[发明专利]一种高精度多特征平面模板及其畸变优化和标定方法

权利要求书

1.一种高精度多特征平面模板，其特征在于，包括ChArUco黑白棋盘格模板，棋盘格白色区域组合有ArUco二维码，所述ChArUco黑白棋盘格模板中间区域填充有随机特征点构成Random特征点模板，所述ChArUco黑白棋盘格模板的边缘区域有预设特定位置处的多条线段。

2.根据权利要求1所述的高精度多特征平面模板，其特征在于，所述ChArUco黑白棋盘模板的方格数目为11*9，中间区域为3*5的格子区域，填充的Random特征点模板的长宽比为3:5。

3.一种如权利要求1所述的高精度多特征平面模板的畸变优化和标定方法，其特征在于，包括：

步骤1，构建多特征标定模板：

构建基于ChArUco黑白棋盘格模板和Random特征点模板的标定模板，并打印在同一模板平面上，其中，ChArUco黑白棋盘格模板的边缘区域有预设特定位置处的多条线段；

步骤2，角点、特征点提取及确定对应特征点：

在相机的某个焦距处拍摄多幅图像，在ChArUco黑白棋盘格模板区域进行图像灰度化、二维码检测和角点检测，在Random特征点模板区域进行特征点检测并在模板平面上查找对应特征点；

步骤3，求解单应矩阵和内外参数以及畸变参数：

联合ChArUco黑白棋盘格模板的角点和Random特征点模板的特征点估计每幅图像的平面单应矩阵，并根据单应矩阵计算得到内外参数矩阵，再求解得到畸变参数，并根据基于联合点重投影误差的目标函数进行最大似然估计优化所有参数；

步骤4，判断是否存在外圈线段：

利用计算出的平面单应矩阵，将边缘区域的多条线段的端点投影到图像上，如果端点投影不在图像内，则认为无外部直线特征，步骤3的最大似然估计优化结果即为最终结果，算法结束，如果端点投影在图像内，则认为有外部直线特征，进入下一步；

步骤5，构建直线特征目标函数：

对图像进行LSD线段检测，提取线段特征，得到线段的两个端点，构成线段的点集信息，并确定每条线段在模板平面上的对应关系和线段点的隶属关系，构建图像的线段点在模板平面上的投影点到对应线段直线距离最小化的约束；

步骤6，联合点线特征优化求解：

通过列文伯格马夸尔特方法对目标函数进行优化求解。

4.根据权利要求3所述的畸变优化和标定方法，其特征在于，步骤1具体包括：

步骤101，构建一个ChArUco黑白棋盘格模板，棋盘格白色区域组合有ArUco二维码；

步骤102，在选定的ChArUco黑白棋盘格模板中间挖去一块区域并填充为Random特征点模板；

步骤103，在ChArUco黑白棋盘格模板的边缘区域添加多条预设特定位置处的边缘线段，完成多特征的标定模板的三区域构建。

5.根据权利要求3所述的畸变优化和标定方法，其特征在于，步骤2中，根据拍摄焦距和标定模板到相机距离的不同，检测到的特征点数目和二维码数目将分成以下四类情况：

当在远焦距拍摄时，特征点数目多且二维码数目少；

当在近焦距拍摄时，特征点数目少且二维码数目多；

当在中焦距拍摄时，特征点数目多且二维码数目多；

当标定模板距离相机过远或位于相机的可视范围外时，特征点数目少且二维码数目少。

6.根据权利要求3所述的畸变优化和标定方法，其特征在于，步骤3中，基于联合点重投影误差的最大似然估计公式为：

式中，n表示多幅图像的图像总数，i表示第i幅图像，j表示第j个角点或特征点，m表示模板平面点，m_ij表示第i幅图像的第j个角点或特征点对应的模板平面点，M为图像点，M_ij表示第i幅图像的第j个角点或特征点对应的图像点，K表示内参矩阵，R_i表示第i幅图像对应的旋转矩阵，t_i表示第i幅图像对应的位移向量，k₁、k₂、k₃、p₁、p₂为五个畸变系数，表示图像点经过畸变校正后、再经过内外参数计算单应矩阵的作用投影回模板平面上的结果点。

7.根据权利要求6所述的畸变优化和标定方法，其特征在于，步骤5中，设模板平面上第k条线段的直线参数的单位向量表示为I_k，第i幅图像上对应第k条线段的第p个线段点为M′_ikp，则此线段点的模板平面投影点到此线段的距离为：

则联合点、线特征约束优化构建的目标函数为：

其中ω为权重因子，表示I_k的转置矩阵。