论文部分内容阅读
随着光电子技术和数字图像处理及分析技术的深入发展,由物体的二维平面图像获取其三维信息的研究越来越受到研究人员的重视。此外,在图像测量、虚拟现实及三维重构等技术中都需要摄像机的运动参数和场景的欧式结构信息,而所有这些信息的获取都需要首先确定摄像机的内部参数。因此研究摄像机标定技术具有很重要的理论意义和实际应用价值。在回顾了国内外摄像机标定方法的基础上,分析了遗传算法和Levenberg- Marquardt(LM)算法的优化原理及特点,重点研究了未标定序列图像之间的内在联系,其中包括特征点的提取、特征点的匹配、基础矩阵的估计等,在此基础上提出了一种将改进的遗传算法与LM算法相混合优化的摄像机自标定方法。研究的主要内容如下:(1)针对线性摄像机模型,着重讨论了基础矩阵的性质及其在摄像机自标定中的重要作用。(2)研究并实现了使用尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法对图像特征点的提取和匹配,并用随机样本一致(Random Sample Consensus,RANSAC)算法对可能存在的误匹配进行了消除。分析了基础矩阵的估计算法,并根据匹配点相应地估计出了基础矩阵。(3)提出了一种将改进的遗传算法与LM算法相混合优化的摄像机自标定方法。该方法利用遗传算法具有良好全局搜索能力的特点,并根据遗传算法收敛性差等缺陷做了相应的改进,而LM算法又具有较好的局部收敛性能,将两者优化算法结合起来应用到摄像机自标定的非线性优化问题中,并进行了实验验证和结果分析。(4)开发了一个基于OpenCV和Visual C++ 6.0的摄像机自标定原型系统。此系统将OpenCV对图像和矩阵处理的函数与Visual C++ 6.0开发工具结合起来,实现了Visual C++ 6.0调用OpenCV函数的功能,进而实现了所提出的摄像机自标定方法。