Feb, 2024

基于旋转和投影矩阵的几何约束相机标定

PDF
TL;DR相机标定是估计内参和外参参数的过程，本文提出了一种基于几何约束的损失函数来测量相机参数，并通过神经网络学习框架进行优化，实验结果表明，在合成和实际数据集上，相比最先进的基准模型，我们的方法在所有参数上都有所改进。
camera calibrationintrinsic parametersextrinsic parametersgeometric constraint lossneural network
发现论文，激发创造
  • GP2C：约束几何投影参数的一致性以估计关节 3D 姿势和在野外的焦距

    我们提出了一种联合 3D 姿态和焦距估计方法，采用深度学习技术和几何算法，通过将焦距明确地估计和整合到 3D 姿态估计中来实现对野外物体类别的姿态和焦距估计，并在 Pix3D、Comp 和 Stanford 三个具有不同物体类别的具有挑战性的真实世界数据集上进行了详细的评估，结果在多个指标上明显优于现有方法。

    Aug, 2019

  • 无模型畸变校正的单张图像相机标定

    提出了一种从单幅图像中估计完整的标定参数集的方法，通过数字图像相关获得图像点和标定目标上物理点之间的对应关系，同时在先前评估了主点之后分别计算出有效焦距和外部参数，最终获得整个图像上密集均匀的无模型畸变图。

    Mar, 2024

  • 从混沌到校准：一种基于几何互信息的无目标相机 - LiDAR 外部标定方法

    无需训练数据、人工设计特征或离线优化的无目标外参校准算法，能够准确、精确且极其鲁棒地融合多个传感器的数据到共同的空间参考框架中，利用几何特征提供了稳健的用于相机 - 激光雷达外参校准的信息度量。

    Nov, 2023

  • 单图像摄像机标定的神经几何解析器

    我们提出了一个神经几何解析器，通过学习使用单个图像进行机器场景的相机校准。相比之前仅依赖于神经网络得到的语义提示的神经网络方法，我们的方法同时考虑了语义和几何提示，从而显著提高了准确性。

    Jul, 2020

  • 单目视频中几何约束的自监督学习：连接光流、深度和相机

    GLNet 是一种自监督框架，可从单目视频中学习深度估计、光流、相机姿态和内在参数，包括设计考虑多种几何约束及自适应光度损失的新型损失函数、扩展模型以预测相机内参、提出几种在线细化策略。在 KITTI 和 Cityscapes 数据集上，GLNet 优于以前的自监督方法，并且在 YouTube 视频中表现良好。

    Jul, 2019

  • 复杂拓扑场景中的单应性估计

    我们提出了一种基于字典的自动化摄像机校准方法，利用定制的空间变换网络（STN）和新颖的拓扑损失函数，改善了 IoU 指标，相对于最先进模型提高了 12％。

    Aug, 2023

  • 相机和全局姿态传感器的联合时空校准

    本研究提供了两种新方法来估计相机和全局姿态传感器之间的准确可靠的时空校准参数。第一种是高精度和一致性的离线基于目标的方法，通过同时优化时空参数、摄像机内参和轨迹。第二种是无需标定目标的在线方法，实现了估计时空参数的时变性，并进行了详细的可观测性分析，从而为校准提供了可解释的指导原则。最后，通过手持实际数据集的评估，验证了两种方法的准确性和一致性，这些数据集在传统手眼校准方法中无法工作。

    Mar, 2024

  • 自主在线摄像头校准技术在自动驾驶和停车应用中的研究

    提出了一个深度学习框架来实时学习相机的内部和外部校准，该框架自我监督，无需标注或监督学习校准参数，并且无需物理目标或在特殊平面表面上驾驶车辆。

    Aug, 2023

  • 最小视角自标定

    介绍了一种新的最小问题家族，以解决多视图的重建问题，并提出了一种创新的自标定方法，通过对图像点、三维点的未知深度和部分指定的标定矩阵 K 的约束来解决问题。通过实验表明，与现有方法相比，我们的方法在准确性上取得了卓越的成果。

    May, 2024

  • 未标定相机的五点基础矩阵估计

    使用 SIFT 检测器获取的五个旋转不变特征对，估计两视图中的基础矩阵，首先从三个对应点估计一个单应性矩阵，然后从该矩阵和另外两个位置一般的点对中获取基本矩阵，结合 Graph-Cut RANSAC 等鲁棒估计器优于其他最先进的算法，在准确性和所需迭代次数方面得到验证。作为潜在应用，我们展示了使用所提出的方法使得两视图多运动估计更加准确。

    Mar, 2018