Halcon例程（基于多个标定图的单目相机标定）详解—— Camera_calibration_multi_image.hdev

一、前言

在我的工业相机专栏里已经将相机标定涉及到的理论部分讲解完毕，为什么要标定以及标定要求出什么参数呢，用一个Halcon 例程来帮助理解。
这个例程是比较经典的标定程序，基本将标定过程讲的比较清楚，用的标定图像是系统自带的，如果想自己做可以在Halcon助手选项里拍照生成。

二、代码

* 设置窗口和字体
ImgPath := '3d_machine_vision/calib/'
dev_close_window ()
dev_open_window (0, 0, 640, 480, 'black', WindowHandle)
dev_update_off ()
dev_set_draw ('margin')
dev_set_line_width (3)
set_display_font (WindowHandle, 22, 'mono', 'true', 'false')
* 
* 相机标定过程
* 
* 生成面阵相机初始参数，参数均为相机已知参数
* （: : 焦距, 畸变因子, Sx, Sy, Cx, Cy, 图像宽度, 图像高度 : CameraParam存储元组）
* （Sx, Sy为传感器芯片上两个相邻单元之间的水平竖直距离，也就是像素的大小，单位为m/像素；Cx, Cy为图像原点的行列坐标，单位为像素；）
gen_cam_par_area_scan_division (0.012, 0, 0.00000375, 0.00000375, 640, 480, 1280, 960, StartCamPar)
*创建Halcon标定数据模型（标定类型，相机数量，标定物数量，模型句柄）
*其作用在于指定相机标定类型，设置标定过程，存储标定数据和结果。
create_calib_data ('calibration_object', 1, 1, CalibDataID)
*设定相机初始参数（句柄，相机参数索引，相机类型，起始相机参数）
*此段程序跑完的句柄见下图。
set_calib_data_cam_param (CalibDataID, 0, [], StartCamPar)
*设定标定板初始参数（句柄，标定板数量索引，标定板描述（文件名或者标定板所有点的三维坐标））此例生成三维坐标系坐标值（x,y,z），其中z为0；坐标原点在finder模式的中心Mark点中心，坐标系的z轴指向标定板，x轴指向右侧，y轴指向下方，视角沿z轴。
set_calib_data_calib_object (CalibDataID, 0, 'calplate_80mm.cpd')//此文件可用记事本打开，里面记录了标定板五个mark模式的点坐标和半径。
calibration marks at y = -0.0290538 m
-0.0374193548387097 -0.0290537554818005 0.000645161290322581

在这里插入图片描述

*读图，并生成落轮廓和点的特征参数值
NumImages := 7
for I := 1 to NumImages by 1
*读图，路径在C盘用户公共文档里，% 2d是将数字按宽度为2，采用右对齐方式输出，若数据位数不到2位，则左边补空格，所以文件名为calib_0X。read_image (Image, ImgPath + 'calib_image_' + I$'02d')dev_display (Image)*寻找标定板并在模型中设定提取的点和轮廓信息*（图像变量，句柄，相机的索引，标定板的索引，计数变量，参数名（使用六边形标定板，设置额外的参数值，可以使图像平滑等），参数值）*该算子将标定板每个点的轮廓和点坐标，索引和此图像标定板相对于相机坐标系的位姿提取出来，保存在句柄中。*find_caltab在图像中寻找标定板是基于标定板的特征——在一个亮的区域中存在黑色Mark点*算子对图像高斯滤波（核大小为SizeGauss），接着阈值分割（与之大小为MarkThresh）将标定板的区域找出来.find_calib_object (Image, CalibDataID, 0, 0, I, [], [])*从标定数据模型中获取基于轮廓的观测数据*（轮廓变量，句柄，返回标定板查找模式的轮廓内含三个参数（marks（返回每一个轮廓，calib(返回查找模式的轮廓)，last_caltab（会返回上次成功的查找结果，但会忽略索引信息）），相机索引，标定板索引，变量）* 标定板查找器：有两种模式，一种是特殊标记六边形（即一个标记及其六个相邻标记），其中四个或六个标记包含一个孔；另外是带有矩形排列标记的校准板：校准板的边缘在一角有一个三角形。这里是第一种，结果如下图所示。get_calib_data_observ_contours (Caltab, CalibDataID, 'caltab', 0, 0, I)*从标定数据模型中获取基于点的观测数据get_calib_data_observ_points (CalibDataID, 0, 0, I, Row, Column, Index, StartPose)dev_set_color ('green')dev_display (Caltab)dev_set_color ('red')*画出坐标的轮廓，轮廓以中心点的方式显示（窗口句柄，中心点行坐标，列坐标，半径）tuple_gen_const(: : Length, Const : Newtuple)（元组长度，常量初始值）disp_circle (WindowHandle, Row, Column, gen_tuple_const(|Row|,1.5))
endfor

在这里插入图片描述
关于find_calib的更多细节见链接：
Halcon相机标定

*最重要的算子：相机标定，通过同步的最小化过程确定所有相机参数；
*计算相机内外参矩阵，原理见链接(https://blog.csdn.net/baidu_35536188/article/details/109772056)
*（句柄，优化后的反投影的均方根误差（RMSE），单位为像素，该误差用来反映优化是否成功，越接近0表示效果越好）
calibrate_cameras (CalibDataID, Errors)
*获取相机标定数据--内参值，将其存在CamParam上。
get_calib_data (CalibDataID, 'camera', 0, 'params', CamParam)
*获取标定板数据，将其第一幅图的位姿存在Pose里。
get_calib_data (CalibDataID, 'calib_obj_pose', [0,1], 'pose', Pose)* To take the thickness of the calibration plate into account, the z-value
* of the origin given by the camera pose has to be translated by the
* thickness of the calibration plate.
* Deactivate the following line if you do not want to add the correction.
* *设置新的坐标原点。在Z轴坐标加0.02,主要是考虑标定板的厚度，该算子通过DX、DY和DZ给定的向量转换3D poseIn的原点，并以poseNewOrigin形式返回结果。
set_origin_pose (Pose, 0, 0, 0.002, Pose)
* measure the distance between the pitch lines

在这里插入图片描述
在这里插入图片描述

read_image (Image, ImgPath + 'ruler')
dev_display (Image)
* 准备提取垂直于矩形长轴的直边。 矩形的中心在(Row,Column)，Phi为矩形主轴的角度，Lenth1和Lenth2为两轴的长度，即矩形两边长度的一半。
* （矩形中心点的行坐标，列坐标，矩形的纵轴与水平的角度（弧度），矩形的半宽，矩形的半高，图像的宽，高，要使用的插值类型，测量对象句柄）
gen_measure_rectangle2 (690, 680, rad(-0.25), 480, 8, 1280, 960, 'bilinear', MeasureHandle)
*提取垂直于矩形或环形弧的边缘对
*（图像，句柄，高斯平滑的西格玛参数值，最小边缘幅度，灰度值转换的类型以确定边缘如何成对，边缘对第一条边的中心的Row坐标，列坐标，
边缘对第一条边的边缘幅度（带符号），边缘对第二条边的中心的Row坐标，列坐标，边缘幅度，边缘对内部之间的距离，边缘间距离）
measure_pairs (Image, MeasureHandle, 0.5, 5, 'all', 'all', RowEdgeFirst, ColumnEdgeFirst, AmplitudeFirst, RowEdgeSecond, ColumnEdgeSecond, AmplitudeSecond, IntraDistance, InterDistance)
Row := (RowEdgeFirst + RowEdgeSecond) / 2.0
Col := (ColumnEdgeFirst + ColumnEdgeSecond) / 2.0
*显示X点，如下图所示。
disp_cross (WindowHandle, Row, Col, 20, rad(45))
*将图像点转换为世界坐标系的z=0平面
*（相机内参，位姿，行，列，单位，世界坐标系的X坐标点，Y坐标点）
image_points_to_world_plane (CamParam, Pose, Row, Col, 'mm', X1, Y1)
*计算两点间的距离
distance_pp (X1[0:11], Y1[0:11], X1[1:12], Y1[1:12], Distance)
*求平均距离和
tuple_mean (Distance, MeanDistance)
*计算距离的标准差
tuple_deviation (Distance, DeviationDistance)
disp_message (WindowHandle, 'Mean distance: ' + MeanDistance$'.3f' + 'mm +/- ' + DeviationDistance$'.3f' + 'mm', 'window', 30, 60, 'yellow', 'false')

在这里插入图片描述

三、总结

Halcon 的标定步骤总结如下：

  1. gen_cam_par_area_scan_division：生成相机参数矩阵；
  2. create_calib_data，set_calib_data_cam_param， set_calib_data_calib_object：创建标定数据模型，并设定相机和标定板的参数值，包括相机起始内参和标定板的坐标系。
  3. find_calib_object,在多幅标定图像中寻找标定板，并提取其轮廓和点特征，生成相对于相机坐标系的位姿矩阵（7维）。
  4. calibrate_cameras，计算内外参，并计算误差值。
  5. 读实际要测量的图，设定感兴趣矩形区域，并通过边缘检测计算边缘点坐标并标记出来，并根据计算出的内外参将二维坐标转为3维坐标，计算出偏差。
    综合下来，感觉HALCON标定的过程还是比较清晰的，关键算子里面的程序还是需要理解一下。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/256357.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

SkipList 跳表

SkipList 跳表

为什么选择跳表 目前经常使用的平衡数据结构有：B树，红黑树，AVL树，Splay Tree, Treep等。 想象一下，给你一张草稿纸，一只笔，一个编辑器，你能立即实现一颗红黑树，或者AVL树…
阅读更多...
机器学习——深度学习之卷积神经网络（CNN）——LeNet卷积神经网络结构

机器学习——深度学习之卷积神经网络（CNN）——LeNet卷积神经网络结构

目录 一、卷积神经网络 1、卷积神经的作用 2、LeNet 1）数据库准备——minst 2）模型 二、关于卷积神经网络结构的一些术语定义 1、特征图（Feature map） 2、height（长度）、width（宽度&…
阅读更多...
工业相机（3D）主要参数详述

工业相机（3D）主要参数详述

一、前言 准确的完成相机选型是一个视觉工程师必备的技能，而选型前必须对其内部参数了如指掌。工业相机是一种比较复杂的产品，其参数很多，每个参数可能会有不同的标准，下面对主要的参数会做比较详细的阐述。 二、参数详述 2.1 …
阅读更多...
JAVA8永久代

JAVA8永久代

在Java虚拟机（以下简称JVM）中，类包含其对应的元数据，比如类的层级信息，方法数据和方法信息（如字节码，栈和变量大小），运行时常量池，已确定的符号引用和虚方法表…
阅读更多...
Struts 2初体验

Struts 2初体验

Struts2简介： Struts2是一个基于MVC设计模式的Web应用框架，它本质上相当于一个servlet，在MVC设计模式中，Struts2作为控制器(Controller)来建立模型与视图的数据交互。 Struts 2 目录结构: 　　　　apps目录：Struts2示例…
阅读更多...
机器学习——深度学习之数据库和自编码器

机器学习——深度学习之数据库和自编码器

目录 一、数据库——数据获取 1、Mnist 2、ImageNet 二、自编码器（Auto-encoder）——参数初始化 1、功能 2、基本思想 1）训练第一层 2）训练第二层及以后的神经网络 ​ 3）利用BP对整个神经网络的参数初始值进…
阅读更多...
Halcon例程详解 （深度图转换为3D图像）—— xyz_attrib_to_object_model_3d

Halcon例程详解 （深度图转换为3D图像）—— xyz_attrib_to_object_model_3d

一、前言 深度图向点云图进行转换是进行3D检测项目时会遇到的问题，halcon里也有针对此问题的相关例程，下面对此例程进行分析。通过学习此例程，我们可以掌握如何将一张深度图像和一张正常二维图像转换为3D点云。 二、分析 * 初始化界面 dev…
阅读更多...
动态代理之Cglib浅析

动态代理之Cglib浅析

什么是Cglib Cglib是一个强大的，高性能，高质量的代码生成类库。它可以在运行期扩展JAVA类与实现JAVA接口。其底层实现是通过ASM字节码处理框架来转换字节码并生成新的类。大部分功能实际上是ASM所提供的，Cglib只是封装了ASM，简化了…
阅读更多...
机器学习——深度学习之卷积神经网络（CNN）——AlexNet卷积神经网络结构

机器学习——深度学习之卷积神经网络（CNN）——AlexNet卷积神经网络结构

目录 一、AlexNet卷积神经网络结构模型 1、数据库ImageNet 2、AlexNet第一层卷积层 二、AlexNet卷积神经网络的改进 1、非线性变化函数的改变——ReLU 2、最大池化（Max Pooling）概念的提出——卷积神经网络通用 1）池化层 2&#xff0…
阅读更多...
C#委托——基础2

C#委托——基础2

在上一篇随笔中，简要说明了怎样定义委托，定义事件，订阅事件，最后也实现了效果，就是当员工类的某个对象，执行某个事件时，委托事件被触发，后面也得到了结果，但是想象一下实…
阅读更多...
机器学习——深度学习之编程工具、流行网络结构、卷积神经网络结构的应用

机器学习——深度学习之编程工具、流行网络结构、卷积神经网络结构的应用

目录 一、编程工具 caffe实现LENET-5 二、流行的网络结构 1、VGGNET 2、Googlenet ​ 3、ResNet​ ​ 三、卷积神经网络的应用 1、人脸识别 ​ 2、人脸验证 3、人脸特征点检测 4、卷积神经网络压缩 一、编程工具 caffe的优点：模型标准化，源代码…
阅读更多...
Halcon例程详解（激光三角系统标定）—— calibrate_sheet_of_light_calplate.hdev

Halcon例程详解（激光三角系统标定）—— calibrate_sheet_of_light_calplate.hdev

前言 1 激光三角测距 激光三角测距法原理很简单，是通过一束激光以一定的入射角度照射被测目标，激光在目标表面会产生漫反射，在另一角度利用透镜对反射激光汇聚成像，光斑成像在CCD（Charge-coupled Device，感光耦合组件）位置传感器上。当被测物体沿激光方向发生移动时，…
阅读更多...
【tenserflow】——数据类型以及常用属性

【tenserflow】——数据类型以及常用属性

目录 一、什么是Tensor？ 二、Tensorflow常见数据类型 三、Tensorflow常见属性device\cpu\gpu\ndim\shape\rank等 1、创建一个tensor 1）tf.constant() 2)tf.Variable() 2、判断一个变量是否为tensor张量 3、生成不同设备（cpu,gpu&#x…
阅读更多...
网页开发浏览器兼容性问题

网页开发浏览器兼容性问题

1、在ie6下的双margin问题 在ie6下，设置了float的元素，以float:left为例，如图所示。会出现第一个浮动元素，即相对于父级元素浮动的，会出现双倍margin的问题。 注意仅仅是相对于父级元素浮动的，即第一个会出…
阅读更多...
【tensorflow】——创建tensor的方法

【tensorflow】——创建tensor的方法

目录 1、tf.constant() 2、tf.Variable() 3、tf.zeros():用0去填充指定形状的数组 4、tf.convert_to_tensor(a,dtypetf.int32) 5、tf.ones():用1去填充指定形状的数组 6、tf.fill():用指定的元素去填充指定形状的数组 7、随机化初始化进行创建 1）normal正态分…
阅读更多...
Halcon —— 图像像素类型与转换

Halcon —— 图像像素类型与转换

图像类型 就目前工业领域主流的图像处理工具halcon来讲，有以下几种图像类型：‘byte’, ‘complex’, ‘cyclic’, ‘direction’, ‘int1’, ‘int2’, ‘int4’, ‘int8’, ‘real’, ‘uint2’，具体含义如下图所示。 ‘byte’ 每像素1字节…
阅读更多...
Halcon例程详解(基于卡尺工具的匹配测量方法) —— measure_stamping_part.hdev

Halcon例程详解(基于卡尺工具的匹配测量方法) —— measure_stamping_part.hdev

前言 1卡尺工具介绍 Halcon中的Metrology方法即为卡尺工具，可用来拟合线，圆，这种方法对于目标比背景很明显的图像尺寸测量是很方便的，不需要用blob进行边缘提取等，但缺点也很明显，需要目标的相对位置基本…
阅读更多...
【TensorFlow】——不同shape的tensor在神经网络中的应用（scalar，vector，matrix）

【TensorFlow】——不同shape的tensor在神经网络中的应用（scalar，vector，matrix）

目录 ​ 1、scalar——标量 1）在神经网络中存在的场景 2）one_hot编码 3）举例应用 2、vector——向量 ​ 3、matrixs——矩阵 4、dim3的tensor 5、dim4的tensor 6、dim5的tensor 本文主要的目的是让初学者对tensor的各种形式的使用场…
阅读更多...
Java - I/O

Java - I/O

File类 java.io操作文件和目录，与平台无关。具体的常用实例方法： File file new File("."); // 以当前路径创建名为 "." 的 File 对象   文件目录信息函数     -   String getName/Path/Parent()： 文件名/路径…
阅读更多...
Halcon —— 边缘检测算子详解

Halcon —— 边缘检测算子详解

一、算子介绍 1.1 种类 halcon内常用的边缘检测算子包括如下几种： 1.edges_image: 提取2D 图像边缘 2.edges_sub_pix：提取2D图像亚像素边缘 3.edges_object_model_3d ：提取3D图像边缘 4.edges_color和edges_color_sub_pix：提取彩…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023