针对扩展卡尔曼滤波算法在摄像机标定优化应用中，滤波精度较大程度地依赖于噪声协方差矩阵的准确性这一问题，提出了一种基于自适应扩展卡尔曼滤波算法的摄像机标定优化方法。以所检测到的二维棋盘格标靶上特征点的图像坐标作为自适应扩展卡尔曼滤波算法的观测量，摄像机的内、外参数作为状态量，将观测图像上的特征点进行逐点滤波运算，过程和观测噪声协方差矩阵在迭代过程中随着观测值和预测值之间新息的变化而更新，从而优化对应的摄像机参数。实验结果表明，经本文算法优化后获得的摄像机内、外参数具有较小的重投影误差，USB相机和工业相机的标定结果较张正友标定法分别提升了61.17%和12.17%，所提算法较无迹卡尔曼滤波算法和扩展卡尔曼滤波算法在噪声环境下具有更高的标定精度和更好的鲁棒性。

为了实现更为简单的三维测量同时解决传统立体视觉方法中基线的限制问题, 提出一种单摄像机微小角度旋转结合神经网络进行三维测量的方法。方法通过单摄像机小角度旋转采集二维图像数据; 利用电动平台移动标定板构建三维空间坐标系; 基于摄像机的线性成像模型思想, 将代表图像坐标和三维坐标映射关系的投影矩阵替换为BP神经网络, 得到二维坐标到三维坐标的直接映射, 实现微小基线下的三维测量。实验结果表明, 相比于传统方法测量失真的结果, 提出的方法对标定板的尺寸测量绝对误差为0.0864mm。方法将神经网络融入单摄视觉领域, 可以克服微小基线场景下传统视觉测量方法的缺陷。对移动设备、监控设备及狭窄场景下的三维信息获取具有潜在的应用价值。

摄像机标定是结构光三维传感技术中联系测量系统内外参数与三维坐标之间的重要环节。基于灰度信息提取特征点的摄像机标定方法易受图像噪声、对比度等因素的影响。提出一种基于绝对相位靶（APT）的摄像机标定方法，采用时间相位展开算法计算绝对相位，提取相位值为4π整数倍的特征点，采用局部窗口最小二乘拟合算法计算特征点的精确亚像素坐标，进而建立特征点的图像坐标与世界坐标的对应关系。通过仿真实验，分析不同高斯噪声和模糊条件下摄像机参数的绝对误差变化，发现相对于传统的棋盘格和圆点标定法，所提APT标定法对图像噪声和模糊具有更好的鲁棒性，且具有更高的标定精度。真实的对比实验显示，APT标定方法的标定精度优于棋盘格和圆点标定法，尤其在“离焦”（标靶处于相机有效工作距离之外）情况下可将重投影误差降低58.68%，证明了APT标定方法的有效性和可行性。

针对传统摄像机标定方法标定精度低且标定可重复性差等问题,提出了一种基于麻雀搜索算法(SSA)的摄像机标定方法。首先,利用MATLAB软件中的标定工具箱,获得摄像机内参和外参的初估值,并以求出的初估值为基础,确定SSA的运行区间。然后,通过建立平均重投影误差方程,利用SSA对确定区间内的摄像机参数进行优化,获得了较小的平均重投影误差。最后,将所提标定方法与基于天牛须搜索算法、粒子群优化算法的标定方法的结果进行对比分析,发现利用基于SSA的摄像机标定方法所得的平均重投影误差最小(0.0326 pixel)且方法的可重复性最好。

摄像机标定在机器视觉技术中具有重要意义。针对传统三维物标定方法操作繁琐，BP神经网络标定受初始权值和阈值影响的问题，提出一种基于光轴会聚模型的思维进化-神经网络标定方法。利用BP神经网络可逼近非线性函数，思维进化算法具有较强全局寻优能力，有效解决了BP神经网络易陷入局部最小以及初始权值、阈值随机化问题。实验证明，与经典张正友标定法、BP神经网络方法相比，改进进化神经网络标定法可获得更好的双目标定精度。

针对现有棋盘格角点检测算法存在精度不足的问题,提出一种基于Hough变换和圆形模板的高精度棋盘格角点检测算法:首先,利用Hough变换和棋盘格直线分布特征获取有效直线,构建棋盘格角点,实现角点的粗略定位;其次,构建圆形模板,使其在粗略定位的角点周围移动,搜索相关点并获取其图像坐标及其观测距离;最后,最小化多个相关点坐标的实际距离与其观测距离的差值并求解,实现角点的精确定位。实验结果表明,本文提出的棋盘格角点方法与现有方法相比,其标定误差明显减少;在光照不理想时,本文方法可以实现精确检测。该方法为实际摄像机高精度标定应用提供了有力依据。

在摄像机标定过程中,较差的光照条件和镜头畸变会造成棋盘格角点漏检和角点冗余。分析了角点的灰度分布特性,提出一种基于角点灰度分布特征的棋盘格角点检测算法。为确保在较差光照条件和镜头畸变下,棋盘格图像角点不漏检,算法首先利用角点的灰度分布特性提取候选角点;然后通过迭代的方式提高候选角点的精度并再次结合棋盘格角点的灰度分布特性剔除候选角点中非角点处的伪角点,避免棋盘格角点冗余;最后通过角点处的邻近点合并获得最终的棋盘格角点坐标。实验结果证明,在较差的光照条件和镜头畸变条件下,本算法角点无漏检和冗余。将该算法提取的棋盘格角点应用于摄像机标定,结果显示重投影误差的均方差在0.1 pixel范围以内,优于其他算法。

针对现有用于光学测量的双目变焦系统标定方法难度大、测量精度受限于两摄像机内参一致性等问题。提出一种基于单摄像机的平行双目立体视觉系统实现及其高精度变焦标定方法。方法基于三角测量原理采集图像, 利用高精度位移台驱动单摄像机进行平移以保证基线精度; 求解离散焦距下的预标定结果并利用BP神经网络模型对其进行拟合, 以实现任意焦距下系统内外参数动态估计。实验结果表明, 系统预标定的重投影误差小于0.1664 pixel, 变焦后图像畸变校正平均误差为0.0982 pixel,立体视觉测量尺寸绝对误差小于0.05mm。方法能弥补传统变焦标定方法的不足, 消除双目内参不一致引入的误差, 提高视觉系统的测量精度。

为解决现有利用左右图像总残差的均值来评价双目立体视觉标定不够精确的问题,提出一种基于对极约束的双目立体视觉标定精度评价方法。该方法充分考虑双目立体视觉中左右图像特征的约束关系及相机标定参数的全局性特征。遵循最小匹配代价原则,该方法利用尺度不变特征变换立体特征匹配法来进行角点检测和匹配。通过左右图像平面上实测角点与其在相对图像平面上对应极线的匹配程度来评价双目立体视觉标定精度,并将这种算法加入到标定算法中,实现了在标定实验过程中对相机标定精度的实时评价。实验表明,该方法比总残差均值法精度更高,精度最高提高了54.0%。

摄像机标定在机器视觉系统研究中占据十分重要的部分,为更好更快地标定摄像机,提出一种基于混合粒子群算法的摄像机参数优化方法。用最小二乘法求出摄像机的内外参数,并以此作为待优化参数的初始值;然后以最小距离准则建立目标函数,再利用混合粒子群算法对摄像机参数进一步优化计算,最终获得误差小的摄像机参数。实验结果表明混合粒子群优化算法能够快速、高精度地收敛,可在一定程度上提高摄像机的标定精度。