程，由（5）式可知，線性方程一共有12個(gè)待求投影參數(shù)，通常認(rèn)為空間兩坐標(biāo)系的變換并不受相乘系數(shù)的影響，因此對(duì)于（5）式，可令m12=1，當(dāng)有足夠數(shù)量的對(duì)應(yīng)點(diǎn)個(gè)數(shù)i，滿足2i≥11時(shí)，用最小二乘法對(duì)上述線性方程組求解，可在迭代過(guò)程中得到投影矩陣參數(shù)mj。為了進(jìn)一步求解攝像機(jī)內(nèi)參數(shù)，旋轉(zhuǎn)矩陣和平移矩陣，將式（1）所表示的投影矩陣與攝像機(jī)內(nèi)外參數(shù)矩陣的關(guān)系擴(kuò)展如下：

（6）

r3作為上述正交單位矩陣的第三行元素，|r3|=1。由等式兩邊左右對(duì)應(yīng)關(guān)系可知，m12m3=r3，可以求出m12=1/|m3|，并結(jié)合（5）式所求投影參數(shù)，可以得到圖像中心坐標(biāo)點(diǎn)，，透鏡尺度焦距在像平面坐標(biāo)系X軸上的分量，在y軸上的分量，得到上述四項(xiàng)內(nèi)部參數(shù)后，旋轉(zhuǎn)矩陣和平移矩陣的各向量參數(shù)可以線性求出：

（2）求解畸變系數(shù)

綜合（1），（2），（3）式可以得到下式畸變坐標(biāo)到全局坐標(biāo)的轉(zhuǎn)換方程組：

對(duì)于圖1中的共面標(biāo)定靶，Zw=0，式中旋轉(zhuǎn)及平移參數(shù)均已由第一步線性求出，將式（7）中的上下兩方程相除可得：

式中包含有限個(gè)畸變參數(shù)，其中A1=r11Xw+r12Yw+tx，A2=r21Xw+r22Yw+ty，標(biāo)定理想狀態(tài)下的n個(gè)非共線圖像坐標(biāo)點(diǎn)和對(duì)應(yīng)的全局坐標(biāo)點(diǎn)，可知式（3）是一個(gè)關(guān)于各項(xiàng)畸變參數(shù)的線性方程組，畸變尺度因子可用最小二乘法通過(guò)某次的迭代求得。（3）標(biāo)定過(guò)程程序化。利用 OpenCV（Open Source Computer Vision Library）強(qiáng)大的圖像處理和矩陣運(yùn)算能力，考慮上述攝像機(jī)透鏡模型和三項(xiàng)畸變校正多項(xiàng)式，對(duì)攝像機(jī)標(biāo)定過(guò)程進(jìn)行深入研究，算法框圖如圖2。第一步處理采集到的多幅平面棋盤格圖像，方法主要調(diào)用開(kāi)放函數(shù)庫(kù)中的cvFindChessboardCorners（）角點(diǎn)提取函數(shù)，用cvFindCornerSubPix（）函數(shù)結(jié)合Bouguet算法[9]，再對(duì)提取到的角點(diǎn)進(jìn)行亞像素求精。第二步調(diào)用cvCalibrateCamera2（）函數(shù)可以得到各項(xiàng)標(biāo)定參數(shù)。第三步分兩步調(diào)用cvInitUndistortMap（）和cvRemap（），其中cvInitUndistortMap（）函數(shù)計(jì)算非線性映射，cvRemap（）應(yīng)用于映射結(jié)果校正圖像。如果畸變映射不變，則直接利用cvRemap（）矯正棋盤格圖像。

3.實(shí)驗(yàn)與結(jié)果分析

3.1實(shí)驗(yàn)配置。由于3D標(biāo)定物的精度難以保證，這里采用多個(gè)空間方位角度不同黑白交替排列棋盤格平面標(biāo)定模板，如圖3所示。目標(biāo)棋盤格標(biāo)定板尺寸270mm×210mm，每個(gè)棋盤格尺寸為30mm×30mm，中心距30mm，陣列9×7，攝像機(jī)與標(biāo)定靶面距離控制在100mm以內(nèi)

3.2實(shí)驗(yàn)數(shù)據(jù)與分析。實(shí)驗(yàn)時(shí)，攝像頭一共采集6副不同空間方位的圖像，應(yīng)保證獲取的棋盤格占據(jù)成像平面大部分區(qū)域。提取成功的圖像如圖4所示，前一行的最后一個(gè)角點(diǎn)與后一行的第一個(gè)角點(diǎn)由彩色直線相連，以判斷是否找到所有角點(diǎn)，每一行角點(diǎn)都用不同顏色的圓圈區(qū)別。為了驗(yàn)證本文標(biāo)定方法的可行性，實(shí)驗(yàn)對(duì)比tsai標(biāo)定法，使用立體視覺(jué)系統(tǒng)左攝像機(jī)計(jì)算兩種方法的攝像機(jī)內(nèi)外參數(shù)以及畸變尺度系數(shù)，如表1所示。可以看出改進(jìn)算法得到的光學(xué)中心坐標(biāo)（u0，v0）與tsai的方法相近，而?x，?y的值比tsai的標(biāo)定結(jié)果更接近真實(shí)值，標(biāo)定算法的精度評(píng)價(jià)用空間真實(shí)坐標(biāo)點(diǎn)與重建后對(duì)應(yīng)的世界坐標(biāo)點(diǎn)的均方差平均值表示：

由（9）得到的標(biāo)定誤差范圍為±0.8mm，滿足實(shí)際應(yīng)用標(biāo)定的精度需求。

3.3校正畸變圖像。在驗(yàn)證了上述角點(diǎn)提取以及精確標(biāo)定過(guò)程的可靠性之后，圖像的枕形畸變，偏心畸變和薄棱鏡畸變得到了適當(dāng)?shù)某C正，圖5為經(jīng)過(guò)修正后的圖4棋盤標(biāo)定格圖像，與圖4相比可以看出，算法可以顯著糾正透鏡成像時(shí)發(fā)生在圖像邊緣的徑向畸變和切向畸變。

4.結(jié)論

試驗(yàn)方案結(jié)合參數(shù)對(duì)比，驗(yàn)證了改進(jìn)算法的魯棒性，試驗(yàn)設(shè)備及場(chǎng)合容易搭建，標(biāo)定過(guò)程無(wú)需人工參與。算法在引入多項(xiàng)畸變參數(shù)的同時(shí)，充分考慮了OpenCV函數(shù)庫(kù)最小二乘法的特性，通過(guò)對(duì)畸變圖像分步校正，避免了重復(fù)計(jì)算并判斷透鏡非線性映射，降低了算法迭代次數(shù)，是一種簡(jiǎn)單，有效的標(biāo)定算法，適用于各類視覺(jué)標(biāo)定工程及立體視覺(jué)匹配中。

參考文獻(xiàn)

[1]Stephen T. Barnard， Martin A. Fishchler. Computational stereo [J]. ACM Computing Surveys， 1982， 14（4）： 553-572.

[2]Peter F. Sturm， Stephen J. Maybank. On plane-based camera calibration： a general algorithm， singularities， applications [C].// IEEE Conference on Computer Vision and Pattern Recognition. Fort Collins， USA， IEEE， 1999： 432-437.

[3]Ma S. D.. A self-calibration technique for active vision system [J]. IEEE Transactions on Robotics and Automation， 1996， 12（1）： 114-120.

[4]Z. Zhang A flexible new technique for camera calibration [J]. IEEE Transactions on Pattern Analysia and Machine Intelligence， 2000， 22（11）： 1330-1334.

[5]TSAI R Y. An effcient and accurate camera calibration technique for 3D machine visio [C].//IEEE Conference on Computer Vision and Pattern Recongnition Miami Beach： FL， 1986： 364-374.

[6]馬頌德，張正有.計(jì)算機(jī)視覺(jué)—計(jì)算理論與算法基礎(chǔ)[M].北京：科學(xué)出版社，1997：52-56.

[7]趙宣銘.一種基于Tsai法的攝像機(jī)改進(jìn)標(biāo)定法.西安工程大學(xué)學(xué)報(bào)[J]. 2011，25（4）：560-561.

[8]趙雪峰，仲曉敏，蘭義華.標(biāo)定靶面平行成像平面時(shí)Tsai算法的改進(jìn). 計(jì)算機(jī)工程與設(shè)計(jì)[J].2011，32（3）：1019-1021.

[9]http：// www.vision.caltech.edu/bouguetj/calib_doc.