《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計應(yīng)用 > 應(yīng)用于相機標定的亞像素棋盤角點檢測
應(yīng)用于相機標定的亞像素棋盤角點檢測
網(wǎng)絡(luò)安全與數(shù)據(jù)治理
陳澤勇1，吳麗君1,，李乙2
1.福州大學(xué)物理與信息工程學(xué)院,； 2.福州大學(xué)先進制造學(xué)院
摘要： 在相機標定過程中，棋盤角點檢測精度對于確保標定結(jié)果的準確性至關(guān)重要,。針對當前棋盤角點檢測方法在精度方面的不足,，提出一種新型的亞像素級棋盤角點檢測技術(shù)。首先,，采用U-Net卷積神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò),，根據(jù)相機捕獲的棋盤圖像構(gòu)建角點熱圖。此外,，為了縮小編碼器特征和解碼器特征之間的語義差距,，創(chuàng)新性地引入了通道和空間雙交叉注意模塊。接著，通過高斯曲面擬合方法,，計算出精確的亞像素棋盤角點坐標,。實驗結(jié)果表明，該方法能夠有效提高角點檢測的精度,，并在相機標定任務(wù)中實現(xiàn)了更低的重投影誤差,。
中圖分類號：TP391文獻標識碼：ADOI:10.19358/j.issn.2097-1788.2025.04.007
引用格式：陳澤勇，吳麗君,，李乙. 應(yīng)用于相機標定的亞像素棋盤角點檢測［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理,，2025，44（4）：46-51.
Subpixel checkerboard corner detection for camera calibration
Chen Zeyong1, Wu Lijun1, Li Yi2
1. School of Physics and Information Engineering,，F(xiàn)uzhou University; 2. School of Advanced Manufacturing,，F(xiàn)uzhou University
Abstract： In the camera calibration process, the accuracy of chessboard corner detection is crucial for ensuring the precision of calibration results. Addressing the insufficient accuracy of current chessboard corner detection methods, this study proposes a novel sub-pixel level chessboard corner detection technique. Firstly, the U-Net convolutional neural network is employed as the backbone network to construct corner heatmaps based on the captured chessboard images. In addition, in order to reduce the semantic gap between encoder and decoder features, this research innovatively introduces a channel and spatial dual-cross attention module. Subsequently, precise sub-pixel chessboard corner coordinates are calculated using a Gaussian surface fitting method. Experimental results demonstrate that this method effectively improves the accuracy of corner detection and achieves lower reprojection error in camera calibration tasks.
Key words : camera calibration; corner detection; channel and spatial cross-attention; convolutional neural network

引言

相機標定對于計算機視覺應(yīng)用，如視覺測量,、三維重建,、虛擬現(xiàn)實［1］等有著至關(guān)重要的作用。目前,，相機標定方法主要有三類：基于標定物的標定方法［2-4］,、基于主動視覺的標定方法［5-6］以及相機自標定方法［7-9］?；跇硕ㄎ锏姆椒ㄍㄟ^捕捉具有已知幾何特征的標定物圖像來估計相機參數(shù),；基于主動視覺的方法通過控制相機或標定物的運動來獲取圖像數(shù)據(jù)，以提高標定精度,；相機自標定方法則無需使用特定標定物,，而是通過分析圖像序列中的特征點來自動估計相機參數(shù)。在這三類標定方法中,，基于標定物的標定方法由于其靈活性較強,、魯棒性較高、操作相對簡單等優(yōu)點,，受到了廣泛青睞,。然而，這類方法的標定準確性十分依賴于標定板特征坐標的精確定位,。以張氏標定法［10］為例,，標定過程需要對棋盤格標定板中的棋盤角點進行精確定位，一旦角點檢測出現(xiàn)偏差,，或者遇到圖像模糊,、畸變等情況，都會導(dǎo)致最終標定參數(shù)的不準確,。因此,，探索一種高精度且適應(yīng)性強的角點檢測方法是提高棋標定精度的一個關(guān)鍵問題,。

傳統(tǒng)角點檢測算法大致可分為兩類：基于灰度的方法和基于幾何特征的方法?；诨叶鹊姆椒ㄖ饕媒屈c附近的灰度信息進行角點的檢測，典型算法包括Harris角點檢測［11］和Shi-Tomasi［12］角點檢測,。這種方法簡單高效,，但可能對圖像噪聲較為敏感，且在邊緣和角點的區(qū)分上存在一定的局限性,?；趲缀翁卣鞯姆椒ㄍㄟ^檢測邊緣的交點或者特定的幾何形狀（如圓、直線等）來確定角點,，這種方法通常能夠提供更準確的角點位置,，尤其是在復(fù)雜場景中，但它們可能需要更多的計算資源,，并且對圖像預(yù)處理的要求較高,。

隨著深度學(xué)習(xí)的發(fā)展，基于學(xué)習(xí)的角點檢測方法逐漸興起,。這類方法通過大量的數(shù)據(jù)訓(xùn)練模型,，讓模型自動學(xué)習(xí)角點的特征?；?a class="innerlink" href="http://forexkbc.com/tags/卷積神經(jīng)網(wǎng)絡(luò)" target="_blank">卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network , CNN）的角點檢測利用CNN強大的特征提取能力,，對圖像進行多層卷積和池化操作，提取圖像的高層語義特征,。例如,，CornerNet［13］將角點檢測問題轉(zhuǎn)化為目標檢測問題，使用沙漏網(wǎng)絡(luò)結(jié)構(gòu)來預(yù)測角點的位置和類別,。這種方法在復(fù)雜場景下的角點檢測中表現(xiàn)出較高的準確率和魯棒性,，但模型訓(xùn)練需要大量的標注數(shù)據(jù)，且計算量較大,?？紤]到圖像中角點之間的上下文關(guān)系，一些研究采用神經(jīng)網(wǎng)絡(luò)結(jié)合其他技術(shù)來進行角點檢測,。例如,，NF-ECD［14］檢測器將神經(jīng)網(wǎng)絡(luò)檢測魯棒特征點的能力與模糊邏輯相結(jié)合，通過模糊邏輯系統(tǒng),，依據(jù)關(guān)鍵角點參數(shù)對邊角進行篩選,，僅保留在匹配過程中作用大的顯著角點。這種方法在提取關(guān)鍵點方面具有出色的魯棒性和顯著性,，但在實際應(yīng)用中,，可能面臨著模型復(fù)雜度,、參數(shù)調(diào)優(yōu)等挑戰(zhàn)。

針對以上問題,，本文提出雙交叉注意亞像素棋盤角點檢測方法,。首先，基于U-Net卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計一個端到端的角點熱圖網(wǎng)絡(luò),，該網(wǎng)絡(luò)能夠在不需要圖像先驗信息的條件下為每個棋盤角點生成標準高斯分布,，在網(wǎng)絡(luò)的上采樣和下采樣跳躍連接部分引入雙交叉注意模塊（Dual Cross-Attention, DCA），通過在特征提取過程中依次捕捉多尺度特征之間的通道和空間依賴關(guān)系,，從而縮小上采樣與下采樣特征之間的語義差距,。此外，本文提出以棋盤角點數(shù)量作為監(jiān)督,，將連續(xù)熱圖匹配損失與獨特的分數(shù)損失相結(jié)合,，該方法能夠在保證細粒度空間學(xué)習(xí)能力的同時，實現(xiàn)角點預(yù)測的稀疏性和準確性,。為了驗證所提出的亞像素角點檢測方法的有效性,，本文將設(shè)計的角點檢測模型應(yīng)用于CCS相機標定系統(tǒng)，經(jīng)過實驗驗證,，該方法一定程度上提升了角點檢測精度,，為相機標定任務(wù)提供了更加精確的角點坐標。


本文詳細內(nèi)容請下載：

http://forexkbc.com/resource/share/2000006412


作者信息：

陳澤勇1,，吳麗君1,，李乙2

（1.福州大學(xué)物理與信息工程學(xué)院，福建福州350108,；

2.福州大學(xué)先進制造學(xué)院,，福建福州350108）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。