咨询热线：13080701712
返回
沈宇动态
通过泰勒级数测量摄像头干扰器
在本文中，我们提出了一种灵活的单视点全向摄像头校准新技术。所提出的方法仅需要相机观察在几个不同方向上显示的平面图案。相机或平面图案都可以自由移动。不需要运动的先验知识，也不需要全向传感器的特定模型。唯一的假设是图像投影函数可以通过泰勒级数展开来描述，其干扰器系数通过求解两步最小二乘线性最小化问题来估计。
为了测试所提出的技术，我们校准了垂直方向视场大于200的全景监控，并获得了非常好的结果。为了研究校准的准确性，我们还在运动实验的结构中使用了估计的全向相机模型。我们仅使用图像对应关系从两个高度扭曲的全向图像中获得了场景的 3D 度量重建。与依赖于全向相机的特定参数模型的经典技术相比，所提出的程序独立于传感器，易于使用且灵活。我们提出了一种有效的方法，将边缘和特征点提供的信息结合起来，以实现强大的实时3D跟踪。这使我们的跟踪器可以处理屏蔽器纹理和未纹理的对象。
由于它可以利用更多的监控摄像头图像信息，因此它更稳定，不太容易漂移纯粹的边缘或基于特征的信息。我们从我们在早期工作中开发的基于功能点的跟踪器开始，并集成了考虑边缘信息的能力。然而，在混乱或纹理背景的情况下，实现最佳性能并远远远非微不足道，因为许多典型的边缘检测器的虚假边缘。我们通过提出一种处理多种假设的潜在边缘位置的方法来克服这一困难，该方法的速度与仅考虑单个假设的方法相似，因此比常规多多种假设的方法要快得多。这会导致实时的3-D干扰屏蔽器跟踪算法，该算法可利用纹理和边缘信息，而不会对误导背景信息敏感，并且不会随着时间的流逝而漂移。
为了测试所提出的技术，我们校准了垂直方向视场大于200的全景监控，并获得了非常好的结果。为了研究校准的准确性，我们还在运动实验的结构中使用了估计的全向相机模型。我们仅使用图像对应关系从两个高度扭曲的全向图像中获得了场景的 3D 度量重建。与依赖于全向相机的特定参数模型的经典技术相比，所提出的程序独立于传感器，易于使用且灵活。我们提出了一种有效的方法，将边缘和特征点提供的信息结合起来，以实现强大的实时3D跟踪。这使我们的跟踪器可以处理屏蔽器纹理和未纹理的对象。
由于它可以利用更多的监控摄像头图像信息，因此它更稳定，不太容易漂移纯粹的边缘或基于特征的信息。我们从我们在早期工作中开发的基于功能点的跟踪器开始，并集成了考虑边缘信息的能力。然而，在混乱或纹理背景的情况下，实现最佳性能并远远远非微不足道，因为许多典型的边缘检测器的虚假边缘。我们通过提出一种处理多种假设的潜在边缘位置的方法来克服这一困难，该方法的速度与仅考虑单个假设的方法相似，因此比常规多多种假设的方法要快得多。这会导致实时的3-D干扰屏蔽器跟踪算法，该算法可利用纹理和边缘信息，而不会对误导背景信息敏感，并且不会随着时间的流逝而漂移。
