图像视觉(1) --鱼眼摄像头标定和图像畸变矫正

前言：最近项目上研究鱼眼摄像头的画面畸变问题，对比了基于Matlab和Python Opencv的方法，分别进行了摄像头的标定和图像矫正，实际结果个人认为Opencv的效果为佳，本文分享一下基于Matlab的鱼眼摄像头标定和图像畸变矫正。

关键字：鱼眼摄像头；摄像头标定；图像畸变矫正

---

1、鱼眼摄像头介绍

鱼眼摄像机可以独立实现大范围无死角监控的全景摄像机，其概念与初级成品诞生已久，但成熟商用产品直到08年才正式出现。又因为国内安防方面的标准大多围绕模拟摄像机与网络摄像机展开，故此对于全景摄像机还没有较为统一的标准定义，使得在具体到某些项目实施的过程中会存在认同度方面的问题。总的说来，当下主流全景摄像机采用吊装与壁装方式可分别达到360°与180°的监控效果，而某些只有120°到130°视场角的摄像机，因为能达到客户对一个较为开阔面积的监控诉求，亦可被称为全景摄像机。

图1：安防鱼眼摄像头

图2：车载鱼眼摄像头（倒车雷达）

---

2、Matlab鱼眼摄像头标定

2.1 采集标定数据

常规使用的是棋盘标定法，所以用的标定块如下图所示。这个标定板可以自己网上下载一个，或者用matlab画一个，这个不是很难。注意一点，在用摄像头采集数据的时候，要保证标定板是处于一个平整的位置。我用的比较简陋，就直接打印在纸上，平铺在桌面上，进行数据采集了。这里可以拍20张左右，多变换一点角度，还有距离。

图3：标定棋盘

采集的数据类似如下图，

图4：采集的数据集

2.2 基于App的摄像头标定

在Matlab App中找到摄像头标定

点击Camera Calibrator这个应用，显示如上图案，点击add images，

程序会要求输入棋盘的边长，这个要自己进行测量，当然测量要尽量准确。

添加之前制作好的数据集，它会经过一定的筛选，剔除不合格的图片。

matlab会给每张图片建坐标系。

选择自己要矫正的参数，点击按钮calibrate，进行对相机进行标定。

以棋盘为中心的相机的位姿图

以相机为中心的棋盘的位姿图

最后选择export camera parameters，将我们需要的内参进行导出。

2.3 基于代码的标定

Matlab自带函数可以直接实现标定，本文图片是Matlab自带的图片，仅供讲解说明。

% 图片集合images = imageDatastore(fullfile(toolboxdir('vision'), 'visiondata','calibration', 'gopro'));imageFileNames = images.Files;% 标定边框[imagePoints, boardSize] = detectCheckerboardPoints(imageFileNames);
% 生成标定格子的实际坐标squareSize = 0.029; % 标定格子大小worldPoints = generateCheckerboardPoints(boardSize, squareSize);
% 标定摄像头I = readimage(images, 1);  % 任取其中一张图片imageSize = [size(I, 1), size(I, 2)];% 获取图片长宽params = estimateFisheyeParameters(imagePoints, worldPoints, imageSize);

任意打开一张鱼眼照片测试效果

imageFileName = fullfile(toolboxdir('driving'), 'drivingdata', 'checkerboard.png');I = imread(imageFileName);imshow(I)

进行画面矫正

% 画面矫正[J1, camIntrinsics] = undistortFisheyeImage(I, params.Intrinsics, 'Output', 'full');imshow(J1)

可以看出Matlab是把整张图全部进行了矫正，导致了4个角落出现尖锐画面，同时画面上下左右出现黑框，为了更好地使用照片，还需要把图片裁剪（imcrop函数），期望输入如下图；

启发思考：在现在的高档车上一般配备有360°环绕视频功能（效果下图），给行车带来了极大便利，尤其是我这种不擅于倒车的，其基本原理和本文类似，感兴趣的读友可以思考一下它怎么实现的，后续也将分享其做法