HDR-Plenoxels: Self-Calibrating High Dynamic Range Radiance Fields
Pohang University of Science and Technology (POSTECH)(浦项科技大学(POSTECH));Yonsei University(延世大学)
我们提出了高动态范围(HDR)辐射场,HDR-Plenoxels,它学习3D HDR辐射场,几何信息和2D低动态范围(LDR)图像中固有的不同相机设置的全光函数。我们的基于体素的体渲染管道重建HDR辐射场,只有多视图LDR图像从不同的相机设置在一个端到端的方式,并具有快速的收敛速度。为了处理现实世界中的各种相机,我们引入了一个色调映射模块,该模块对相机内的数字成像管道(ISP)进行建模,并解开辐射设置。我们的色调映射模块允许我们通过控制每个新视图的辐射设置来渲染。最后,我们构建了一个具有不同相机条件的多视图数据集,这符合我们的问题设置。我们的实验表明,HDR-Plenoxels可以表达细节和高质量的HDR新颖的意见,从只有LDR图像与各种相机。
2022-11-18 cs.AI cs.CV cs.GR
Self-Calibrating Gaussian Splatting for Large Field of View Reconstruction
Cornell University(康奈尔大学);Netflix Eyeline Studios(Netflix Eyeline工作室);Stanford University(斯坦福大学)
本文提出一种自标定框架,联合优化相机参数、镜头畸变和3D Gaussian表示,通过混合网络和立方体贴图重采样策略,实现大视场角图像的高质量高效场景重建。
2025-04-03 cs.CV cs.GR
Calibrating Self-supervised Monocular Depth Estimation
University of Oxford(牛津大学)
近年来,许多方法证明了神经网络仅使用自我监督作为训练信号来学习图像序列中的深度和姿势变化的能力。虽然网络实现了良好的性能,但经常被忽视的细节是,由于单目视觉的固有模糊性,它们预测的深度高达未知的缩放因子。比例因子通常在测试时从LiDAR地面实况获得,这严重限制了这些方法的实际应用。在本文中,我们表明,结合有关相机配置和环境的先验信息,我们可以消除尺度模糊性并直接预测深度,仍然使用自监督公式,而不依赖于任何额外的传感器。
2021-10-13 cs.CV
Self-Calibrating 4D Novel View Synthesis from Monocular Videos Using Gaussian Splatting
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出一种基于 Gaussian Splatting 的单目视频 4D 新视角合成方法,通过提取 2D 点特征实现相机参数自校准与 3D 结构联合优化,克服了依赖 COLMAP 的精度和耗时问题,显著提升了动态场景表示的准确性与效率。
2025-03-31 cs.CV
Automatic Estimation of Sphere Centers from Images of Calibrated Cameras
Eötvös Loránd University(罗兰大学)
机器人视觉中的一个关键问题是不同模态设备的标定。规则的空间对象(如平面)经常用于此任务。本文研究了摄像机图像中椭圆的自动检测,以及对检测到的二维椭圆进行球体三维位置的估计。我们提出了两种新的方法来(i)检测摄像机图像中的椭圆和(ii)估计相应的球体的空间位置,如果它的大小是已知的。定量和定性的算法进行了测试。它们用于校准配备数码相机、深度传感器和激光雷达设备的自动驾驶汽车的传感器系统。
2020-02-24 cs.CV
A Two-point Method for PTZ Camera Calibration in Sports
University of British Columbia(英属哥伦比亚大学);Tongji University(同济大学)
校准窄视场足球摄像机具有挑战性,因为图像中的场地标记非常少。与以前的解决方案不同,我们提出了一个两点的方法,它只需要两个点的对应关系给定的基础位置和方向的云台(PTZ)摄像机的先验知识。我们部署这种新的校准方法来注释足球视频的平移-倾斜-缩放数据。所收集的数据用作新图像的参考。我们还提出了一种快速的随机森林方法来预测云台角度,而无需图像到图像的特征匹配,从而为新图像提供了一种有效的校准方法。我们证明了我们的系统上的合成数据和两个真正的足球数据集。我们的两点方法比最先进的方法具有更好的性能。
2018-01-26 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
EF-Calib: Spatiotemporal Calibration of Event- and Frame-Based Cameras Using Continuous-Time Trajectories
College of Engineering, Peking University(北京大学工学院);Fuzhou University(福州大学)
针对事件相机与帧相机组成的立体视觉系统标定难题,提出EF-Calib时空标定框架,通过新型标定靶标、事件识别算法和连续B样条位姿表示,实现了高精度的内参、外参及时间偏移标定。
2024-09-25 cs.CV cs.RO
Generic Camera Calibration using Blurry Images
Independent Researcher(独立研究者)
本文提出了一种利用模糊图像进行通用相机校准的方法,通过几何约束和局部照明模型同时估计特征位置和点扩散函数,有效解决平移模糊问题。
2026-03-05 cs.CV eess.IV
Laser-Tracker-Assisted Camera-to-Robot Calibration for Mobile Robots
Institute of Photogrammetry and Remote Sensing (IPF), Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院摄影测量与遥感研究所)
提出一种激光跟踪仪辅助的移动机器人相机标定方法,通过链接多个标定目标放宽配置假设,实现更通用的相机位姿标定。
2026-09-24 cs.CV cs.RO
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
AnyCalib: On-Manifold Learning for Model-Agnostic Single-View Camera Calibration
University of Zaragoza(萨拉戈萨大学)
提出AnyCalib方法,通过回归每个像素对应光线实现模型无关的单视图相机标定,首次实现多种相机模型内参的闭式恢复,在更少训练数据下优于现有方法。
2025-06-26 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
calibDB: enabling web based computer vision through on-the-fly camera calibration
Fraunhofer IGD(弗劳恩霍夫计算机图形学研究所)
对于许多计算机视觉应用,摄像机校准数据的可用性至关重要,因为整体质量在很大程度上取决于它。虽然通过增强现实(AR)框架(如ARCore和ARKit)在某些设备上可以获得校准数据,但对于大多数摄像机,此信息不可用。因此,我们提出了一个基于Web的校准服务,不仅聚集校准数据,而且还允许校准新的相机上的飞行。我们建立在一个新的相机校准框架,使即使是新手用户可以在大约2分钟内执行精确的相机校准。这使得计算机视觉算法在网络上的一般部署成为可能,而这在以前是不可能的,因为缺乏校准数据。
2019-08-15 cs.CV cs.NI eess.IV
SPARK: Scalable Real-Time Point Cloud Aggregation with Multi-View Self-Calibration
SPARK通过自校准实时多摄像机点云重建框架,实现稳定且高效的点云融合与外参估计,适用于大规模3D重建场景。
2026-02-06 cs.CV
A Novel Method for the Extrinsic Calibration of a 2D Laser Rangefinder and a Camera
University of Minnesota(明尼苏达大学)
提出了一种新的摄像机外定标方法,并给出了一种在摄像机图像中不可见光束的二维激光测距仪。我们表明,从一个单一的观察的V形校准图案组成的两个非共面三角形的点到平面的约束足以唯一地约束两个传感器之间的相对姿态。接下来,我们提出了一种方法来获得解析解使用点到面的约束,从单个或多个观测。一路上,我们还表明,以前的解决方案,与我们的方法相比,具有固有的模糊性,因此必须依赖于一个良好的初始估计。真实和合成实验验证了我们的方法,并表明它实现了更好的准确性比以前的方法。
2018-08-31 cs.CV cs.RO
Spatiotemporal Multi-Camera Calibration using Freely Moving People
Graduate School of Informatics, Kyoto University(京都大学信息学研究生院);Information and Human Sciences, Kyoto Institute of Technology(京都科技大学信息与人类科学)
针对多相机标定与跨视角匹配相互依赖的问题,本文利用自由移动人体的三维姿态,在单位球面上以概率软分配联合求解时空对齐与对应关系,并通过共面约束和非线性优化实现无标记多相机标定。
2025-07-26 cs.CV
Learned Display Radiance Fields with Lensless Cameras
University College London(伦敦大学学院);Institute of Science Tokyo(东京科学研究所)
针对显示器校准依赖专用设备与暗室的问题,本文协同设计无透镜相机与基于隐式神经表示的算法,实现了从46.6° X 37.6°视锥范围内高效重建显示器光场,为便捷的显示器校准与特性表征奠定基础。
2025-10-13 cs.CV cs.ET
Rolling Shutter Camera Self-Calibration
CHU Clermont-Ferrand(克莱蒙费朗大学中心医院);SURGAR, Surgical Augmented Reality(外科增强现实研究组);School of Engineering, Westlake University(西湖大学工程学院);School of Design, Hunan University(湖南大学设计学院)
本文提出了首个无需校准靶标的卷帘快门相机自校准方法,通过结合两种互补成像模型构建统一双投影模型,经仿真与真实数据实验验证了方法的准确性与有效性。
2026-08-18 cs.CV
Online Photometric Calibration for Auto Exposure Video for Realtime Visual Odometry and SLAM
Technical University of Munich(慕尼黑工业大学)
最近的直接视觉里程计和SLAM算法已经证明了令人印象深刻的精度水平。然而,它们需要光度照相机校准,以实现有竞争力的结果。因此,相应的算法不能直接应用于现成的相机或用未知相机获取的视频序列。在这项工作中,我们提出了一种在线光度校准的方法,使处理自动曝光视频的视觉里程计精度与那些光度校准的视频。我们的算法恢复连续帧的曝光时间,相机的响应函数,以及由于渐晕的传感器辐照度的衰减因子。增益鲁棒KLT特征轨迹用于获得场景点对应作为非线性优化框架的输入。我们表明,我们的方法可以可靠地校准任意的视频序列,通过评估它的数据集,其完整的光度地面真相。我们进一步表明,我们的校准可以提高性能的一个国家的最先进的直接视觉里程计的方法,只工作在像素强度,校准测光参数在一个在线的方式在实时。
2017-10-05 cs.CV
E-Calib: A Fast, Robust and Accurate Calibration Toolbox for Event Cameras
Advanced Research and Innovation Center (ARIC)(先进研究与创新中心(ARIC));Khalifa University(哈利法大学);Khalifa University Center for Autonomous Robotic Systems (KUCARS)(哈利法大学自主机器人系统中心(KUCARS));University of Zurich(苏黎世大学);Strata Manufacturing PJSC (a Mubadala company)(斯特拉塔制造公司(穆巴达拉旗下企业))
本文提出事件相机标定工具箱 E-Calib,利用非对称圆形网格提升失焦鲁棒性,在检测成功率、重投影误差和外参精度上超越现有方法。
2024-11-22 cs.CV
Automated Calibration of Mobile Cameras for 3D Reconstruction of Mechanical Pipes
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Calgary(卡尔加里大学)
这份手稿提供了一个新的框架校准的光学仪器,特别是移动相机,使用大规模的圆形黑色和白色的目标领域。介绍了新的方法,用于:(i)图像之间的目标匹配;(ii)调整目标中心的系统偏心误差;(iii)通过自由网络自校准光束法平差迭代改进校准解决方案。据观察,建议的目标匹配有效地匹配圆形目标在270个移动电话图像从一个完整的校准实验室具有鲁棒性的II型错误。建议的偏心调整,这只需要从两个视图的相机投影矩阵,表现同义可用的封闭形式的解决方案,这需要几个额外的对象空间目标信息的先验。最后,特别是对于移动设备的情况下,使用我们的框架获得的校准参数被发现优于现场校准估计的3D重建半径的机械管道(约45%的改善)。
2020-12-04 cs.CG cs.CV
LiDAR-Camera Calibration using 3D-3D Point correspondences
Vellore Institute of Technology, Chennai(金奈韦洛尔理工大学);Birla Institute of Technology and Science, Hyderabad(海得拉巴比尔拉理工学院);Veermata Jijabai Technological Institute, Mumbai(孟买韦尔马塔·吉贾拜技术学院);International Institute of Information and Technology, Hyderabad(海得拉巴国际信息技术学院)
随着自动驾驶汽车的出现,LiDAR和摄像头已经成为不可或缺的传感器组合。它们都提供了丰富和互补的数据,可用于各种算法和机器学习,以感知和对周围环境做出重要的推断。我们提出了一种新的管道和实验装置,以找到精确的刚体变换的额外校准激光雷达和相机。管道化利用LiDAR和相机框架中的3D-3D点对应关系,并给出了封闭形式的解决方案。我们进一步通过融合来自两个立体相机的点云来显示估计的准确性,这两个立体相机与我们的方法估计的旋转和平移完全一致,从而在数学上和视觉上确认了我们的方法估计的准确性。以我们的外在激光雷达相机校准的想法向前,我们演示了如何没有重叠的视场的两个相机也可以使用3D点对应的extrendary校准。该代码已经以ROS包的形式作为开源软件提供,有关其的更多信息可以在这里找到:https://github.com/ankitdhall/lidar_camera_calibration。
2017-05-27 cs.CV cs.RO
BronchoPose: an analysis of data and model configuration for vision-based bronchoscopy pose estimation
Computer Vision Center(计算机视觉中心);Universitat Autònoma de Barcelona(巴塞罗那自治大学)
基于视觉的支气管镜检查(VB)模型需要将虚拟肺模型与来自视频支气管镜检查的帧配准,以在活检期间提供有效的引导。可以通过跟踪支气管镜检查摄像机的位置和取向或者通过校准其与虚拟肺模型中模拟的姿态(位置和取向)的偏差来实现配准。神经网络和时间图像处理的最新进展为引导支气管镜检查提供了新的机会。然而,由于缺乏可比较的实验条件,这种进展受到阻碍。在本文中,我们分享了一个新的合成数据集,允许公平的方法比较。此外,本文研究了几个神经网络架构的学习时间信息在不同层次的主题个性化。为了提高方向测量,我们还提出了一个标准化的比较框架和一个新的度量相机方向学习。数据集上的结果表明,所提出的度量和架构,以及标准化的条件,提供了显着的改进,目前国家的最先进的摄像机姿态估计在视频支气管镜检查。
2022-04-25 cs.CV
Unsupervised Learning of Depth Estimation and Visual Odometry for Sparse Light Field Cameras
School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney(悉尼大学航空航天、机械与机电工程学院);Sydney Institute for Robotics and Intelligent Systems(悉尼机器人与智能系统研究院)
虽然出现了令人兴奋的多种新型成像设备,可以大大提高机器人的感知能力,但校准和解释这些相机的挑战限制了它们在机器人领域的应用。在这项工作中,我们概括了技术,从无监督学习,让机器人自主解释新类型的相机。我们考虑新兴的稀疏光场(LF)相机,其捕获描述穿过平面的光线的集合的4D LF函数的子集。我们介绍了一个广义的稀疏LF编码,允许无监督学习的里程和深度。我们证明了所提出的方法优于单目和传统的技术处理4D图像,产生更准确的里程计和深度图,并提供这些与度量尺度。我们期望我们的技术推广到广泛的LF和稀疏LF相机,并使无人监督的重新校准,以应对在机器人的生命周期内相机行为的变化。这项工作代表了在机器人应用中简化新型成像设备集成的第一步。
2021-03-21 cs.CV cs.RO
Multi-Camera Self-Calibration in Sports Motion Capture: Leveraging Human and Stick Poses
Fujitsu Research(富士通研究所);Colorado State University(科罗拉多州立大学)
本文提出一种无需工具的多相机自标定方法,利用同步视频中的人体关键点和已知长度的杆状物体进行联合优化,实现高精度的相机外参标定。
2026-04-19 cs.CV eess.IV
Continuous-Time Spatiotemporal Calibration of a Rolling Shutter Camera-IMU System
Wuhan University(武汉大学);Huawei Inc.(华为公司)
滚动快门(RS)机制被消费级相机广泛使用,这是智能手机和自动驾驶汽车的重要部件。RS效应导致相机和场景之间的相对运动时的图像失真。在视频稳定、运动恢复结构和视觉辅助里程计中需要考虑这种效应,最近的研究通过考虑RS效应改进了早期的全局快门(GS)方法。然而,目前还不清楚RS如何影响传感器组件中相机的时空校准,这对于上述应用中的良好性能至关重要。本文以相机-惯性测量组合系统为例,研究了遥感对相机-惯性测量组合系统时空定标的影响。为此,我们开发了一种标定方法的RS相机IMU系统与连续时间B样条通过使用一个校准目标。与校准GS相机不同,目标上的地标的每次观察都具有由连续时间B样条拟合的唯一相机姿态。利用从四组公共校准数据生成的模拟数据,我们表明RS可以显著地影响外部参数,导致在方向上的大约1 $^\circ$的误差和在平移中的2 $cm$的误差,其中RS设置为常见的智能手机相机。通过两个工业相机-IMU系统采集的实际数据,我们发现考虑RS效应可以提供更准确和一致的时空校准。此外,我们的方法还准确地校准RS的线间延迟。模拟和校准的代码是公开的。
2021-08-16 cs.CV eess.IV
Are Minimal Radial Distortion Solvers Really Necessary for Relative Pose Estimation?
Faculty of Mathematics, Physics and Informatics(数学、物理与信息学系);Comenius University Bratislava(布拉迪斯拉发科门纽斯大学);Visual Recognition Group(视觉识别小组);Faculty of Electrical Engineering(电气工程系);Czech Technical University in Prague(布拉格捷克技术大学);Czech Institute of Informatics, Robotics and Cybernetics(捷克信息学、机器人学与自动控制研究所)
本文针对相对位姿估计中的径向畸变问题,提出两种不依赖复杂最小求解器的简单方法,通过实验证明实践中无需使用复杂的径向畸变最小求解器。
2025-05-01 cs.CV
Multi-Cali Anything: Dense Feature Multi-Frame Structure-from-Motion for Large-Scale Camera Array Calibration
School of Computer Science, Carnegie Mellon University(计算机科学系,卡内基梅隆大学);Electrical and Computer Engineering, Carnegie Mellon University(电气与计算机工程,卡内基梅隆大学);Harvard John A. Paulson School of Engineering And Applied Sciences, Harvard University(哈佛大学约翰·A·保罗森工程与应用科学学院);Department of Electrical and Electronic Engineering, The University of Hong Kong(香港大学电子与电气工程系);School of Mathematical Science, University of Nottingham(诺丁汉大学数学科学学院);Weill Cornell Medicine, Cornell University(韦尔医学院,康奈尔大学);Meta Reality Labs(Meta现实实验室)
针对大规模相机阵列标定需专门拍摄标定物、内参易随环境变动的问题,提出稠密特征驱动的多帧标定方法,通过改进传统SfM流程实现无需额外标定拍摄的高精度内参优化与三维重建,可即插即用于现有流程。
2025-08-01 cs.CV
Procam Calibration from a Single Pose of a Planar Target
Queen's University(女王大学)
提出了一种新的用户友好的方法来校准的procam系统从一个单一的姿态的平面棋盘目标。用户只需要将棋盘定位在一个合适的姿势。一系列格雷码图案被投影到棋盘上,这允许自动提取相机、投影仪和棋盘之间的对应关系。这些对应关系作为输入被馈送到非线性优化方法,该方法将主点的投影仪建模到棋盘上,并精确地计算相机和投影仪的内在和外在参数,以及相机的失真系数。该方法在procam系统上进行了实验验证,结果表明该方法与现有的多姿态方法在精度上相当。棋盘的方向相对于procam成像的地方的影响,也探讨了通过广泛的模拟。
2021-02-22 cs.CV eess.IV
TartanCalib: Iterative Wide-Angle Lens Calibration using Adaptive SubPixel Refinement of AprilTags
Carnegie Mellon University(卡内基梅隆大学)
广角摄像机是移动机器人的独特定位,凭借其在小,轻,具有成本效益的形状因子提供丰富的信息。本征函数和外征函数的精确校准是使用广角镜头的边缘进行深度感知和测距的关键先决条件。由于边缘处的极端失真,使用当前最先进的技术校准广角镜头产生差的结果,因为大多数算法假设镜头具有更接近针孔投影的低到中等失真。在这项工作中,我们提出了精确的广角校准方法。我们的管道生成一个中间模型,并利用它来迭代地改进特征检测,并最终改进相机参数。我们测试了三种利用中间相机模型的关键方法:(1)将图像不失真到虚拟针孔相机中,(2)将目标重新投影到图像帧中,以及(3)自适应子像素细化。将自适应子像素细化和特征重投影相结合,可以将重投影误差显著提高26.59%,帮助我们检测到多达42.01%的特征,并提高密集深度映射下游任务的性能。最后,TartanCalib是开源的,并被实现为一个易于使用的校准工具箱。我们还提供了一个带有其他最先进作品的转换层,它允许使用数千个参数或使用更强大的求解器来回归通用模型。为此,TartanCalibb是广角校准的首选工具。项目网址及代码:http://tartancalib.com。
2022-10-05 cs.CV cs.RO
Online Temporal Calibration for Monocular Visual-Inertial Systems
Hong Kong University of Science and Technology(香港科技大学)
精确的状态估计是机器人导航、自动驾驶、虚拟和增强现实等智能应用的基础模块。视觉与惯性信息融合是近年来六自由度状态估计的一项热门技术。记录不同传感器测量值的时刻对于系统的鲁棒性和准确性至关重要。在实践中,每个传感器的时间戳通常遭受触发和传输延迟,导致不同传感器之间的时间不对准(时间偏移)。这种时间偏移极大地影响了传感器融合的性能。为此,我们提出了一个在线的方法来校准视觉和惯性测量之间的时间偏移。我们的方法实现了时间偏移校准,通过联合优化时间偏移,相机和IMU状态,以及在SLAM系统中的特征位置。此外,该方法是一个通用的模型,可以很容易地在几个基于特征的优化框架。仿真和实验结果表明,即使与其他国家的最先进的离线工具相比,我们的校准方法的高精度。与其他方法的VIO比较证明,在线时间校准显着受益于视觉惯性系统。时间校准的源代码集成到我们的公共项目VINS-Mono中。
2018-08-02 cs.CV
A Calibration Scheme for Non-Line-of-Sight Imaging Setups
University of Bonn(波恩大学);French-German Research Institute of Saint-Louis(圣路易法德研究所)
针对非视距成像装置依赖手动校准的问题,提出以镜子为靶标、通过优化时空一致性细化初始值的半自动校准方法,通用性强且鲁棒性好,真实场景下精度优于手动校准。
2019-12-20 cs.CV eess.IV
Continuous Target-free Extrinsic Calibration of a Multi-Sensor System from a Sequence of Static Viewpoints
AIT Austrian Institute of Technology(奥地利AIT技术研究所)
移动机器人应用需要关于平台上各个传感器的几何位置的精确信息。该信息由定义传感器如何相对于固定参考坐标系旋转和平移的外部校准参数给出。错误的校准参数对典型的机器人估计任务(例如SLAM)具有负面影响。在这项工作中,我们提出了一种新的方法,在机器人的操作过程中的校准参数的连续估计。参数估计基于传感器从多个静态视点获取的点云的匹配。因此,我们的方法不需要任何特殊的校准目标,并适用于任何传感器的测量可以转换为点云。我们通过校准由2个激光雷达传感器,3个摄像机和成像雷达传感器组成的多传感器系统来证明我们的方法的适用性。
2022-07-08 cs.CV cs.RO
Kinect Calibration and Data Optimization For Anthropometric Parameters
Karabuk University(卡拉比克大学)
针对Microsoft Kinect采集的人体测量与关节坐标数据受距离、位置影响而不稳定的问题,提出一种Kinect标定与骨架特征优化新方法,实验验证其效果显著,具备进一步推广研究的价值。
2024-09-13 cs.CV cs.LG