[论文解读] Camera Calibration: a USU Implementation

Lili Ma, YangQuan Chen+1 more|arXiv (Cornell University)|Jul 31, 2003

Optical measurement and interference techniques参考文献 16被引用 6

一句话总结

本文介绍了犹他州立大学开发的一种鲁棒相机标定框架，采用灵活的标定设置，通过基于平面的标定物估计相机的内参、外参及径向畸变参数。该方法基于非线性优化的最大似然估计，实现了在3D重建与视觉伺服应用中的高精度，已在Microsoft、台式机及ODIS相机上验证，收敛后目标函数值降低至840.5单位以下。

ABSTRACT

The task of camera calibration is to estimate the intrinsic and extrinsic parameters of a camera model. Though there are some restricted techniques to infer the 3-D information about the scene from uncalibrated cameras, effective camera calibration procedures will open up the possibility of using a wide range of existing algorithms for 3-D reconstruction and recognition. The applications of camera calibration include vision-based metrology, robust visual platooning and visual docking of mobile robots where the depth information is important.

研究动机与目标

• 开发一种可靠且灵活的相机标定方法，用于估计内参、外参及径向畸变参数，以支持高精度的3D视觉应用。
• 通过最小化设置约束的相机标定，实现移动机器人中高精度3D重建与视觉伺服。
• 通过逐步与约束的非线性优化技术，提升标定的鲁棒性与收敛速度。
• 利用真实世界图像数据，在多种相机系统（包括台式机与ODIS相机）上验证标定流程。
• 提供开源的MATLAB与C/C++实现，以支持可复现性，并便于集成至机器人与视觉系统中。

提出的方法

• 使用已知3D点的平面标定物，估计世界平面与图像平面之间的单应性。
• 采用五参数内参矩阵 A = [[α, γ, u₀], [0, β, v₀], [0, 0, 1]]，以建模焦距、倾斜度与主点位置。
• 通过TOMLAB的ucSolve求解非线性优化问题，最小化目标函数J，该函数衡量观测点与投影点之间的重投影误差。
• 通过建立畸变点(u_d, v_d)与未畸变点(u, v)之间的关系，估计径向畸变系数(k₁, k₂)。
• 在假设无倾斜（γ = 0）的前提下，利用绝对二次曲线矩阵 B = A⁻ᵀA⁻¹ 约束内参估计。
• 通过带线搜索（二次与三次插值）的迭代优化，提升收敛性与精度。

实验结果

研究问题

• RQ1 在灵活的平面标定设置下，内参与外参的估计精度如何？
• RQ2 在存在径向畸变的情况下，非线性优化在多大程度上降低了重投影误差？
• RQ3 该标定方法是否能有效应用于多种相机系统，包括ODIS与台式机相机？
• RQ4 优化策略的选择（如逐步优化与约束优化）对收敛速度与鲁棒性有何影响？
• RQ5 特征提取精度对最终标定质量与目标函数值有何影响？

主要发现

• ODIS相机的目标函数在58次迭代后收敛至840.511，表明重投影误差极小，标定精度高。
• 在Microsoft相机数据集中，目标函数在58次迭代内由5872.79降至840.511，证明非线性优化有效。
• 所有测试相机均实现低于841的目标函数值，表明方法具有强鲁棒性与低残差误差。
• 使用TOMLAB的ucSolve结合三次插值，使每次迭代的计算时间由7.91×10⁻¹秒降至5.91×10⁻¹秒，显著提升效率。
• 该方法成功估计了径向畸变系数(k₁, k₂)，并有效校正图像畸变，实现特征点的精确无畸变投影。
• 标定流程在三种不同相机系统上完成验证，证实其在真实世界视觉应用中的通用性与可靠性。