亚像素级精度的角点
来源:互联网 发布:淘宝网店铺装修素材 编辑:程序博客网 时间:2024/06/10 03:02
(本文转自:http://www.vipcn.com/jingwenhuicui/luyousheying/325448_4.html)
1 引言
基于单平面模板的摄像机自标定是当前运用比较广泛的摄像机标定要领,只须要摄像机从不同方向拍摄3幅用于标定的图像(棋盘格),提取出其中的角点,根据其与平面模板间的联系,确定单应性矩阵,便可以计算出摄像机的全部内参数。其优点是操作简便并且无需知道模板的运动情况。但这种标定要领要求标定图像非常平整,而且要求角点清晰易分辨。无形中就约束了激光打印机的精度。而准确提取标定板上特征点的坐标是这种自标定中最为关键的一步,直接联系到标定结果的精确度。为处理这一疑问,提出运用Harris算法提取出角点后,再将其坐标精确到亚像素级,以提高标定的精度。
2 基于Harris算法的角点提取
Harris算子是Harris和Stephens在1988年提出的一种基于静止图像的点特征提取算子。这种算子受信号处理中自有关函数的启发,给出与自有关函数相联系的矩阵。矩阵的特征值是自有关函数的一阶曲率,对图像中的任意一点,如果它的水平曲率和垂直曲率值都高于局部邻域中其他点,则认为该点是特征点。它计算基本有效同时非常稳定,在图像旋转、灰度、噪声影响和视点变换的条件下,与其他算子相比是最稳定的一种点特征提取算子。Harris算子定义为:
式中:
其中gx为x方向的梯度,gy为y方向的梯度,G(s)为高斯模板,⊕为卷积操作,I为每点的兴趣值;det为矩阵的行列式;tr为矩阵的迹;k为体会值,一般取0.04。
Harris算子在摄像机标定图像的运用要领:首先计算图像中的每个点在横向和纵向的一阶导数以及它们的乘积。从而得到3幅新的图像。这3幅图像中的每个像素对应的属性值分别为gx,gy和gxgy。然后运用高斯滤波处理这3幅图像,接着计算原图像上对应的每个点的兴趣值。计算完各点的兴趣值后,要提取出原始图像中的所有局部兴趣值最大的点,即依次取出每个像素的8邻域中的每个像素,从这些像素中找出兴趣值最大者。特征点就是中心点像素的兴趣值为最大的点。
3 精确角点坐标至亚像素级
对于棋盘格图像如图1所示,角点附近的点可分为在边缘上的点和不在边缘上的点两类。B点上的梯度方向与OB垂直,而A点处灰度梯度为零,可见在角点O附近点的灰度梯度均垂直于该点与角点的连线。
用数学式可表达如下:
式中:为灰度梯度向量,为图像原点指向O点的坐标,为图像原点指向第i点的坐标。
实际图像可能受到噪声的影响,故一般情况下式(1)不为0。设误差为θ,即:
故求角点准确位置的疑问转化为求使误差和S最小的点的疑问。该疑问可用迭代的要领优化求解,对式(1)两端同时乘以得:
将角点邻域内所有点分别代入式(4)。把所有结果求和,可得出:
这样就得到了角点O的迭代式,通过对原始Harris角点执行 一定级数的迭代优化,可以得到其更精确的坐标位置。
- 亚像素级精度的角点
- 亚像素级精度的角点
- 亚像素级精确度的角点
- 亚像素级的角点检测--goodFeaturesToTrack()
- cvFindCornerSubPix亚像素角点寻找函数
- opencv 寻找亚像素角点
- 相机的像素精度,物理定位精度,亚像素定位之间的关系和进行像素的固定误差累积
- opecv-亚像素水平检测角点位置
- opencv3 寻找亚像素角点-cornerSubPix函数
- opencv3 寻找亚像素角点-cornerSubPix函数-滚动条
- opencv学习之亚像素角点检测
- 寻找Harris、Shi-Tomasi和亚像素角点
- 亚像素级点定位及边缘定位算法
- OpenCV之feature2d 模块. 2D特征框架(1)Harris 角点检测子 Shi-Tomasi角点检测子 定制化创建角点检测子 亚像素级的角点检测 特征点检测
- MATLAB 亚像素点检测代码;
- 亚像素类型的意义
- 摄像机模型与标定—棋盘、亚像素角点和绘制棋盘角点
- 摄像机模型与标定—棋盘、亚像素角点和绘制棋盘角点
- R.layout.main总是在layout上游错…
- R.layout.main总是在layout上游错…
- 机器学习中的数学(5)-强大的矩阵奇…
- 机器学习中的数学(5)-强大的矩阵奇…
- 关于DPM(Deformable Part Model)算法中模型结构的解释
- 亚像素级精度的角点
- 亚像素级精度的角点
- CamShift算法
- CamShift算法
- win7下如何把程序图标添加到任务栏…
- win7下如何把程序图标添加到任务栏…
- emgucv下载和安装
- emgucv下载和安装
- 32自定控件