eWand:广基准宽基线帧和事件相机系统的校准框架
介绍了Dynamic and Active-pixel Vision sensor(简称DAVIS)的特点及其在机器人技术和计算机视觉方面的潜在应用,同时公开了一组DAVIS数据集,旨在激发研究人员对于高速和高动态范围机器人技术和计算机视觉应用新算法的研究。
Oct, 2016
该论文提出了一种姿态选择方法,利用自我识别校准模式实时跟踪相机姿态从而指导用户到达目标姿态,使用不确定性传播避免一些不准确的姿态,并有助于提高相机校准的准确性,其可行性和优越性得到了实验证明。
Jul, 2019
本文提出一种基于基础设施的方法,通过分别对单个摄像机进行内部校准和用3D地图预建立的外部校准,从零开始完全校准多摄像机系统,并且在多种室内外场景中进行了广泛实验,结果表明我们的校准方法具有高准确性和鲁棒性。
Jul, 2020
本论文介绍了基于事件相机和神经网络的三维形状重建方法,通过事件到轮廓(E2S)神经网络模块和三维可微分渲染器(PyTorch3D)来实现视图间的一致性和微调,同时介绍了一种基于公开数据集的三维-事件模拟管线来生成监督学习的训练对。
Dec, 2020
使用基于神经网络的图像重建,提出通用的事件相机标定框架,实现内在和外在标定,从而可以进行基于时间和基于帧的传感器之间的内外标定,并证明该方法在不同畸变模型和畸变参数下都非常准确。
May, 2021
采用非对称圆形网格标定事件相机,提供了一种新的快速,鲁棒性好,准确性高的标定工具,尤其在对焦不准或光照条件恶劣的情况下表现良好,成功率、重投影误差和外参估计精度均表现优于现有方法。
Jun, 2023
本文介绍了SynthCal(一个合成相机校准基准测试管道),它生成校准图案的图像来测量相机参数,并在相机参数估计中实现准确量化,其中包括四种常见模式、两种相机类型和两种环境,评估单视图校准算法通过测量相同模式和相机设置的重投影和均方根误差,并使用Zhang方法分析不同模式的显着性)且实验结果证明了SynthCal在评估各种校准算法和模式方面的有效性。
Jul, 2023
RGB-D相机在机器人感知中至关重要,由于其能够生成带有深度数据的图像。然而,它们的有限视野经常需要多个相机来覆盖更大的区域。在多相机RGB-D设置中,目标通常是减少相机重叠,以尽可能少的相机进行空间覆盖。这篇研究提出了一种新的基于线条的RGB-D相机系统校准方法,通过利用周围的长线特征,并使用一种新的收敛投票算法来滤除异常值,相对于现有方法实现了无需目标、实时和鲁棒性能。我们在https://github.com/joomeok/PeLiCal.git上开源了我们的实现。
Apr, 2024
提出了一个名为EF-Calib的时空校准框架,用于事件相机和基于帧的相机的校准,通过引入可连续表示相机姿态的B样条曲线模型以及分析性的雅可比矩阵,实现了内参、外参和时间偏移的校准,具有较高的准确性和方便性。
May, 2024