1 中国科学院 长春光学精密机械与物理研究所, 空间机器人中心创新研究室, 吉林 长春 130033
2 中国科学院大学, 北京 100049
为了精确地反映相机的几何成像关系, 本文基于简化的Brown模型和改进的BFGS （Broyden-Fletcher-Goldfarb-Shanno）算法提出了一种相机自标定方法。该方法首先将线性模型 和畸变模型拟合为非线性模型, 通过线性模型的基本矩阵约束非线性模型参数得到约束方 程; 然后, 提出了适用于非线性内参数约束方程的基于新拟牛顿方程的改进 BFGS 算法并求解了方程内参数。利用提出的模型和算法, 该标定方法能够在较少的迭代次数和有噪声条件下保证标定结果的精度和鲁棒性。有、无噪声情况下的收敛性分析和鲁棒性分析显示: 在噪声不大于±3 pixel 的情况下, 迭代10次即能保证重投影误差小于0.4 pixel。通过标定相机内参数并计算重投影误差进行了真实图像实验, 结果表明: 标定精度误差小于0.06%, 重投影误差为0.35 pixel, 验证了提出方法的有效性。 该方法适用于计算机视觉领域中的图像处理, 模式分类和场景分析等。
相机自标定 Brown模型 BFGS算法 非线性模型 拟牛顿法 self-calibration Brown model BFGS algorithm non-linear camera model quasi-Newton method
1 武汉大学 遥感信息工程学院，湖北 武汉430079
2 内蒙古大学 电子信息工程学院，内蒙古 呼和浩特010021
3 华中科技大学 生命科学与技术学院，湖北 武汉430074
针对传统LiDAR波形数据分解方法受噪声影响严重、对复杂重叠及微弱回波分解能力不足的缺点，提出了一种新波形分解方法.通过计算滤波前后波形的幅值变化，估计波形的随机与背景噪声; 采用逐层剥离的策略，从原始波形数据中不断分解出波形分量，直到剩余波形中最大峰值小于一定的阈值; 利用L-BFGS算法优化初始参数，获得波形分量参数的最优解; 最后对位置过近的波形分量进行合并.该方法计算速度快，探测微弱回波能力强，显著提高分解后点云的密度与精度.对大量LiDAR波形数据进行了分解，验证了其有效性.
波形数据 迭代分解 LM算法 L-BFGS算法 高斯分解 LiDAR LiDAR waveform data iterative decomposition LM L-BFGS Gaussian decomposition
