《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 設(shè)計(jì)應(yīng)用 > 應(yīng)用于相機(jī)標(biāo)定的亞像素棋盤(pán)角點(diǎn)檢測(cè)
應(yīng)用于相機(jī)標(biāo)定的亞像素棋盤(pán)角點(diǎn)檢測(cè)
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(jìn)制造學(xué)院
摘要： 在相機(jī)標(biāo)定過(guò)程中，棋盤(pán)角點(diǎn)檢測(cè)精度對(duì)于確保標(biāo)定結(jié)果的準(zhǔn)確性至關(guān)重要,。針對(duì)當(dāng)前棋盤(pán)角點(diǎn)檢測(cè)方法在精度方面的不足,，提出一種新型的亞像素級(jí)棋盤(pán)角點(diǎn)檢測(cè)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(jī)捕獲的棋盤(pán)圖像構(gòu)建角點(diǎn)熱圖。此外,，為了縮小編碼器特征和解碼器特征之間的語(yǔ)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(guò)高斯曲面擬合方法,，計(jì)算出精確的亞像素棋盤(pán)角點(diǎn)坐標(biāo)。實(shí)驗(yàn)結(jié)果表明,，該方法能夠有效提高角點(diǎn)檢測(cè)的精度,，并在相機(jī)標(biāo)定任務(wù)中實(shí)現(xiàn)了更低的重投影誤差,。
中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)識(shí)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(jī)標(biāo)定的亞像素棋盤(pán)角點(diǎn)檢測(cè)［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(jī)標(biāo)定對(duì)于計(jì)算機(jī)視覺(jué)應(yīng)用，如視覺(jué)測(cè)量,、三維重建,、虛擬現(xiàn)實(shí)［1］等有著至關(guān)重要的作用。目前,，相機(jī)標(biāo)定方法主要有三類(lèi)：基于標(biāo)定物的標(biāo)定方法［2-4］,、基于主動(dòng)視覺(jué)的標(biāo)定方法［5-6］以及相機(jī)自標(biāo)定方法［7-9］?；跇?biāo)定物的方法通過(guò)捕捉具有已知幾何特征的標(biāo)定物圖像來(lái)估計(jì)相機(jī)參數(shù),；基于主動(dòng)視覺(jué)的方法通過(guò)控制相機(jī)或標(biāo)定物的運(yùn)動(dòng)來(lái)獲取圖像數(shù)據(jù)，以提高標(biāo)定精度,；相機(jī)自標(biāo)定方法則無(wú)需使用特定標(biāo)定物,，而是通過(guò)分析圖像序列中的特征點(diǎn)來(lái)自動(dòng)估計(jì)相機(jī)參數(shù)。在這三類(lèi)標(biāo)定方法中,，基于標(biāo)定物的標(biāo)定方法由于其靈活性較強(qiáng),、魯棒性較高、操作相對(duì)簡(jiǎn)單等優(yōu)點(diǎn),，受到了廣泛青睞,。然而，這類(lèi)方法的標(biāo)定準(zhǔn)確性十分依賴(lài)于標(biāo)定板特征坐標(biāo)的精確定位,。以張氏標(biāo)定法［10］為例，標(biāo)定過(guò)程需要對(duì)棋盤(pán)格標(biāo)定板中的棋盤(pán)角點(diǎn)進(jìn)行精確定位,，一旦角點(diǎn)檢測(cè)出現(xiàn)偏差,，或者遇到圖像模糊、畸變等情況,，都會(huì)導(dǎo)致最終標(biāo)定參數(shù)的不準(zhǔn)確,。因此，探索一種高精度且適應(yīng)性強(qiáng)的角點(diǎn)檢測(cè)方法是提高棋標(biāo)定精度的一個(gè)關(guān)鍵問(wèn)題,。

傳統(tǒng)角點(diǎn)檢測(cè)算法大致可分為兩類(lèi)：基于灰度的方法和基于幾何特征的方法,。基于灰度的方法主要利用角點(diǎn)附近的灰度信息進(jìn)行角點(diǎn)的檢測(cè),，典型算法包括Harris角點(diǎn)檢測(cè)［11］和Shi-Tomasi［12］角點(diǎn)檢測(cè),。這種方法簡(jiǎn)單高效,，但可能對(duì)圖像噪聲較為敏感，且在邊緣和角點(diǎn)的區(qū)分上存在一定的局限性,?；趲缀翁卣鞯姆椒ㄍㄟ^(guò)檢測(cè)邊緣的交點(diǎn)或者特定的幾何形狀（如圓、直線等）來(lái)確定角點(diǎn),，這種方法通常能夠提供更準(zhǔn)確的角點(diǎn)位置,，尤其是在復(fù)雜場(chǎng)景中，但它們可能需要更多的計(jì)算資源,，并且對(duì)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(diǎn)檢測(cè)方法逐漸興起,。這類(lèi)方法通過(guò)大量的數(shù)據(jù)訓(xùn)練模型,，讓模型自動(dòng)學(xué)習(xí)角點(diǎn)的特征?；?a class="innerlink" href="http://wldgj.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(diǎn)檢測(cè)利用CNN強(qiáng)大的特征提取能力,，對(duì)圖像進(jìn)行多層卷積和池化操作，提取圖像的高層語(yǔ)義特征,。例如,，CornerNet［13］將角點(diǎn)檢測(cè)問(wèn)題轉(zhuǎn)化為目標(biāo)檢測(cè)問(wèn)題，使用沙漏網(wǎng)絡(luò)結(jié)構(gòu)來(lái)預(yù)測(cè)角點(diǎn)的位置和類(lèi)別,。這種方法在復(fù)雜場(chǎng)景下的角點(diǎn)檢測(cè)中表現(xiàn)出較高的準(zhǔn)確率和魯棒性,，但模型訓(xùn)練需要大量的標(biāo)注數(shù)據(jù)，且計(jì)算量較大,?？紤]到圖像中角點(diǎn)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(lái)進(jìn)行角點(diǎn)檢測(cè),。例如,，NF-ECD［14］檢測(cè)器將神經(jīng)網(wǎng)絡(luò)檢測(cè)魯棒特征點(diǎn)的能力與模糊邏輯相結(jié)合，通過(guò)模糊邏輯系統(tǒng),，依據(jù)關(guān)鍵角點(diǎn)參數(shù)對(duì)邊角進(jìn)行篩選,，僅保留在匹配過(guò)程中作用大的顯著角點(diǎn)。這種方法在提取關(guān)鍵點(diǎn)方面具有出色的魯棒性和顯著性,，但在實(shí)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(duì)以上問(wèn)題,，本文提出雙交叉注意亞像素棋盤(pán)角點(diǎn)檢測(cè)方法。首先，基于U-Net卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)一個(gè)端到端的角點(diǎn)熱圖網(wǎng)絡(luò),，該網(wǎng)絡(luò)能夠在不需要圖像先驗(yàn)信息的條件下為每個(gè)棋盤(pán)角點(diǎn)生成標(biāo)準(zhǔn)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(guò)在特征提取過(guò)程中依次捕捉多尺度特征之間的通道和空間依賴(lài)關(guān)系,，從而縮小上采樣與下采樣特征之間的語(yǔ)義差距,。此外，本文提出以棋盤(pán)角點(diǎn)數(shù)量作為監(jiān)督,，將連續(xù)熱圖匹配損失與獨(dú)特的分?jǐn)?shù)損失相結(jié)合,，該方法能夠在保證細(xì)粒度空間學(xué)習(xí)能力的同時(shí)，實(shí)現(xiàn)角點(diǎn)預(yù)測(cè)的稀疏性和準(zhǔn)確性,。為了驗(yàn)證所提出的亞像素角點(diǎn)檢測(cè)方法的有效性,，本文將設(shè)計(jì)的角點(diǎn)檢測(cè)模型應(yīng)用于CCS相機(jī)標(biāo)定系統(tǒng)，經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證,，該方法一定程度上提升了角點(diǎn)檢測(cè)精度,，為相機(jī)標(biāo)定任務(wù)提供了更加精確的角點(diǎn)坐標(biāo)。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://wldgj.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(jìn)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,。