Robust Camera-to-Mocap Calibration and Verification for Large-Scale Multi-Camera Data Capture
Meta
本文提出一种针对大规模多摄像机数据采集的鲁棒校准与验证系统，解决摄像机到标记板的校准问题及验证方法，提升校准鲁棒性与验证可靠性。
2026-04-23 cs.CV
SceneCalib: Automatic Targetless Calibration of Cameras and Lidars in Autonomous Driving
NVIDIA Corporation（英伟达公司）
本文提出SceneCalib，一种无需标定目标和人工操作的全自动方法，可同时标定多相机与激光雷达系统的内外参，并通过跨相机约束保证外参一致性。
2023-04-11 cs.CV
Calibration of depth cameras using denoised depth images
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Institute for Infocomm Research（信息通信研究院）；National University of Singapore（新加坡国立大学）
随着微软Kinect和PMD（光子混合设备）相机的出现，深度传感设备在科学和商业研究中创造了各种新的应用。这些应用中的大多数都需要对深度相机进行预校准。然而，由于低图像分辨率，使用棋盘的传统校准方法对于深度相机不是很好地工作。在本文中，我们提出了一种深度校准方案，该方案在只有少数角点和校准图像时，能够很好地估计相机校准参数。我们利用PMD设备的噪声特性来对深度测量进行降噪，并使用降噪深度作为一组额外的测量值来执行相机校准。我们的合成和真实实验表明，我们的深度去噪和基于深度的校准方案提供了显着优于传统的校准方法的结果。
2017-09-08 cs.CV
The Influence of Autofocus Lenses in the Camera Calibration Process
本文针对相机标定中自动对焦导致焦距变化的问题，提出距离相关焦距的针孔模型改进标定方法，并通过机器人手臂验证提升精度。
2024-02-07 cs.CV
Camera Calibration from a Single Imaged Ellipsoid: A Moon Calibration Algorithm
Cornell University（康奈尔大学）
提出首个从单个非球形成像椭球体实现相机标定的方法，结合观测者相对状态信息估计相机参数，在 Cassini 卫星图像上验证了高精度，并适用于地面相机标定。
2023-07-02 cs.CV
On-line non-overlapping camera calibration net
我们提出了一种简单易用的非重叠摄像机标定方法。首先，连续的图像被馈送到基于PoseNet的网络，以获得帧之间相机的自我运动。接下来，估计相机之间的姿态。而不是使用一个批处理的方法，我们提出了一个在线的方法，相机间的姿态估计。此外，我们在计算图上实现了整个过程。仿真实验和KITTI数据集的实验表明，该方法是有效的仿真。
2020-02-19 cs.CV
A Perceptual Measure for Deep Single Image Camera Calibration
Université Laval（拉瓦尔大学）；Adobe（奥多比）
目前大多数单图像相机校准方法依赖于特定的图像特征或用户输入，并且不能应用于在不受控制的设置中捕获的自然图像。我们提出使用深度卷积神经网络从单个图像直接推断相机校准参数。该网络使用从大规模全景数据集自动生成的样本进行训练，并且在标准L2误差方面大大优于其他方法，包括最近基于深度学习的方法。然而，我们认为，在许多情况下，更重要的是考虑人类如何感知相机估计中的错误。为此，我们进行了一个大规模的人类感知研究，我们要求用户判断的现实主义的3D对象合成和没有地面实况摄像机校准。基于这项研究，我们开发了一种新的感知测量相机校准，并证明了我们的深度校准网络优于其他方法。最后，我们展示了使用我们的校准网络的一些应用程序，包括虚拟对象插入，图像检索和合成。
2018-04-22 cs.CV
Efficient Pose Selection for Interactive Camera Calibration
Fraunhofer IGD（弗劳恩霍夫计算机图形学研究所）；TU Darmstadt（达姆施塔特工业大学）
相机标定与平面图案的姿势的选择很少被考虑-但校准精度在很大程度上取决于它。这项工作提出了一种姿势选择方法，找到一个紧凑和强大的一组校准姿势，适合于交互式校准。因此，明确避免了会导致不可靠解的奇异姿态，而有利于降低校准不确定性的姿态。为此，我们使用不确定性传播。我们的方法利用一个自我识别的校准模式，实时跟踪相机姿态。这允许迭代地将用户引导到目标姿势，直到达到期望的质量水平。因此，仅需要稀疏的关键帧集合用于校准。该方法在单独的训练集和测试集以及合成数据上进行评估。我们的方法比同类解决方案性能更好，同时需要的校准帧减少30%。
2019-07-09 cs.CV
Flexible Camera Calibration using a Collimator System
本文提出了一种基于校准系统的灵活相机校准方法，通过引入角度不变约束和球面运动模型，实现了无需相机运动的快速校准。
2025-12-18 cs.CV
One target to align them all: LiDAR, RGB and event cameras extrinsic calibration for Autonomous Driving
DEIB Politecnico di Milano（都灵理工大学DEIB）
针对自动驾驶中事件相机、激光雷达与RGB相机的多模态外参标定难题，提出一种基于定制3D标定靶的一次性联合标定框架，该靶标含适配三种传感器的特征，实验证实其准确性与鲁棒性。
2025-11-15 cs.CV
Mobile Camera Array Calibration for Light Field Acquisition
Kyushu University（九州大学）
光场相机对于计算机图形和视觉应用是有用的。校准是这些应用的重要步骤。标定后，利用标定后的摄像机参数对采集到的图像进行校正。然而，大型摄像机阵列的标定方法，它假设所有的摄像机是在同一个平面上，忽略了方向和内部参数。多摄像机标定技术通常假设工作体积和视点是固定的。在本文中，我们描述了一种适用于基于移动相机阵列的光场采集系统的校准算法。该算法通过移动棋盘格来执行张的风格，并以封闭形式计算初始参数。然后应用全局优化来同时细化所有参数。我们的实现是相当灵活的，因为用户可以分配的观点和内部参数的细化是可选的。仿真数据和商业产品采集的真实数据的实验表明，我们的方法产生了良好的效果。数字再聚焦应用表明，校准后的光场能够很好地聚焦到所需的目标物体上。
2014-07-16 cs.CV
A Single-shot-per-pose Camera-Projector Calibration System For Imperfect Planar Targets
Temple Univeristy（天普大学）；Rowan Univeristy（罗文大学）；HiScene Info. Technologies（亮风台信息技术）
现有的相机-投影仪校准方法通常使用估计的单应性将特征点从相机图像扭曲到投影仪图像，并且由于校准目标的不完美的平面性而经常遭受相机参数和噪声的误差。在本文中，我们提出了一个简单而强大的解决方案，明确应对这些挑战。根据结构光（SL）相机项目校准框架，精心设计的对应算法建立在De Bruijn图案之上。然后，这种对应关系用于初始相机-投影仪校准。然后，为了获得更多的鲁棒性对噪声，特别是那些从一个不完美的平面校准板，光束法平差算法的开发，以联合优化估计的相机和投影仪模型。除了鲁棒性之外，我们的解决方案对于每个校准板姿势只需要一次SL图案的拍摄，这在实践中比多次拍摄解决方案方便得多。在合成数据集和真实数据集上进行数据验证，在所有实验中，我们的方法比现有方法显示出明显的优势。
2018-10-17 cs.CV
Calibration Wizard: A Guidance System for Camera Calibration Based on Modelling Geometric and Corner Uncertainty
ETH Zurich（苏黎世联邦理工学院）；INRIA Grenoble – Rhône-Alpes（法国国立信息学与自动化研究院格勒诺布尔-罗讷-阿尔卑斯分院）
众所周知，校准的准确性强烈地依赖于相机姿态的选择，从相机姿态获取校准对象的图像。我们提出了一个系统-校准向导-交互式引导用户对采取最佳的校准图像。对于要拍摄的每个新图像，系统从所有先前获取的图像计算导致内在参数的预期不确定性的全局最大减少的姿势，然后引导用户朝向该姿势。我们还展示了如何将角点位置的不确定性，在一个新的原则性的方式，校准和计算的下一个最好的姿势。合成和真实世界的实验进行证明校准向导的有效性。
2019-09-03 cs.CV
Joint Calibration of Panoramic Camera and Lidar Based on Supervised Learning
Shanghai Jiao Tong University（上海交通大学）
针对当代全景相机-激光扫描仪系统，传统的标定方法不适用于成像模型极非线性的全景相机。基于统计优化的方法存在对激光扫描仪通道数要求较高的缺点。全景摄像机-激光扫描仪系统的高精度标定设备价格昂贵。针对全景相机-激光扫描仪系统标定中存在的问题，提出了一种基于监督学习的方法。首先，通过设计一个圆形标定对象，获取全景图像和点云的对应特征点，生成训练数据集。此外，通过设计一个对全景成像模型进行预处理的监督学习网络，将传统的标定问题转化为一个多元非线性回归优化问题。利用反向传播算法对旋转和平移矩阵进行了高精度的回归。实验结果表明，该方法能快速回归标定参数，精度优于传统标定方法和基于统计优化的标定方法。该方法标定精度高，自动化程度高。
2017-09-13 cs.CV
Toward Planet-Wide Traffic Camera Calibration
Carnegie Mellon University（卡内基梅隆大学）
针对户外交通摄像头标定难、自动化分析潜力难发挥的问题，提出利用街景图像重建公制3D模型的可扩展标定框架，实现超100个全球摄像头定位，新建20个标定摄像头数据集验证其优于现有方法，还可支撑交通分析。
2023-11-06 cs.CV
Rethinking Generic Camera Models for Deep Single Image Camera Calibration to Recover Rotation and Fisheye Distortion
Panasonic Corporation（松下公司）；Chubu University（中部大学）
虽然最近的基于学习的校准方法可以预测外部和内部相机参数从一个单一的图像，这些方法的准确性下降，鱼眼图像。这种退化是由实际投影和预期投影之间的不匹配引起的。为了解决这个问题，我们提出了一个通用的相机模型，有可能解决各种类型的失真。我们的通用相机模型通过相机投影的闭合形式的数值计算用于基于学习的方法。同时恢复旋转和鱼眼失真，我们提出了一种基于学习的校准方法，使用相机模型。此外，我们提出了一个损失函数，该函数描述了四个外部和内部相机参数的误差幅度的偏差。大量的实验表明，我们提出的方法优于传统的方法在两个大规模的数据集和现成的鱼眼相机捕获的图像。此外，我们是第一个使用各种类型的投影来分析基于学习的方法的性能的研究人员。
2021-11-25 cs.CV
PuzzleBoard: A New Camera Calibration Pattern with Position Encoding
Department of Computer Science, HAW Hamburg, Germany（计算机科学系，汉堡应用技术大学）
PuzzleBoard提出了一种结合棋盘校准优势的新型校准图案，具备轻量级位置编码和低分辨率解码能力，适用于相机校准、姿态估计和标记物定位。
2024-09-30 cs.CV
Calibration-Informative Region Selection for Online LiDAR--Camera Calibration in Agricultural Environments
Lincoln Institute for Agri-Food Technology, University of Lincoln, UK（林肯农业食品技术研究所，林肯大学，英国）
提出一种基于支持图的在线LiDAR-相机标定方法，通过密集标定支持图识别可靠观测区域，提升标定精度。
2026-05-22 cs.CV
Superaccurate Camera Calibration via Inverse Rendering
Technical University of Denmark（丹麦技术大学）；University of Southern Denmark（南丹麦大学）
摄像机校准的最普遍的例程是基于检测的明确定义的特征点上的一个专门制作的校准工件。这些可以是棋盘鞍点、圆、环或三角形，通常印刷在平面结构上。首先检测出特征点，然后利用特征点进行非线性优化，估计出摄像机内部参数，提出了一种基于逆绘制原理的摄像机标定方法。而不是仅仅依赖于检测到的特征点，我们使用的内部参数和校准对象的姿态的估计，隐式地呈现一个非真实感等效的光学功能。这使我们能够计算图像域中的逐像素差异，而不会出现插值伪影。然后，我们可以通过最小化像素最小二乘差异来改进内部参数的估计。通过这种方式，我们的模型优化了图像空间中的一个有意义的度量，假设相机传感器的噪声特性为正态分布，我们证明使用合成和真实的相机图像，我们的方法提高了估计相机参数的准确性相比，目前国家的最先进的校准例程。我们的方法还估计这些参数更强大的存在噪声和校准图像的数量是有限的情况下。
2020-03-20 cs.CV
Why Having 10,000 Parameters in Your Camera Model is Better Than Twelve
ETH Zürich（苏黎世联邦理工学院）；Microsoft Mixed Reality & AI Zurich Lab（微软混合现实与人工智能苏黎世实验室）；Chalmers University of Technology（查尔姆斯理工大学）
相机校准是设置3D计算机视觉系统的重要第一步。常用的参数相机模型被限制到几个自由度，因此通常不能最佳地拟合复杂的真实镜头失真。相比之下，通用相机模型由于其灵活性而允许非常精确的校准。尽管如此，它们在实践中几乎没有用处。在本文中，我们认为这种情况应该改变。我们提出了一个通用模型的校准管道，该管道是完全自动化的，易于使用，并且可以作为参数校准的直接替代品，重点是准确性。我们比较我们的结果参数校准。考虑立体深度估计和相机姿态估计为例，我们表明，校准误差作为一个偏差的结果。因此，我们认为，在目前的普遍做法相反，一般模型应优于参数的，只要有可能。为了促进这一点，我们在https：//github.com/puzzlepaint/camera_calibration上发布了我们的校准管道，使每个人都可以使用易于使用和准确的相机校准。
2020-06-23 cs.CV
Camera Calibration using a Collimator System
College of Aerospace Science and Engineering, National University of Defense Technology（国防科技大学航天科学与工程学院）
本文提出一种基于准直器系统的相机标定方法，利用球面运动模型将相对运动简化为3自由度纯旋转，并设计多视图闭式求解器和两视图最小求解器，实验证明其优于现有方法。
2024-09-30 cs.CV
A Note on Geometric Calibration of Multiple Cameras and Projectors
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）；University of Toulouse, Toulouse INP – IRIT（图卢兹大学，图卢兹国立理工学院 – 图卢兹计算机研究所）
针对多投影仪-相机系统同步几何标定研究不足的问题，本文介绍一套实际标定流程，重点说明标定物设计与图像处理流水线，并以重投影误差同 Zhang 标定法等经典方法定量比较。
2024-10-24 cs.CV
Unconstrained Two-parallel-plane Model for Focused Plenoptic Cameras Calibration
Northwestern Polytechnical University（西北工业大学）
全光相机可以捕获光线的角度和空间信息，从而通过单次曝光实现3D重建。恢复的场景结构的几何形状受到全光相机的校准的显著影响。本文提出了一种新的描述4D光场的7参数无约束双平行平面（TPP）模型。通过从射线-射线关联重建场景点，推导出三维投影变换，以建立场景结构与TPP参数之间的关系。在此基础上，我们将聚焦全光相机简化为TPP模型，并标定了其内部参数。我们的校准方法包括一个封闭的形式的解决方案和非线性优化，通过最小化重投影误差。仿真数据和真实场景数据的实验验证了聚焦全光相机的标定性能。
2016-08-16 cs.CV
Multi-camera calibration with pattern rigs, including for non-overlapping cameras: CALICO
USDA-ARS-AFRS（美国农业部农业研究服务局农业和食品研究处）；University of Florida（佛罗里达大学）；University of California-Davis（加州大学戴维斯分校）；Embrapa Digital Agriculture（巴西农业研究公司数字农业研究所）
CALICO利用图案装置中图案与相机间的刚性约束，将多相机标定转化为代数与重投影误差最小化问题，适用于非重叠视场、非同步及静止或移动多相机系统，实验表明其精度优于Kalibr。
2024-03-27 cs.CV
From Chaos to Calibration: A Geometric Mutual Information Approach to Target-Free Camera LiDAR Extrinsic Calibration
Spleenlab GmbH（Spleenlab 有限公司）
针对在线相机-LiDAR外参标定依赖真值训练数据的问题，提出基于几何互信息的无目标标定算法，无需约束轨迹、手工特征或离线优化，并在KITTI与KITTI-360鱼眼数据集上验证。
2023-11-03 cs.CV
Traffic Surveillance Camera Calibration by 3D Model Bounding Box Alignment for Accurate Vehicle Speed Measurement
Brno University of Technology（布尔诺理工大学）
在本文中，我们专注于全自动交通监控摄像机的校准，我们使用的速度测量的过往车辆。我们改进了最近国家的最先进的交通监控摄像机标定方法的基础上检测到的两个消失点。更重要的是，我们提出了一种新的自动场景规模推断方法。该方法基于将车辆的渲染3D模型的边界框与图像中检测到的边界框进行匹配。该方法可以从任意视点使用，因为它没有约束的相机放置。我们在最近的速度测量BrnoCompSpeed的综合数据集上评估我们的方法。实验表明，我们的自动摄像机标定方法通过检测两个消失点减少了50%的误差（平均距离比误差从0.18减少到0.09）相比，以前的国家的最先进的方法。我们还表明，我们的场景规模推断方法是更精确的，优于最先进的自动校准方法的速度测量（误差减少86% -7.98公里/小时至1.10公里/小时）和手动校准（误差减少19% -1.35公里/小时至1.10公里/小时）。我们还提出了定性的结果，建议自动摄像机校准方法从真正的监控摄像机在不同的地方，并在不同的照明条件下（夜间，黎明，白天）获得的视频序列。
2017-06-01 cs.CV
Deep Learning for Camera Calibration and Beyond: A Survey
Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学研究所）；Tampere University（坦佩雷大学）；School of Computer Science, Faculty of Engineering, The University of Sydney（悉尼大学工程学院计算机科学学院）
本文首次系统综述了基于深度学习的相机标定方法，涵盖针孔、畸变、跨视角和跨传感器模型，并构建了包含合成与真实数据的公共基准数据集以评估泛化能力。
2025-02-24 cs.CV
Euclidean Auto Calibration of Camera Networks: Baseline Constraint Removes Scale Ambiguity
Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
几位作者已经报道了从多个视图对摄像机网络进行度量自动校准。所得到的3D重建忠实地恢复形状，但不是比例。然而，在诸如多方远程呈现的应用中，保持规模变得至关重要，其中多个3D场景需要融合到单个坐标系中。在这种情况下，我们提出了一个摄像机网络配置，其中包括一个立体对已知的基线分离，并分析证明这种网络在温和的条件下的欧几里德自动校准。此外，我们使用四摄像头网络实验验证了我们的理论。重要的是，我们的方法不仅恢复规模，但也毫不逊色，与众所周知的张和Pollefeys方法在形状恢复方面。
2015-10-06 cs.CV
Perspective Fields for Single Image Camera Calibration
University of Michigan（密歇根大学）；Adobe Research（奥多比研究院）
几何相机校准通常需要了解图像的透视的应用。我们提出的透视字段作为一种表示，模拟图像的局部透视属性。Perspective Fields包含有关摄影机视图的每像素信息，参数化为向上向量和纬度值。这种表示具有许多优点，因为它对相机模型做了最少的假设，并且对于常见的图像编辑操作（如裁剪，扭曲和旋转）是不变或等变的。它也更容易解释，并与人类的感知保持一致。我们训练一个神经网络来预测透视场，预测的透视场可以很容易地转换为校准参数。我们证明了我们的方法在各种情况下的鲁棒性相比，基于摄像机校准的方法，并显示在图像合成中的应用实例。
2023-03-16 cs.CV
Joint Target-Less Intrinsic and Extrinsic Camera-LiDAR Calibration using Deep Point Correspondences
Department of Computer Science, University of Freiburg, Germany（弗赖堡大学计算机科学系）
提出首个完全无靶标的联合标定流程，通过深度像素-点对应同时估计相机内参（含畸变）和相机-激光雷达外参，并采用结构运动初始化内参、联合非线性优化。
2026-05-22 cs.CV
Extrinsic camera calibration method and its performance evaluation
Maria Curie Sklodowska University（玛丽亚·居里-斯克沃多夫斯卡大学）；Warsaw University of Technology（华沙理工大学）
本文提出了一种从图像序列中进行摄像机外部标定（估计摄像机旋转和平移矩阵）的方法。假设摄像机内矩阵和失真系数是已知的并且在整个序列期间是固定的。与未校准的情况相比，这允许减少估计对极几何形状所需的图像之间的对应关键点对的数量。在多个多视图立体视觉测试数据集上对所提出的方法的性能进行了评估。所提出的算法可以用作密集立体重建系统的第一阶段。
2018-09-28 cs.CV
Extrinsic Camera Calibration with Semantic Segmentation
Ulm University（乌尔姆大学）
单目摄像头传感器对于智能车辆操作和自动驾驶辅助至关重要，并且在交通控制基础设施中也得到了大量应用。然而，校准单目摄像机是耗时的，并且通常需要大量的人工干预。在这项工作中，我们提出了一个外部的摄像机标定方法，自动化的参数估计，利用图像和点云的语义分割信息。我们的方法依赖于相机姿态的粗略初始测量，并建立在安装在车辆上的激光雷达传感器上，具有高精度定位以捕获相机环境的点云。之后，通过执行语义分割的传感器数据的激光雷达到相机配准来获得相机坐标空间与世界坐标空间之间的映射。我们评估我们的方法模拟和真实世界的数据，以证明低误差测量的校准结果。我们的方法适用于基础设施传感器以及车辆传感器，同时它不需要相机平台的运动。
2022-08-08 cs.CV
MamV2XCalib: V2X-based Target-less Infrastructure Camera Calibration with State Space Model
Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学）
针对路侧协同感知系统中基础设施相机标定耗力的问题，提出MamV2XCalib方法，结合多尺度特征、4D相关体与Mamba时序建模，实现无目标、无人工的V2X自动标定，在真实数据集上表现更优更稳定。
2025-07-31 cs.CV
Camera Calibration without Camera Access -- A Robust Validation Technique for Extended PnP Methods
Linköping University（林雪平大学）；Saab（萨博）
基于图像的计量和取证中的挑战是当所使用的相机不可用时的固有相机校准。这种不可用性引发了两个问题。第一个问题是如何找到描述相机的投影模型，第二个问题是检测不正确的模型。在这项工作中，我们使用现成的扩展PNP方法从2D-3D对应中找到模型，并提出了一种模型验证方法。评估投影模型的最常见策略是比较不同模型的残差方差-然而，这种幼稚的策略无法区分投影模型是潜在的欠拟合还是过拟合。为此，我们对每个对应关系的残差进行建模，使用预测方差单独缩放所有残差，并测试新残差是否来自标准正态分布。我们在合成数据的实验中证明了我们提出的验证的有效性，模拟二维检测和激光雷达测量。此外，我们提供的实验，使用来自实际场景的数据，并比较非摄像机访问和摄像机访问校准。最后，我们使用我们的方法来验证MegaDepth中的注释。
2023-02-14 cs.CV
LECalib: Line-Based Event Camera Calibration
The College of Aerospace Science and Engineering, National University of Defense Technology, Changsha 410073, China（航空科学与工程学院，国防科技大学，长沙410073，中国）；The GNSS Research Center, Wuhan University, Wuhan 430000, China（导航定位研究室，武汉大学，武汉430000，中国）
LECalib提出一种基于线的事件相机校准方法，通过直接从事件流中检测线条并优化参数，提升快速场景下的校准效率和准确性。
2025-12-27 cs.CV
Camera Calibration through Camera Projection Loss
Lahore University of Management Sciences（拉合尔管理科学大学）
摄像机校准是一个必要的各种任务，包括3D重建，手眼协调的机器人互动，自动驾驶等，在这项工作中，我们提出了一种新的方法来预测外在（基线，间距和平移），内在（焦距和主点偏移）参数使用图像对。与现有方法不同，我们提出了一种新的表示方法，将相机模型方程作为多任务学习框架中的神经网络，而不是设计端到端的解决方案。我们估计所需的参数，通过新的相机投影损失（CPL），使用相机模型神经网络重建的3D点，并使用重建损失估计相机参数。据我们所知，我们是第一个通过多任务学习方法联合估计内部和外部参数的方法，该方法将分析方程结合在学习框架中用于估计相机参数。我们还提出了一个新的数据集使用CARLA模拟器。从经验上讲，我们证明了我们提出的方法在使用合成数据和真实数据评估的10个参数中的8个参数上实现了基于深度学习和传统方法的更好性能。我们的代码和生成的数据集可以在https://github.com/thanif/Camera-Calibration-through-Camera-Projection-Loss上找到。
2022-12-19 cs.CV
Continuous Online Extrinsic Calibration of Fisheye Camera and LiDAR
Spleenlab GmbH（Spleenlab有限公司）
针对自动驾驶中相机与LiDAR外部标定因物理干扰而失准的问题，提出利用单目深度估计与LiDAR几何距离的互信息作为优化指标，实现无需标定目标、无需训练数据的连续在线标定，并在KITTI-360上验证了其精度与速度。
2023-06-22 cs.CV
TEScalib: Targetless Extrinsic Self-Calibration of LiDAR and Stereo Camera for Automated Driving Vehicles with Uncertainty Analysis
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（FZI信息技术研究中心）
在本文中，我们提出了TEScalib，一种新的外部自校准方法的激光雷达和立体相机使用周围环境的几何和光度信息，没有任何校准目标的自动驾驶车辆。由于激光雷达和立体相机广泛用于自动驾驶车辆的传感器数据融合，因此它们的外部校准非常重要。然而，大多数LiDAR和立体相机校准方法主要是基于目标的，因此耗时。即使是最近几年新开发的无目标方法也不准确或不适合驾驶平台。为了解决这些问题，我们引入了TESCalib。通过应用基于三维网格重建的点云配准，几何信息被用于精确和鲁棒地估计LiDAR到立体相机的外部参数。为了标定立体相机，建立了一个光度误差函数，并涉及LiDAR深度转换的关键点从一个相机到另一个。在驱动期间，这两个部分被迭代地处理。此外，我们还提出了一个不确定性分析，以反映估计的外部参数的可靠性。我们在KITTI数据集上评估的TEScalib方法取得了非常有希望的结果。
2022-02-28 cs.CV
Calibration and Auto-Refinement for Light Field Cameras
German Research Center for Artificial Intelligence（德国人工智能研究中心）；University of Kaiserslautern（凯泽斯劳滕大学）
创建捕获场景的精确三维重建的能力引起了对光场原理的关注。提出了一种基于两两模式参数提取的光场摄像机标定与校正方法。其次是一个基于对应关系的算法，用于从任意场景中使用三角形滤波器和非线性优化的相机参数细化。在真实数据和合成数据上验证了该方法的有效性。
2021-06-11 cs.CV
Wide-Baseline Multi-Camera Calibration using Person Re-Identification
Carnegie Mellon University（卡内基梅隆大学）
我们解决了估计大环境宽基线场景的摄像机网络的3D姿态的问题，例如，用于建筑工地、体育场馆和公共场所的摄像机。这项任务是具有挑战性的，因为检测和匹配从两个非常不同的相机视图观察到的相同的3D关键点是困难的，使得标准的运动恢复结构（SfM）流水线不适用。在这种情况下，将场景中的人视为“关键点”并将它们跨不同的相机视图相关联可以是用于获得对应性的替代方法。基于这种直觉，我们提出了一种方法，使用的想法，从人重新识别（重新ID）的宽基线相机校准。我们的方法首先采用了一个re-ID的方法来关联人的边界框跨相机，然后将限界框对应转换为点对应，最后解决相机姿态使用多视图几何和光束法平差。由于我们的方法不需要专门的校准目标，除了可见的人，它适用于需要频繁校准更新的情况。我们对从不同大小的场景，相机设置（室内和室外）和人类活动（步行，打篮球，建筑）捕获的数据集进行了广泛的实验。实验结果表明，我们的方法实现了类似的性能标准的SfM方法依赖于手动标记的点对应。
2021-04-17 cs.CV
Joint Multi-Camera LiDAR Extrinsic Calibration via Learned Pairwise Initialization and Geometric Refinement
Department of System and Computer Engineering, Carleton University（系统与计算机工程系，卡尔顿大学）
提出两阶段框架，先通过CMRNext独立估计每个相机的外参和2D-3D对应，再通过联合光束法平差优化实现全局一致的多相机标定，显著提升精度和一致性。
2026-05-29 cs.CV
A Universal Protocol to Benchmark Camera Calibration for Sports
EVS Broadcast Equipment（EVS广播设备公司）；University of Liège（列日大学）
针对体育相机标定缺乏公平、通用评测的问题，提出与相机模型无关、基于已知3D对象重投影的 ProCC 协议，并在多个数据集上验证其评估更公平。
2024-04-15 cs.CV
LCCNet: LiDAR and Camera Self-Calibration using Cost Volume Network
Harbin Institute of Technology（哈尔滨工业大学）
在本文中，我们提出了一种新的在线自校准方法的光探测和测距（LiDAR）和相机传感器。与之前基于CNN的方法（将RGB图像和未校准的深度图像的特征图连接起来）相比，我们利用PWC-Net启发的成本量进行特征匹配。除了预测的外部校准参数的平滑L1损失之外，还应用了额外的点云损失。与直接回归激光雷达和相机之间的外部参数不同，我们预测了从初始校准到地面真实值的失准偏差。在推理过程中，校准误差进一步减少与迭代细化和时间滤波方法的使用。在KITTI数据集上的评估结果表明，我们的方法在平移和旋转的平均绝对校准误差分别为0.297 cm和0.017°方面优于基于CNN的最先进方法，其中误校准幅度高达1.5 m和20°。
2021-04-24 cs.CV
Collimator-assisted high-precision calibration method for event cameras
College of Aerospace Science and Engineering, National University of Defense Technology（航空航天科学与工程学院，国防科技大学）
本文提出一种基于光束校准的高精度事件相机校准方法，通过球运动模型和非线性优化提升远距离测量的精度和可靠性。
2025-12-18 cs.CV
Online Extrinsic Camera Calibration for Temporally Consistent IPM Using Lane Boundary Observations with a Lane Width Prior
Qualcomm Korea YH（高通韩国YH）
本文提出了一种在线摄像机外部标定的方法，从连续驾驶场景图像中的路面估计俯仰角、偏航角、侧倾角和相机高度。所提出的方法估计外部摄像机参数分两步：1）俯仰角和偏航角估计同时使用一个消失点计算从一组车道边界观测，然后2）滚转角和摄像机高度计算通过最小化车道宽度观测和车道宽度先验之间的差异。使用扩展卡尔曼滤波（EKF）的外部相机参数顺序更新，并最终用于通过逆透视映射（IPM）生成时间一致的鸟瞰（BEV）图像。我们证明了所提出的方法在合成和真实世界的数据集的优越性。
2020-08-09 cs.CV
Multi-task Learning for Camera Calibration
Lahore University of Management Sciences（拉合尔管理科学大学）
对于许多任务，如3D重建、机器人接口、自动驾驶等，相机校准是必不可少的。在这项研究中，我们提出了一种独特的方法来预测内在（主点偏移和焦距）和外在（基线，间距和平移）的属性从一对图像。我们提出了一种新的方法，其中相机模型方程表示为多任务学习框架中的神经网络，与现有的方法相比，这些方法构建了一个全面的解决方案。通过使用相机模型神经网络重建3D点，然后使用重建中的损失来获得相机规格，这种创新的相机投影损失（CPL）方法允许我们估计所需的参数。据我们所知，我们的方法是第一个使用多任务学习方法的方法，该方法包括在学习框架中的数学公式，用于估计相机参数，以联合预测外部参数和内部参数。此外，我们提供了一个名为CVGL相机校准数据集[1]的新数据集，该数据集是使用CARLA模拟器[2]收集的。实际上，我们表明，我们建议的策略在使用真实数据和合成数据评估的10个参数中有6个参数上优于传统方法和基于深度学习的方法。我们的代码和生成的数据集可以在https://github.com/thanif/Camera-Calibration-through-Camera-Projection-Loss上找到。
2022-12-23 cs.CV
Beyond Reprojection Error: Camera Calibration with 3D Targets
Fraunhofer Institute for Computer Graphics Research（弗劳恩霍夫计算机图形研究所）；Technical University of Applied Sciences Würzburg-Schweinfurt（维尔茨堡-施韦因富特应用技术大学）；Technical University Darmstadt（达姆施塔特工业大学）
本研究针对三维重建提出基于场景射线预测的相机标定框架，采用重建与相交误差等指标，设计二十面体标定靶标，提升了标定精度，发现重投影误差可能误导三维精度评估。
2026-08-06 cs.CV
Inter-sphere consistency-based method for camera-projector pair calibration
College of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院）；National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology（空天地海一体化大数据应用技术国家工程实验室）
针对相机-投影仪对标定中仅用两球标定这一未妥善解决的不适定难题，提出基于球间参数一致性构建约束的方法，实现更灵活的标定。
2023-03-10 cs.CV
Rotating-star Pattern for Camera Calibration
Individual Researcher（独立研究者）
针对星形标定图案的混叠伪影问题，提出围绕中心旋转的多棋盘格图案及配套特征提取算法，提升了标定精度与曝光稳定性。
2025-05-11 cs.CV
CLRNet: Targetless Extrinsic Calibration for Camera, Lidar and 4D Radar Using Deep Learning
Hungarian Research Network Institute for Computer Science and Control (HUN-REN SZTAKI)（匈牙利研究网络计算机科学与控制研究所）；Pázmány Péter Catholic University（帕兹曼·佩斯特天主教大学）；Intelligent Vehicles Group, TU Delft（智能车辆组，代尔夫特理工大学）；Perciv AI
本文提出CLRNet，一种多模态端到端深度学习网络，用于摄像头、激光雷达和4D雷达的联合校准或配对校准，通过等距投影、基于摄像头的深度图像预测和雷达通道等方法，提升校准精度。
2026-03-16 cs.CV
A Generic Multi-Projection-Center Model and Calibration Method for Light Field Cameras
Northwestern Polytechnical University（西北工业大学）；ShanghaiTech University（上海科技大学）
光场相机可以捕获光线的空间和角度信息，从而通过单次曝光实现3D重建。光场相机的内参数对三维重建的几何形状有很大的影响。本文在传统的两平行平面（TPP）表示的基础上，提出了一种具有6个内参数的多投影中心（MPC）模型来表征光场相机。MPC模型通常可以参数化不同成像构造中的光场，包括常规和聚焦光场相机。通过四维光线约束和三维几何约束，推导出一种三维射影变换来描述几何结构与MPC坐标之间的关系。基于MPC模型和投影变换，我们提出了一种校准算法来验证我们的光场相机模型。我们的校准方法包括一个封闭的形式的解决方案和非线性优化，通过最大限度地减少重投影误差。仿真和真实场景数据的实验结果验证了我们的算法的性能。
2018-08-07 cs.CV
Encoderless Gimbal Calibration of Dynamic Multi-Camera Clusters
University of Waterloo（滑铁卢大学）
动态相机集群（DCC）是多相机系统，其中一个或多个相机安装在诸如万向节的致动机构上。现有的DCC校准方法依赖于联合角度测量来解决动态和静态相机之间的时变变换。这些信息通常由电机编码器提供，然而，关节角度测量并不总是现成的机制。在本文中，我们提出了一种无编码器的DCC校准方法，同时估计的运动参数的转换链以及未知的关节角度。我们还展示了一个无编码器的万向节机制与最先进的VIO算法的集成，并显示所需的扩展，以执行同时在线估计的关节角度和车辆定位状态。所提出的校准方法在仿真和由安装在无人机上的2-DOF框架组成的物理DCC上都得到了验证。最后，我们展示了集成到OKVIS VIO软件包中的校准机制的实验结果，并展示了成功的在线联合角度估计，同时保持与标准静态多相机配置相当的定位精度。
2018-07-24 cs.CV
A Two-step Calibration Method for Unfocused Light Field Camera Based on Projection Model Analysis
光场相机的精确标定是其应用的关键。过去几十年来，这一领域取得了迅速进展。本文首先对现有的用于标定的投影模型进行了详细的分析，并从光线与像素、三维物理点与像素、三维物理点与采集光场三维信号结构的对应关系三个方面对投影模型进行了解释。在此基础上，将投影模型中的参数分为方向参数集和深度参数集。然后提出了一种两步标定方法，每一步处理每组参数。该方法能够重用传统的摄像机标定方法的方向参数集。提出了一种简单的基于原始图像的深度参数集标定方法。进行了系统验证，以评价拟定校准方法的性能。实验结果表明，该方法的准确性和鲁棒性优于它的同行在各种基准标准。
2021-03-10 cs.CV
Targetless Rotational Auto-Calibration of Radar and Camera for Intelligent Transportation Systems
fortiss GmbH（福蒂斯有限公司）；Technical University of Munich（慕尼黑工业大学）
大多数智能交通系统使用雷达传感器和摄像头的组合来实现强大的车辆感知。由于不同的物理测量原理和交通雷达的高度稀疏性，在系统运行期间以自动方式校准这些异构传感器类型具有挑战性。我们建议-据我们所知-第一个数据驱动的方法自动旋转雷达相机校准没有专用的校准目标。我们的方法是基于一个粗略的和一个精细的卷积神经网络。我们采用了一个增强启发的训练算法，我们训练的粗网络的残余误差的罚款网络。由于无法获得结合雷达和相机测量的公共数据集，我们记录了自己的真实数据。我们证明，我们的方法是能够达到精确和强大的传感器配准，并显示其泛化能力，以不同的传感器对齐和角度。
2019-07-28 cs.CV
