改进基本矩阵计算和优化的多摄像机并行标定算法

计算机应用 ›› 2013, Vol. 33 ›› Issue (08): 2300-2305.

改进基本矩阵计算和优化的多摄像机并行标定算法

李斌¹,²,谭光华¹,²,高春鸣¹,²

1. 湖南大学数字媒体研究所，长沙 410082
2. 湖南大学信息科学与工程学院，长沙 410082

收稿日期:2013-02-23 修回日期:2013-04-04 出版日期:2013-08-01 发布日期:2013-09-11
通讯作者: 谭光华
作者简介:李斌(1987-)，男，湖南衡阳人，硕士研究生，主要研究方向：摄像机定标、机器视觉;
谭光华(1982-)，男，湖南邵阳人，讲师，博士，主要研究方向：数字几何处理、逆向工程;
高春鸣(1957-)，男，山东胶州人，教授，博士，主要研究方向：数字媒体、服务计算。
基金资助:
广东省教育部产学研结合项目

Improved foundamental matrix computation and optimization method in parallel calibration of multi-camera system

LI Bin¹,²,³,TAN Guanghua¹,²,³,GAO Chunming¹,²,³

1. Institute of Digital Media,Hunan University, Changsha Hunan 410082,China
2. College of Information Science and Engineering, Hunan University,Changsha Hunan 410082,China
3. Institute of Digital Media,Hunan University, Changsha Hunan 410082,China

Received:2013-02-23 Revised:2013-04-04 Online:2013-09-11 Published:2013-08-01
Contact: TAN Guanghua

摘要/Abstract

摘要： 多摄像机系统具有摄像机数目多、空间位置分布复杂特点，导致多摄像机标定效率低。基本矩阵计算和非线性优化是摄像机标定算法的关键步骤。针对标定物空间位置相互独立性，改进随机抽样一致性(RANSAC)的基本矩阵计算和简化非线性优化的增量方程，提出多摄像机系统的并行标定算法。该算法挖掘多摄像机标定过程的内在并行化，从而提高了标定的时间效率。相比于传统的多摄像机标定算法，并行算法的时间复杂度从O(n3)降为O(n)。实验结果表明：使用多摄像机系统并行标定算法在不损失精度的同时能够减少标定时间，实现多摄像机系统的快速标定。

关键词: 摄像机定标, 随机抽样一致性, 参数独立性, 捆绑调整, 并行计算

Abstract: Multi-camera system has a number of cameras and complex space distribution, hence the calibration in multi-camera system is inefficient. The calculation of fundamental matrix and nonlinear optimization are the key steps in camera calibration algorithm. In the light of independent marked points in multi-camera system calibration, fundamental matrix based on RANdom SAmple Consensus (RANSAC) and increment equation in nonlinear optimization were improved, and a parallel calibration algorithm for multi-camera system was proposed. Based on the analysis of the parallel process of calibration, this algorithm improved the efficiency of the calibration time. Compared with the traditional camera calibration algorithm, it makes the time complexity of calibration reduce from O(n3) to O(n). The experiments show that the parallel algorithm reduces the time obviously without any loss in precision, thus realizing fast multi-camera system calibration.

Key words: camera calibration, RANdom SAmple Consensus (RANSAC), parameters independence, bundle adjustment, parallel computation

中图分类号:

TP391.41

李斌谭光华高春鸣. 改进基本矩阵计算和优化的多摄像机并行标定算法[J]. 计算机应用, 2013, 33(08): 2300-2305.

LI Bin TAN Guanghua GAO Chunming. Improved foundamental matrix computation and optimization method in parallel calibration of multi-camera system[J]. Journal of Computer Applications, 2013, 33(08): 2300-2305.

[1]	解文博, 韦永壮, 刘争红. 基于CUDA的SKINNY加密算法并行实现与分析[J]. 计算机应用, 2021, 41(4): 1136-1141.
[2]	杨先凤, 贵红军, 傅春常. 统一计算设备架构下的F-X域预测滤波并行算法[J]. 计算机应用, 2021, 41(2): 486-491.
[3]	丁辉, 李丽宏, 原钢. 融合GMS与VCS+GC-RANSAC的图像配准算法[J]. 计算机应用, 2020, 40(4): 1138-1143.
[4]	曾志阳, 陈燕, 王珂. 圆片下料并行遗传算法的设计与实现[J]. 计算机应用, 2020, 40(2): 392-397.
[5]	崔艺馨, 陈晓东. Spark框架优化的大规模谱聚类并行算法[J]. 计算机应用, 2020, 40(1): 168-172.
[6]	何希, 吴炎桃, 邸臻炜, 陈佳. 基于图形处理器的形态学重建系统[J]. 计算机应用, 2019, 39(7): 2008-2013.
[7]	沙宗轩, 薛菲, 朱杰. 基于并行强化学习的云机器人任务调度策略[J]. 计算机应用, 2019, 39(2): 501-508.
[8]	冯凯, 李婧. k元n方体的可靠性评估[J]. 计算机应用, 2019, 39(11): 3323-3327.
[9]	付朝江, 王天奇, 林悦荣. 基于有效并行求解策略的显式有限元分析并行算法[J]. 计算机应用, 2018, 38(4): 1072-1077.
[10]	王鹏, 周岩. 面向高性能应用的MPI大数据处理[J]. 计算机应用, 2018, 38(12): 3496-3499.
[11]	冯凯. k元n方体的条件强匹配排除[J]. 计算机应用, 2017, 37(9): 2454-2456.
[12]	韩李涛, 刘海龙, 孔巧丽, 阳凡林. 基于多核计算环境的地貌晕渲并行算法[J]. 计算机应用, 2017, 37(7): 1911-1915.
[13]	李巍, 吕乃光, 董明利, 娄小平. 凸松弛全局优化机器人手眼标定[J]. 计算机应用, 2017, 37(5): 1451-1455.
[14]	焦嘉烽, 李云. 大数据下的典型机器学习平台综述[J]. 计算机应用, 2017, 37(11): 3039-3047.
[15]	姬丽娜, 陈庆奎, 陈圆金, 赵德玉, 方玉玲, 赵永涛. 基于GPU的视频流人群实时计数[J]. 计算机应用, 2017, 37(1): 145-152.