机器视觉摄像机标定方法

   机器视觉的主要功能可以分为定位和识别两大类。识别主要指的是从摄像机获取图像信息并计算三维空间中物体的几何信息，以由此重建和识别物体。
    空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系是由摄像机成像的几何模型决定的，这些几何模型参数就是摄像机参数。在多数条件下，这些参数必须通过实验与计算才能得到，这个过程被称为摄像机定标(或称为标定)。
    摄像机的标定过程就是确定摄像机的几何和光学参数，以及摄像机相对于世界坐标系的方位。由于标定精度的大小，直接影响着计算机视觉 (机器视觉)的精度。因此，只有做好了摄像机标定工作，后续工作才能正常展开，可以说，提高标定精度也是当前科研工作的重要方面之一。
    摄像机标定可以分为传统的摄像机标定方法和摄像机自标定方法两大类。传统的摄像机标定方法按照标定参照物与算法思路可以分成若干类，如基于3D立体靶标的摄像机标定、基于2D平面靶标的摄像机标定、以及基于径向约束的摄像机标定等。传统的摄像机标定需要标定参照物，基本方法是在一定的摄像机模型下，通过对特定标定参照物进行图像处理，为了提高计算精度，还需确定非线性畸变校正参数，并利用一系列数学变换公式计算及优化，来求取摄像机模型内部参数和外部参数。因此该方法在场景未知和摄像机任意运动的一般情况下，其标定很难实现。
    20世纪90年代初，Faugeras，Luong，Maybank等人首次提出了摄像机自标定方法。这种自标定法利用摄像机本身参数之间的约束关系来标定，而与场景和摄像机的运动无关，所以更为灵活。摄像机自标定相对于传统方法有更好的灵活性和实用性，通过多年的不懈努力，理论上的问题已基本解决，目前研究的重点是如何提高标定算法的鲁棒性以及如何很好地用这些理论来解决实际视觉问题。为了提高鲁棒性，在实际应用中建议更多的使用分层逐步自标定方法，并应对自标定的结果进行线性优化。