車載魚眼攝像頭自標(biāo)定的方法
【專利摘要】本發(fā)明提出了一種車載魚眼攝像頭自標(biāo)定的方法,用于解決現(xiàn)有基于圖像序列的自標(biāo)定方法中存在的標(biāo)定精度較低、應(yīng)用范圍小的技術(shù)問題,包括如下步驟:(1)利用車載魚眼攝像頭拍攝車沿直線行駛的路面視頻;(2)提取特征點,并選取不在同一直線上的特征點;(3)跟蹤所選取的特征點;(4)建立擬合模型,確定攝像頭參數(shù)初始值,利用特征點滿足的共線約束方程,建立特征點關(guān)系行列式;(5)優(yōu)化關(guān)于攝像頭參數(shù)的非線性方程組(6)判斷標(biāo)定結(jié)果是否合理,若合理,車載魚眼攝像頭自標(biāo)定結(jié)束,否則,執(zhí)行步驟(2)。本發(fā)明具有標(biāo)定結(jié)果精度高、應(yīng)用范圍廣的特點,可用于確定車載魚眼攝像頭幾何模型參數(shù)。
【專利說明】
車載魚眼攝像頭自標(biāo)定的方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明屬于圖像處理及計算機(jī)視覺技術(shù)領(lǐng)域,涉及一種攝像頭標(biāo)定方法,具體涉 及一種車載魚眼攝像頭自標(biāo)定的方法,可用于確定車載魚眼攝像頭幾何模型參數(shù)。
【背景技術(shù)】
[0002] 在圖像測量過程以及計算機(jī)視覺的應(yīng)用中,為確定空間物體表面某點的三維幾何 位置與其在圖像中對應(yīng)點之間的相互關(guān)系,必須建立攝像頭成像的幾何模型,這些幾何模 型參數(shù)就是攝像頭參數(shù)。在大多數(shù)條件下這些參數(shù)必須通過實驗與計算才能得到,這個求 解參數(shù)的過程就稱之為攝像頭標(biāo)定。
[0003] 攝像頭標(biāo)定的方法分為兩類:基于標(biāo)定物的標(biāo)定方法和基于圖像序列的自標(biāo)定方 法,其中基于標(biāo)定物的標(biāo)定方法是利用標(biāo)定物存在的特征點和其在圖像上對應(yīng)點之間的關(guān) 系,求解攝像頭參數(shù),完成標(biāo)定過程,標(biāo)定物常見的有平面棋盤格和球體,但這些方法需要 定制標(biāo)定物,在標(biāo)定物的放置和使用上有嚴(yán)格的要求,使用起來較為復(fù)雜。
[0004] 基于圖像序列的自標(biāo)定方法和基于標(biāo)定物的標(biāo)定方法不同,它不需要定制標(biāo)定 物,只是利用場景的幾何約束關(guān)系或者攝像頭自身運動產(chǎn)生的約束關(guān)系,建立不同圖像中 的對應(yīng)點滿足的約束方程,求解得到攝像頭參數(shù),完成攝像頭的標(biāo)定。但是,自標(biāo)定方法的 精度一般比基于標(biāo)定物的方法要差,而決定標(biāo)定精度的因素主要是攝像頭模型和優(yōu)化方法 的選擇。例如:在文獻(xiàn) Hughes C,Mcfeely R, Denny P,et al.Equidistant fish-eye perspective with application in distortion centre estimation!!J] · Image&Vision Computing ,2010,28(3):538-551.和C.Hughes,P·Denny,M.Glavin et al·Equidistant fish-eye calibration and rectification by vanishing point extraction!!J] · IEEE Trans.Pattern Analysis and Machine Intelligence,2010,32(12):2289-2296中Hughes 等人基于等距投影模型利用滅點的性質(zhì)來估計攝像頭參數(shù),該方法只適用于等距投影模 型,應(yīng)用范圍小,而在文獻(xiàn)Zhu H J,Yang P,Li S G.Estimating fisheye camera parameters from homography[J].Sci China Inf Sci,2012,55:2119-2127中Zhu Haijiang等人提出了一種利用兩幅魚眼圖像之間的單應(yīng)關(guān)系線性求解魚眼攝像頭參數(shù)中 畸變系數(shù)的方法,這種方法在魚眼攝像頭的主點坐標(biāo)、焦距等參數(shù)已知的情況下,根據(jù)魚眼 圖像的對應(yīng)點求出單應(yīng)矩陣,然后從單應(yīng)矩陣導(dǎo)出對攝像頭參數(shù)的線性約束,從而求解出 模型參數(shù),該方法不能保證所得攝像頭參數(shù)是準(zhǔn)確的,并且沒有進(jìn)行整體優(yōu)化,所以得到的 結(jié)果精度不高。
【發(fā)明內(nèi)容】
:
[0005] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)存在的不足,提出了一種車載魚眼攝像頭自 標(biāo)定的方法,在車保持直線行駛的過程中,利用車載魚眼攝像頭拍攝行車路面,得到行車路 面視頻,利用路面視頻中存在的幾何關(guān)系,完成攝像頭自標(biāo)定的過程。用于解決現(xiàn)有基于圖 像序列的自標(biāo)定方法中存在的標(biāo)定精度較低、應(yīng)用范圍小的技術(shù)問題。
[0006] 本發(fā)明的技術(shù)思路是,在平整路段,使汽車保持直線,行駛一個車身距離,通過車 載魚眼攝像頭拍攝路面,提取路面的特征點,并跟蹤這些特征點在不同畫面中的位置信息, 本應(yīng)形成一條直線軌跡的特征點,在魚眼圖像中呈現(xiàn)為曲線,利用特征點共線這一幾何關(guān) 系和魚眼攝像頭模型,得到攝像頭參數(shù)的初始值,并將不同特征點的坐標(biāo)信息和攝像頭參 數(shù)初始值帶入行列式J中,形成多個包含攝像頭參數(shù)的方程。其中,J為同一特征點在三幅不 同圖像中的坐標(biāo)所滿足的行列式關(guān)系。后利用優(yōu)化算法,求解出車載魚眼攝像頭的參數(shù)終 值,完成車載魚眼攝像頭的自標(biāo)定。
[0007] 根據(jù)上述技術(shù)思路,實現(xiàn)本發(fā)明目的采取的技術(shù)方案,包括如下步驟:
[0008] 步驟1,利用車載魚眼攝像頭對車沿直線行駛的路面進(jìn)行拍攝,得到和車身距離等 長的路面魚眼視頻。
[0009] 步驟2,提取得到的魚眼視頻第一幀中路面的特征點,并對特征點的位置和數(shù)量進(jìn) 行控制,使所選取的特征點不在同一條直線上。
[0010] 步驟3,跟蹤選取的第一幀中路面的特征點,獲取同一特征點在不同幀中的坐標(biāo)信 息。
[0011] 步驟4,建立魚眼攝像頭擬合模型:
[0012]
中,rd為得到的畸變圖像 的特征點到主點坐標(biāo)的距離,ru為得到的畸變校正后圖像對應(yīng)的特征點到主點坐標(biāo)的距 離,1^1、1?、1?、1^4和1?為車載魚眼攝像頭畸變系數(shù)0的五個不同位置系數(shù),8卩0=(1^1,1?,1?,1^4, ks) 〇
[0013] 步驟5,利用步驟3獲取的同一特征點在不同幀中的坐標(biāo)信息,求取車載魚眼攝像 頭焦距的初始值,按如下步驟實現(xiàn):
[0014] 步驟5a,將步驟3獲取的同一特征點在不同幀中的坐標(biāo)信息,帶入行列式
=〇,其中,J是位于同一條直線上的三個特征點坐標(biāo)信息 滿足的關(guān)系行列式;m、u#Pu3分別為不同幀中以圖像左上角坐標(biāo)為坐標(biāo)原點時的橫坐標(biāo); VI、V2和V3分別為對應(yīng)各幀中以圖像左上角坐標(biāo)為坐標(biāo)原點時的縱坐標(biāo);UQ和VQ分別為得到 的魚眼視頻中,每一幀圖像的主點坐標(biāo);S(9 dl)、S(0d2)和S(0d3)分別為步驟4得到的魚眼攝 像頭擬合模型在三幅不同魚眼圖像中的值 γ
、
fx和fy分別為焦距在X軸和y軸方向的分量。
[0015] 步驟5b,對帶入的行列式J中的s(0dl)、s(0d2)和s(0d3)的后四位系數(shù)均置〇,得到魚眼攝 像頭單參數(shù)除法模型:
。
[0016] 步驟5c,對得到的魚眼攝像頭單參數(shù)除法模型
與模型
進(jìn)行擬合,其中rd = f0d為魚眼攝像頭等距投影模型,表示畸變圖像的特征點 j 到主點坐標(biāo)的距離,ru = f tan0d表示畸變校正后圖像對應(yīng)的特征點到主點坐標(biāo)的距離,擬 合后得到畸變系數(shù)D的初始值D ' = (lu',0,0,0,0)。
[0017] 步驟5d,將得到的畸變系數(shù)的初始值D'帶入s(0dl)、s(0d2WP s(0d3)*d:^lJ
/ . r - !、 u\ u l u5
[0018] 步驟5 e,將得到的
和
f入行列式J中,得到:
[0019]步驟5f,利用得到的行列式J',假設(shè)fx = fy = f,求取車載魚眼攝像頭焦距f的初始 值f,。
[0020]步驟6,對得到的魚眼視頻中的任一幀圖像的邊緣進(jìn)行擬合,得到圓形曲線,并將 該圓形曲線的圓心坐標(biāo)作為主點坐標(biāo)初始值(u,v)。
[0021 ]步驟7,利用行列式J對得到的畸變系數(shù)初始值D '、焦距初始值f '和主點坐標(biāo)初始 值(u,v)進(jìn)行優(yōu)化,得到畸變系數(shù)的終值、焦距的終值和主點坐標(biāo)的終值。
[0022]步驟8,利用得到的畸變系數(shù)的終值、焦距的終值和主點坐標(biāo)的終值,對得到的魚 眼視頻中的各幀圖像進(jìn)行畸變校正。
[0023] 步驟9,根據(jù)畸變校正后的各幀圖像的畸變是否消除,判斷得到的畸變系數(shù)終值、 焦距終值和主點坐標(biāo)終值是否合理,若是,車載魚眼攝像頭自標(biāo)定結(jié)束,否則,執(zhí)行步驟2。
[0024] 本發(fā)明與現(xiàn)有技術(shù)相比,具有如下的優(yōu)點:
[0025] 第一,本發(fā)明由于確定車載魚眼攝像頭參數(shù)時,采用魚眼攝像頭擬合模型,同時對 魚眼攝像頭參數(shù)初始值進(jìn)行整體優(yōu)化,與現(xiàn)有自標(biāo)定方法中采用單一模型并進(jìn)行局部優(yōu)化 的方法相比,提高了標(biāo)定精度。
[0026] 第二,本發(fā)明由于確定車載魚眼攝像頭模型時,利用現(xiàn)有魚眼攝像頭模型進(jìn)行擬 合,得到更具一般性的魚眼攝像頭模型,與現(xiàn)有的自標(biāo)定方法中采用的魚眼攝像頭模型相 比,適用范圍更加廣泛,可用于多種類型魚眼攝像頭的標(biāo)定。
【附圖說明】:
[0027]圖1為本發(fā)明的實現(xiàn)流程框圖;
[0028]圖2為本發(fā)明實施例的過程截圖。
【具體實施方式】
[0029] 下面結(jié)合附圖和實施例,對本發(fā)明作進(jìn)一步詳細(xì)說明。
[0030] 參照圖1,本發(fā)明包括如下步驟:
[0031] 步驟1,利用車載魚眼攝像頭對車沿直線行駛的路面進(jìn)行拍攝,得到和車身距離等 長的路面魚眼視頻:
[0032]選好一段平整路段,讓裝有魚眼攝像頭的汽車在該路段沿直線行駛一個車身距 離,用魚眼攝像頭拍攝行車路面。當(dāng)車行駛達(dá)到一個車身距離時,停止拍攝。得到一段和車 身距離等長的路面魚眼視頻。圖2(a)是魚眼視頻截圖。
[0033] 步驟2,提取得到的魚眼視頻第一幀中路面的特征點,并對特征點的位置和數(shù)量進(jìn) 行控制,使所選取的特征點不在同一條直線上:
[0034] 在得到的魚眼圖像中,利用SIFT算法提取魚眼視頻第一幀中路面的特征點,并對 特征點的位置和數(shù)量進(jìn)行控制,使所選取的特征點不在同一條直線上。
[0035] 步驟3,跟蹤選取的第一幀中路面的特征點,獲取同一特征點在不同幀中的坐標(biāo)信 息:
[0036] 利用LK光流法,跟蹤所選取的第一幀中路面的特征點,獲取同一特征點在不同幀 中的坐標(biāo)信息,并得到不同特征點隨著車行走的軌跡。圖2(b)為不同特征點的軌跡。
[0037]步驟4,建立魚眼攝像頭擬合模型:
[0038]假設(shè)魚眼圖像中的一個圖像點為(Ud,vd)T,其到圖像畸變中心的距離為r d,經(jīng)過畸 變校正后對應(yīng)的圖像點為(uu,Vu)T,其到圖像畸變中心的距離為^,并假設(shè)畸變中心的坐標(biāo) 為(U0, VQ)T。則根據(jù)魚眼攝像頭成像模型,畸變點與無畸變點之間存在如下關(guān)系:
[0039]
[0040] .U
[0041] 以圖像畸變中心為圖像坐標(biāo)系的原點,變換以上兩個公式,則對應(yīng)的透視圖像中 的無畸變點的吝次坐標(biāo)可以衷示為:
[0042]
U
[0043] 從上式可以看出,f的值是影響魚眼圖像中的畸變點與校正后的透視投影圖像 U 上的無畸變點的主要因素。
[0044] 將等距投影模型rd = f9、等立體角?!?br>..正交投影模型:Td = fsin0 和體視投影模型
統(tǒng)一以等距投影模型rd = f0的形式表示,其中f為攝像頭 焦距,Θ為入射光線與魚眼攝像頭光軸之間的夾角。
[0045]令等距投影模型rd = f0 = f0d,其中0d是與Θ具有對應(yīng)關(guān)系的角度表示,則有
[0046]
[0047] 同理,根據(jù)等立體角投影模型
,可得:
[0048]
[0049] 根據(jù)正交投影模型rd = f sin9 = f0d,可得:
[0050]
[0051] 根據(jù)體視投影模型
可得:
[0052]
r,
[0053] 從式(1)~(4),可以看出一為偶函數(shù),該偶函數(shù)展開式可以表示為:
[0054] 'U\
r
[0055] 通過多項式對上述四種模型的一進(jìn)行擬合,當(dāng)0d達(dá)到10次方時,即可滿足精度要 ru 求,即:
[0056]
ru
[0057] 其中1^、1?、1?、1^和1?為車載魚眼攝像頭畸變系數(shù)0的五個不同位置系數(shù),8卩0 = (ki, k2, k3, k4, ks);
[0058] 步驟5,利用獲取的同一特征點在不同幀中的坐標(biāo)信息,求取車載魚眼攝像頭焦距 的初始值,按如下步驟實現(xiàn):
[0059] 步驟5 a,將獲取的同一特征點在不同幀中的坐標(biāo)信息,帶入行列式
其中,J是位于同一條直線上的三個特征點坐標(biāo)信息 滿足的關(guān)系行列式;m、u#Pu3分別為不同幀中以圖像左上角坐標(biāo)為坐標(biāo)原點時的橫坐標(biāo); VI、V2和V3分別為對應(yīng)各幀中以圖像左上角坐標(biāo)為坐標(biāo)原點時的縱坐標(biāo);UQ和VQ分別為得到 的魚眼視頻中,每一幀圖像的主點坐標(biāo);S(9 dl)、S(0d2)和S(0d3)分別為步驟4得到的魚眼攝 像頭模型在三幅不同魚眼圖像中的值,
fx和fy分別為焦距在X軸和y軸方向的分量;
[0060] 步驟5b,對帶入的行列式J中的s(0dl)、s(0d2)和s(0d3)的后四位系數(shù)均置〇,得到魚眼攝像 頭單參數(shù)除法模型
'u\ ·..妙2 ' //.3
[0061] 步驟5c,對得到的魚眼攝像頭單參數(shù)除法模型
與模型
生行擬合,擬合后得到畸變系數(shù)D的初始值D ' = (h ',0,0,0,0);
[0062] 步驟5(1,將得到的畸變系數(shù)的初始值〇'帶入8(0(11)、8(0(12)和 8(0(13)中,得到 u\ ' u2
* ui
[0063] 步驟5 e,將得到的
和 ^ u\ ^ 'u2
帶入行列式J中,得至L
[0064]步驟5f,利用得到的行列式J',假設(shè)fx = fy = f,求取車載魚眼攝像頭焦距f的初始 值f,;
[0065] 根據(jù)魚眼攝像頭等距投影模型rd = f0d,可以得到A = >,將行列式J'展開,并令
?u i ^ J. 乙' U Z.. 1. 3 3 1 - u j- 1 χ. i y r y
[0066] 步驟6,對得到的魚眼視頻中的任一幀圖像的邊緣進(jìn)行擬合,得到圓形曲線,并將 該圓形曲線的圓心坐標(biāo)作為主點坐標(biāo)初始值(u,v):
[0067] 選取得到的魚眼視頻中的任一幀圖像,由于圖像的邊緣輪廓呈現(xiàn)為圓形曲線,我 們對其輪廓邊緣進(jìn)行擬合,得到圓形曲線方程,并將該圓形曲線的圓心坐標(biāo)作為主點坐標(biāo) 初始值(u,v);
[0068] 步驟7,利用行列式J對得到的畸變系數(shù)初始值D '、焦距初始值f '和主點坐標(biāo)初始 值(u,v)進(jìn)行優(yōu)化,得到畸變系數(shù)的終值、焦距的終值和主點坐標(biāo)的終值:
[0069] 將得到的行列式J展開,得到:
[0070]
[0071] 令目標(biāo)函數(shù)F為:
[0072]
[0073] 根據(jù)不同的特征點,可得到多條曲線。將步驟3中得到的坐標(biāo)信息帶入目標(biāo)函數(shù)F, 得到一組關(guān)于車載魚眼攝像頭參數(shù)的非線性方程。采用列文伯格-馬夸爾特優(yōu)化算法,對所 得到的多個目標(biāo)函數(shù)F進(jìn)行優(yōu)化,當(dāng)?shù)`差小于一個設(shè)定的閾值時,結(jié)束迭代,此時得到 的結(jié)果,作為魚眼攝像頭畸變系數(shù)的終值、焦距的終值和主點坐標(biāo)的終值。
[0074]步驟8,利用得到的畸變系數(shù)的終值、焦距的終值和主點坐標(biāo)的終值,對得到的魚 眼視頻中的各幀圖像進(jìn)行畸變校正:
[0075] 將得到的畸變系數(shù)的終值、焦距的終值和主點坐標(biāo)的終值,作為標(biāo)定結(jié)果,對得到 的魚眼視頻中的各幀圖像進(jìn)行畸變校正。圖2(c)為魚眼圖像校正結(jié)果。
[0076] 步驟9,根據(jù)畸變校正后的各幀圖像的畸變是否消除,判斷得到的畸變系數(shù)終值、 焦距終值和主點坐標(biāo)終值是否合理,若是,車載魚眼攝像頭自標(biāo)定結(jié)束,否則,執(zhí)行步驟2。
[0077] 參照圖2,圖2(a)為魚眼視頻截圖,從中可看出,路邊本應(yīng)呈現(xiàn)為直線的黃色實線, 在魚眼視頻中呈現(xiàn)為曲線;圖2(b)為不同特征點的軌跡,從中可看出,本應(yīng)形成一條直線軌 跡的特征點,在魚眼圖像中也呈現(xiàn)為曲線;圖2(c)為魚眼圖像校正結(jié)果,從中可看出,在魚 眼視頻中為曲線的黃色實線,經(jīng)過校正后變?yōu)橹本€,魚眼視頻中的圖像畸變得到校正。
【主權(quán)項】
1. 一種車載魚眼攝像頭自標(biāo)定的方法,包括如下步驟: (1) 利用車載魚眼攝像頭對車沿直線行駛的路面進(jìn)行拍攝,得到和車身距離等長的路 面魚眼視頻; (2) 提取得到的魚眼視頻第一帖中路面的特征點,并對特征點的位置和數(shù)量進(jìn)行控制, 使所選取的特征點不在同一條直線上; (3) 跟蹤選取的第一帖中路面的特征點,獲取同一特征點在不同帖中的坐標(biāo)信息; (4) 建立魚眼攝像頭擬合模型:其中,rd為得到的崎變圖像的特征點到主點坐標(biāo)的距離,。為得到的崎變校正后圖像對應(yīng)的 特征點到主點坐標(biāo)的距離,山古2、1?古4和1?為車載魚眼攝像頭崎變系數(shù)0的五個不同位置系 數(shù),旨陽=化1, k2, k3, k4, k己); (5) 利用步驟(3)獲取的同一特征點在不同帖中的坐標(biāo)信息,求取車載魚眼攝像頭焦距 的初始值,按如下步驟實現(xiàn): 5 a )將步驟(3 )獲取的同一特征點在不同帖中的坐標(biāo)信息,帶入行列式:,其中,J是位于同一條直線上的Ξ個特征點坐標(biāo)信息 滿足的關(guān)系行列式;山、U2和U3分別為不同帖中W圖像左上角坐標(biāo)為坐標(biāo)原點時的橫坐標(biāo); V1、V2和V3分別為對應(yīng)各帖中W圖像左上角坐標(biāo)為坐標(biāo)原點時的縱坐標(biāo);U0和V0分別為得到 的魚眼視頻中,每一帖圖像的主點坐標(biāo);S(0dl)、S(0d2)和S(0d3)分別為步驟(4)得到的魚眼 攝像頭擬合模型在Ξ幅不同魚眼圖像中的值fx和fy分別為焦距在X軸和y軸方向的分量; 化閑帶入的行列式忡的s(9di)、s(9d2)和S(9d3)的后四位系數(shù)均置0,得到魚眼攝像頭單參 數(shù)除法模型:5c)對得到的魚眼攝像頭單參數(shù)除法模聖進(jìn)行擬合,其中rd =巧d為魚眼攝像頭等距投影模型,表示崎變圖像的特征點到主點坐標(biāo)的 距離,。=ftan0d表示崎變校正后圖像對應(yīng)的特征點到主點坐標(biāo)的距離,擬合后得到崎變系 數(shù)D的初始值D' =化1',0,0,0,0); 5d)將得到的崎變系數(shù)的初始值D'帶入S(0dl)、S(0d2)和S(0d3)中,得到f5e)輸粟瞄帶入行列式J中,得菌5f )利用得到的行列式J',假設(shè)fx = fy=f,求取車載魚眼攝像頭焦距f的初始值f ' ; (6) 對得到的魚眼視頻中的任一帖圖像的邊緣進(jìn)行擬合,得到圓形曲線,并將該圓形曲 線的圓屯、坐標(biāo)作為主點坐標(biāo)初始值(u,v); (7) 利用行列式J對得到的崎變系數(shù)初始值D'、焦距初始值f'和主點坐標(biāo)初始值(u,v) 進(jìn)行優(yōu)化,得到崎變系數(shù)的終值、焦距的終值和主點坐標(biāo)的終值; (8) 利用得到的崎變系數(shù)的終值、焦距的終值和主點坐標(biāo)的終值,對得到的魚眼視頻中 的各帖圖像進(jìn)行崎變校正; (9) 根據(jù)崎變校正后的各帖圖像的崎變是否消除,判斷得到的崎變系數(shù)終值、焦距終值 和主點坐標(biāo)終值是否合理,若是,車載魚眼攝像頭自標(biāo)定結(jié)束,否則,執(zhí)行步驟(2)。2. 根據(jù)權(quán)利要求1所述的車載魚眼攝像頭自標(biāo)定的方法,其特征在于:步驟(2)中所述 的提取得到的魚眼視頻第一帖中路面的特征點,采用SIFT算法。3. 根據(jù)權(quán)利要求1所述的車載魚眼攝像頭自標(biāo)定的方法,其特征在于:步驟(3)中所述 的跟蹤提取的第一帖中路面的特征點,采用LK光流法。4. 根據(jù)權(quán)利要求1所述的車載魚眼攝像頭自標(biāo)定的方法,其特征在于:步驟(4)中所述 的建立魚眼攝像頭擬合模型是由等距投影模型,等立體角投影模型、正交投影模型和體視 投影模型變換擬合得到。5. 根據(jù)權(quán)利要求1所述的車載魚眼攝像頭自標(biāo)定的方法,其特征在于:步驟(7)所述的 利用行列式J對得到的崎變系數(shù)初始值D'、焦距初始值f'和主點坐標(biāo)初始值(u,v)進(jìn)行優(yōu) 化,采用列文伯格-馬夸爾特算法。
【文檔編號】G06T7/00GK105976377SQ201610301347
【公開日】2016年9月28日
【申請日】2016年5月9日
【發(fā)明人】姜光, 王瑞, 石恬, 賈靜
【申請人】西安電子科技大學(xué)