《一种新的基于散焦图像的摄像机标定方法.doc》由会员分享，可在线阅读，更多相关《一种新的基于散焦图像的摄像机标定方法.doc（5页珍藏版）》请在三一文库上搜索。
1、一种新的基于散焦图像的摄像机标定方法?丶?词：计算机视觉； 散焦求深度； 标定； 光圈指数； 深度估计 Novel algorithm of camera calibration based on defocus images ZHANG Quan-bing， GONG Yan-yan (Key Laboratory of Intelligent Computing & Signal Processing for Ministry of Education, Anhui University, Hefei 230039, China) Abstract:In order to realizep
2、recise calibrationand restore depth of scene, proposed a novel camera parameter calibration method for DFD. The proposed methodestimates blur level differencebetween thetwodefocused imagesof the same scene obtained by changing cameras F number. Then could calibrate the responding camera parameters c
3、ombiningwith imaging geometryof the thin lens. This algorithm relieved the request of calibration algorithm given by Park that one of the images used in calibration must be focused. And which was valid without process of scale normalization. Finally, calibrated parameters yield consistent results in
4、 depth estimation. The proposed algorithm is tested using synthetic and real images. The results obtained are validand accurate. Key words：computer vision; depth-from-defocus(DFD); calibration; F number; depth estimation ? 0 引言 计算机视觉的基本任务是根据若干幅世界景物的图像求得对真实景物世界的理解。人类通过眼睛可以很容易地感知到景物的诸多信息（包括空间结构、颜色、纹理、
5、状态、发展趋势等），而让计算机具有人类同样的视觉功能却相当困难。众所周知，在由三维景物到二维投影图的成像过程中会丢失大量的信息，而其中重要的一点就是深度信息的丢失。因此，由2D投影图像来重构3D物体的深度信息就成了计算机视觉中的一个核心问题。 从2D图像中,可以提取不同的线索用于场景的深度估测，如立体、运动、阴影和散焦等。本文主要研究散焦线索。对比从聚焦图像求深度（depth from focus, DFF）的方法，散焦图像求深度（DFD）的方法仅需要两幅或一幅图像用于深度估计，而DFF则一般需要十几幅图像，并需要漫长的搜索过程。另外与常见的立体视觉和运动视觉相比，DFD有一个巨大的优点是无须
6、考虑不同图像间对应点的匹配问题。所以，散焦作为一种新兴的深度恢复方法，受到了视觉领域广泛的重视。 早在1987年，Pentland1首先提出了物体的深度信息可以通过两幅散焦程度不同的图像获得。1988年Subbarao放宽了Pentland方法中一幅图像必须使用针孔相机取像的限制2，随后与Surya用一个空间变换的方法重建出散焦图像中物体的深度3。Xiong等人4提出了利用Gabor变换中的短时傅里叶变换来滤除窗口边界生长的寄生高频分量干扰的方法，提高了估计深度信息的精度。最近，Vinay等人5把散焦成像过程看做是热扩散过程，利用扩散理论产生场景的散焦空间，通过该空间确定出景物的深度。Ziou
7、等人6提出用Hermite多项式表示局部图像，依靠在空间域中求解一组方程计算出两幅散焦图像间的模糊差异。Favaro等人7将场景重建分为形状重建和纹理重建两个部分，提出依靠最小化信息散度恢复场景三维形状的方法。 二十多年来，已有一些DFD算法被提出，但这些算法均要从改变摄像机内部参数所形成的散焦图像中求取模糊程度信息进而估计深度的，因此任何DFD算法均需要精确的标定摄像机内参数，它是实现深度恢复的第一步。目前大多数DFD技术不是采用传统的摄像机标定算法去标定摄像机，就是专门设计视觉系统去精确控制和测量摄像机透镜参数。可现存的标定技术都是在假设摄像机是一个针孔模型来实现的，而散焦成像使用的是薄透
8、镜，这必然给标定的结果带来一定的误差。另一方面，要设计一个精确的视觉系统又是非常昂贵的，这个问题至今仍具有很大的挑战性。Tsai等人8曾用一幅图像采用人工神经网络的方法去估计深度，他们利用散焦图像的模糊程度与物体的深度来构造神经网络，在三个不同的距离下取144个数据点来标定摄像机的参数；Rajagopalan等人9在其恢复深度的实验中，用一个真实的物体去标定摄像机；Subbarao等人引入了一种空间域卷积与反卷积变换的方法,他们专门设计了一个摄像机系统,依靠透镜规格说明表确定摄像机的参数。 2006年由Park10提出了一种基于STM (spatial-domain convolution/d
9、oconvolution transform)的标定算法（image-based defocus calibration,IBDC），摆脱了以往的标定方法模式，仅仅依靠从图像中提取散焦信息来进行标定。算法简单，同时也提高了标定的精度。但该算法中用于标定的两幅图像是通过改变摄像机像距获得的，这样场景在像平面中成像的尺寸就必然跟随像距的变化而发生改变，为了能够正确地比较这两幅图像，就要对其进行复杂的标准化处理。另外对于普通的专业相机来说，可以读出或者调节它的焦距和光圈指数F，变焦时焦距与像距均会相应地发生改变。而仅仅调节像距并读出它的参数值是不可能。IBDC算法精确地调节像距，则必须要对成像装置进行专门的改进。最后它还要求这两幅图像中必须要有一幅是聚焦的。对于一个薄透镜来说，其本质属性就是倾向于散焦成像，拍摄完全的聚焦图像（所有点对应的扩散参数均为0）本身就相当困难,且需要漫长的搜索过程。本文对IBDC算法进行了改进,通过改变镜头光圈指数获取两幅不同模糊程度的散焦图像,利用图像间模糊程度的差异,同时结合摄像机成像几何实现参数标定，解决了以上存在的问题。