La autocalibración de la cámara es el proceso de determinar los parámetros internos de la cámara directamente a partir de múltiples imágenes no calibradas de escenas no estructuradas. A diferencia de la calibración clásica de la cámara , la calibración automática no requiere ningún objeto de calibración especial en la escena. En la industria de los efectos visuales, la autocalibración de la cámara es a menudo parte del proceso "Match Moving" en el que se resuelve una trayectoria de cámara sintética y un modelo de proyección intrínseco para reproyectar contenido sintético en video.
La autocalibración de la cámara es una forma de descubrimiento de la estructura del ego del sensor ; los efectos subjetivos del sensor se separan de los efectos objetivos del entorno, lo que lleva a una reconstrucción del mundo percibido sin el sesgo aplicado por el dispositivo de medición. Esto se logra mediante el supuesto fundamental de que las imágenes se proyectan desde un espacio euclidiano a través de un modelo de cámara estenopeica lineal de 5 grados de libertad (en el caso más simple) con distorsión óptica no lineal . Los parámetros lineales del agujero de alfiler son la distancia focal, la relación de aspecto, el sesgo y el punto principal 2D. Con solo un conjunto de imágenes no calibradas (o calibradas), una escena puede reconstruirse hasta una transformada euclidiana de seis grados de libertad y una escala isotrópica.
Una teoría matemática para la autocalibración general de la cámara de múltiples vistas fue demostrada originalmente en 1992 por Olivier Faugeras , QT Luong y Stephen J. Maybank . En escenas 3D y movimientos generales, cada par de vistas proporciona dos restricciones en la calibración de 5 grados de libertad. Por lo tanto, tres vistas son el mínimo necesario para una calibración completa con parámetros intrínsecos fijos entre vistas. Los sensores de imagen y la óptica modernos de calidad también pueden proporcionar otras restricciones previas sobre la calibración, como la desviación cero (cuadrícula de píxeles ortogonales) y la relación de aspecto unitaria (píxeles cuadrados). La integración de estos antecedentes reducirá el número mínimo de imágenes necesarias a dos. Es posible calibrar automáticamente un sensor a partir de una sola imagen dada la información de apoyo en una escena estructurada. Por ejemplo, se puede obtener la calibración si se identifican múltiples conjuntos de líneas paralelas u objetos con una forma conocida (por ejemplo, circular).
Planteamiento del problema
Dado un conjunto de cámaras y puntos 3D reconstruido hasta la ambigüedad proyectiva (utilizando, por ejemplo, el método de ajuste de paquete ) deseamos definir la homografía rectificadora tal que es una reconstrucción métrica . Después de eso, los parámetros internos de la cámara.se puede calcular fácilmente mediante la factorización de la matriz de la cámara.
Dominios de la solución
- Mociones
- Movimiento general
- Cámaras puramente giratorias
- Movimiento plano
- Movimientos degenerados
- Geometría de escena
- Escenas generales con relieve en profundidad
- Escenas planas
- Imagers ortográficos y de perspectiva débil
- Previos de calibración para sensores reales
- Distorsión óptica no lineal
Algoritmos
- Usando las ecuaciones de Kruppa. Históricamente, los primeros algoritmos de autocalibración. Se basa en la correspondencia de las líneas epipolares tangentes a la cónica absoluta en el plano del infinito.
- Usando el cuádrico dual absoluto y su proyección, la imagen dual del cónico absoluto
- La restricción del módulo
Referencias
- OD Faugeras; QT Luong; SJ Maybank (1992). "Autocalibración de la cámara: teoría y experimentos". ECCV . Apuntes de conferencias en Ciencias de la Computación. 588 : 321–334. doi : 10.1007 / 3-540-55426-2_37 . ISBN 978-3-540-55426-4.
- QT Luong (1992). Matrice fondamentale et auto-Calibration en vision par ordinateur . Tesis doctoral, Universidad de París, Orsay.
- QT Luong y Olivier D. Faugeras (1997). "Autocalibración de una cámara en movimiento a partir de correspondencias de puntos y matrices fundamentales". Revista Internacional de Visión por Computador . 22 (3): 261-289. doi : 10.1023 / A: 1007982716991 .
- Olivier Faugeras y QT Luong (2001). La geometría de múltiples imágenes . Prensa del MIT. ISBN 0-262-06220-8.
- Richard Hartley; Andrew Zisserman (2003). Geometría de vista múltiple en visión artificial . Prensa de la Universidad de Cambridge. ISBN 0-521-54051-8.