基于视觉传感器的智能车摄像头标定技术研究

实验方法

　　情况(1)：摄像头俯角小，虽有桶形失真，但关键区域处于图像中部。如图9所示。分段逆透视变换适用于这种情况。

　　若忽略桶形失真，即让U=Xu+Center_u，V=Yu +Center_v(注意图7中图像原点Ouv在摄像头坐标系中坐标为(- Center_u，- Center_v，f))，则由公式1和公式2可知，

　　由于Zw=0，上式又可写成:

　　反解Xw，Yw，可得:

　　上式又可写成:

　　理论上根据4个点m1-m8就可以有一组解。

　　实验步骤如下：以车头为原点，在车头前选取8个点，如图10所示(单位：cm)。 选点要求范围尽量大，跑道经常出现的区域，但又不能处于摄像头输出图像边缘区域;从图9中读出各点像素坐标(a，b);根据分辨率将各像素坐标转换为单片机图像坐标，这是一个线性变换;将8个点分成near、middle、far三组，每组4个点，根据式6可求出三组解。


在单片机程序中，当图像预处理得到(U，V)后，可根据式5解出(Xw，Yw)，差别是(U，V)处于不同位置时用不同的参数。由于相邻梯形有两个点是复用的，所以参数不会出现跳跃。图11显示该方法效果很好。

　　文献[7]中提到可以选取很多点，然后采用最小二乘法进行拟合。但是由于各像素点失真程度不一样(越远离图像中心失真越严重)，所以最后结果可能是本来失真较小的点被失真较大的点所"拖累"，没有一个点是准确的。

　　情况(2)：摄像头俯角较大，跑道会出现在图像各个位置(如图1(b)所示)，这时单片机需要对整幅图像进行处理。可使用下列方法。

　　这时不再让U=Xu，V=Yu，而是设

　　从图像中读出多个像素坐标(U，V)，令k初值为0.00001，通过式7解出(Xu，Yu)，根据式6通过最小二乘法解出 ，再根据式5求出(Xw，Yw)，求出拟合误差sum_err。(这里要将式5与式6中的U、V分别换成Xu、Yu)。有关最小二乘法可参考文献[8]。

　　将k累加0.00001，同样的步骤可求出sum_err。

　　画出k与sum_err曲线，sum_err起初随着k增大而减小，但从某个k开始又开始增大，k值即取拐点处的值。

　　结论

　　本文根据摄像头成像模型，导出逆透视变换公式，并根据两种情况分别给出解决方案。该解决方案方便可行，可供各参赛摄像头队伍参考。