[发明专利]基于边缘尺度自适应散焦模糊估计的机器人相机标定方法

说明书

本发明公开了一种基于边缘尺度自适应散焦模糊估计的机器人相机标定方法，先利用待标定相机获取棋盘格图片，并对所获取的棋盘格图片进行Canny边缘检测和角点检测；其次，根据Canny边缘检测值构造一个尺度一致的边缘图；然后，设定边缘检测的局部尺度值，同时设定两次重模糊图像的模糊值；再次对棋盘格图像分别进行高斯模糊，并求取两次重模糊图像的梯度比率；接着，计算出棋盘格原始图片每个角点的散焦模糊量；再以检测的角点为圆心，以散焦模糊量为半径作圆，同时设定相机标定能量方程的权值；最后，根据优化的相机标定能量方程，在所得到的圆范围内对能量方程进行迭代直至收敛，输出最优相机标定参数，可以极大提高相机标定的精度。

技术领域

本发明主要涉及视觉感知技术领域，具体地说，涉及一种基于边缘尺度自适应散焦模糊估计的机器人相机标定方法。

背景技术

相机标定技术在移动小车视觉感知，机械臂末端视觉，乃至月球车与火星车的视觉感知过程起着至关重要的作用，相机标定过程关系到相机参数的获取，直接影响立体视觉中立体匹配的精度，与环境三维重建的精度，所以相机标定过程也对移动小车基于立体视觉的视觉导航的精度提升起着关键作用，直接影响视觉感知任务是否能够完成。

在高精度相机标定的过程中，对相机标定模板的控制点进行高精度提取是一个非常关键的过程，控制点提取精度越高，则对实际成像过程描述的准确性越高，相机参数获取的精度则越高。影响相机控制点提取精度的一个关键因素则是图像的散焦模糊，散焦模糊的形成原因是成像物体并没有在物体的焦平面上，通过相机模型所成的像并不清晰，成像地点相比图像平面或远或近，导致在图像平面上呈现的是一小块圆形区域，称为圆形混淆区。散焦模糊的图像可以被建模为准确的清晰图像与二维高斯函数的卷积，而圆形混淆区也与该高斯函数的标准差成正相关，所以我们可以通过获得高斯函数的标准差来获得圆形混淆区，该高斯函数的标准差称为模糊量，对其获取的过程称为散焦模糊估计。AliKaraali等在《Edge-Based Defocus Blur Estimation With Adaptive Scale Selection》一文中采用了通过获取图像的边缘图，然后对原始图像进行两次重模糊，构建尺度一致的边缘图，并进行尺度自适应选择，获得边缘位置的初始模糊估计的方法，但是其目的旨在获得整幅图片的全散焦模糊图，且并没有应用到相机标定过程中，用以提升相机标定的精度。汪蕾等在《散焦模糊量估计的相机加权标定方法》中将散焦模糊的过程应用到相机标定过程，且引入权值到相机的标定能量函数中，用以提升相机标定的精度，但是其散焦模糊量的获取方法是通过先获取水平与数值两个方向的一维模糊量，在整合成二维模糊量，精度差，鲁棒性低，且其引入的权值只是简单的根据控制点的清晰程度来增加清晰点或减弱模糊点在相机标定过程中起到的作用，并没有完全发挥模糊量应有的作用。Jianyang Liu等在《Robust Camera Calibration by Optimal Localization of Spatial Control Points》一文中，利用相机的镜头畸变与透视畸变的矫正距离，与散焦模糊的模糊量为半径分别作圆，取并集所得范围用以回归精确的控制点，但是其散焦模糊量的获取精度较低，且不能单独发挥散焦模糊量的作用，在相机标定能量函数最小化过程中，没有合适的对相机标定能量函数进行权值的引入，收敛速度过低。

发明内容

有鉴于此，本发明的目的在于提供一种基于边缘尺度自适应散焦模糊估计的机器人相机标定方法，可以在得到高精度散焦模糊量的基础上，利用优化的相机标定能量函数进行迭代，有效的发挥散焦模糊量在相机标定能量函数中的作用，同时提高收敛速度，最大化的去除散焦模糊对相机参数获取过程的影响，最后得到更精确的相机标定参数值。

本发明的基于边缘尺度自适应散焦模糊估计的机器人相机标定方法，包括以下步骤：

步骤1、利用待标定相机获取棋盘格图片；

步骤2、对所获取的棋盘格图片进行Canny边缘检测和角点检测；

步骤3、根据Canny边缘检测值构造一个尺度一致的边缘图；