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
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
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
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
Long-Range depth estimation using learning based Hybrid Distortion Model for CCTV cameras
Homi Bhabha National Institute（霍米·巴巴国家研究所）；Bhabha Atomic Research Center（巴巴原子研究中心）
本文提出一种混合畸变模型，利用神经网络改进传统模型，以实现远距离CCTV摄像头的3D定位与摄影测量应用。
2025-12-19 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
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
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
TVCalib: Camera Calibration for Sports Field Registration in Soccer
L3S Research Center（L3S研究中心）；Leibniz University Hannover（汉诺威莱布尼茨大学）；TIB – Leibniz Information Centre for Science and Technology（莱布尼茨科学技术信息中心）
广播视频中的运动场配准通常被解释为单应性估计的任务，其提供平面场与图像的对应可见区域之间的映射。与以前的方法相比，我们认为任务作为一个摄像机校准问题。首先，我们引入了一个可微目标函数，该函数能够从片段对应中学习相机姿态和焦距（例如，线、点云），基于已知校准对象的片段的像素级注释。校准模块迭代地最小化由估计的相机参数引起的片段重投影误差。其次，我们提出了一种新的方法，从广播足球图像的三维运动场注册。与典型的解决方案相比，它随后细化了初始估计，我们的解决方案在一个步骤中完成。所提出的方法进行了评估运动场注册两个数据集，并取得了优异的结果相比，两个国家的最先进的方法。
2022-10-01 cs.CV
Adam SLAM - the last mile of camera calibration with 3DGS
Orange Innovation（Orange创新）；Univ Rennes（里昂大学）；INSA Rennes（里昂国立应用科学学院）；CNRS（国家科学研究中心）；IETR (UMR 6164)（信息与通信技术研究所）
本文提出利用3DGS模型通过反向传播新视角颜色损失来微调相机标定，在参考数据集上平均提升0.4 dB PSNR，虽耗时但适用于对视角质量要求高的参考场景。
2025-08-28 cs.CV
ACSC: Automatic Calibration for Non-repetitive Scanning Solid-State LiDAR and Camera Systems
Beihang University（北京航空航天大学）；Beijing Advanced Innovation Center for Big Data and Brain Computing（大数据与脑计算北京先进创新中心）；Hangzhou Innovation Institution, Beihang University（北京航空航天大学杭州创新研究院）
近年来，固态激光雷达（SSL）技术的迅速发展使得人们能够低成本、高效率地从环境中获取三维点云数据，并由此引发了大量的研究和应用。然而，其扫描方向图的不均匀性和测距误差分布的不一致性给其标定工作带来了挑战。本文提出了一种非重复扫描SSL和摄像机系统的全自动标定方法。首先，提出一种基于时空的几何特征精化方法，从SSL点云中提取有效特征;然后，利用点的反射率分布估计标定目标（印刷棋盘）的三维角点。在此基础上，提出了一种基于目标的外定标方法。我们在实际条件下对不同类型的LiDAR和相机传感器组合进行了评估，并获得了准确性和鲁棒性的校准结果。该代码可在https://github.com/HViktorTsoi/ACSC.git上获得。
2020-11-17 cs.CV
LiDAR and Camera Calibration using Motion Estimated by Sensor Fusion Odometry
Institute of Industrial Science, The University of Tokyo（东京大学产业技术研究所）；Microsoft（微软）
本文提出了一种无目标自动相机激光雷达定标方法。我们的方法是手眼校准框架的扩展到2D-3D校准。通过使用传感器融合里程计的方法，缩放相机运动的计算具有高精度。除此之外，我们阐明了适合这种校准方法的运动。该方法只需要三维点云和摄像机图像，不需要其他信息，如激光雷达的反射率和初始外参数。在实验中，我们证明了我们的方法使用几个传感器配置在室内和室外场景，以验证其有效性。我们的方法的准确性达到比其他可比的国家的最先进的方法。
2018-04-14 cs.CV cs.RO
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
Self-Supervised Camera Self-Calibration from Video
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）；Toyota Research Institute（丰田研究院）
摄像机校准是机器人和计算机视觉算法的组成部分，这些算法试图从视觉输入流推断场景的几何属性。在实践中，校准是一个费力的过程，需要专门的数据汇集和仔细的调整。每当相机的参数发生变化时，必须重复此过程，这对于移动机器人和自动驾驶车辆来说可能是经常发生的。相比之下，自我监督的深度和自我运动估计方法可以通过推断优化视图合成目标的每帧投影模型来绕过显式校准。在本文中，我们扩展了这种方法，明确校准广泛的相机从原始视频在野外。我们提出了一个学习算法，使用一个有效的家庭一般相机模型回归每序列的校准参数。我们的程序实现了自校准的结果与亚像素重投影误差，优于其他基于学习的方法。我们验证了我们的方法在各种各样的相机几何形状，包括透视，鱼眼，和折反射。最后，我们表明，我们的方法导致改进的下游任务的深度估计，实现国家的最先进的结果的EuRoC数据集具有更高的计算效率比当代的方法。
2022-03-01 cs.CV cs.RO
A Minimal Set of Parameters Based Depth-Dependent Distortion Model and Its Calibration Method for Stereo Vision Systems
本文提出最小参数集深度相关畸变模型MDM及其灵活标定方法，并引入迭代重建策略，显著提升了立体视觉系统的标定与三维重建精度。
2024-05-01 cs.CV eess.IV stat.ME
LiFCal: Online Light Field Camera Calibration via Bundle Adjustment
Technical University of Munich（慕尼黑工业大学）；Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用技术大学）
提出用于MLA光场相机的在线无靶标标定流程LiFCal，通过在微图像点上的单一光束法平差联合优化相机内参、3D点坐标与位姿，性能媲美SOTA且利于深度估计和SLAM等下游任务。
2024-08-21 cs.CV eess.IV
Robust LiDAR-Camera Calibration with 2D Gaussian Splatting
The Institute of Industrial Science, The University of Tokyo（东京大学生产技术研究所）
提出一种基于2D Gaussian Splatting的LiDAR-camera外参标定方法，通过结合光度、重投影与三角测量损失优化外参，显著提升了无标定物场景下的标定鲁棒性与精度。
2025-04-01 cs.CV cs.RO
CRLF: Automatic Calibration and Refinement based on Line Feature for LiDAR and Camera in Road Scenes
SenseTime（商汤科技）
对于自动驾驶汽车，LiDAR和摄像头的精确校准是多传感器感知系统的先决条件。然而，现有的校准技术要么需要复杂的设置与各种校准目标，或预先提供的初始校准，这极大地阻碍了它们在大规模自主车辆部署中的适用性。为了解决这些问题，我们提出了一种新的方法来校准激光雷达和摄像机在道路场景中的外部参数。我们的方法介绍了从静态直线形状的物体，如道路车道和电线杆在图像和点云的线功能，并制定了外部参数的初始校准作为一个透视3线（P3L）的问题。随后，根据线特征的语义约束定义的成本函数被设计用于对求解的粗校准执行细化。整个过程是全自动和用户友好的，无需调整环境设置或提供初始校准。我们在KITTI和我们的内部数据集上进行了大量的实验，定量和定性的结果证明了我们的方法的鲁棒性和准确性。
2021-03-08 cs.CV cs.RO
Lidar with Velocity: Correcting Moving Objects Point Cloud Distortion from Oscillating Scanning Lidars by Fusion with Camera
Southern University of Science and Technology（南方科技大学）；Jimei University（集美大学）
来自移动物体的激光雷达点云失真是自动驾驶中的一个重要问题，最近随着新型激光雷达的出现变得更加苛刻，这些激光雷达具有来回扫描模式。准确地估计移动对象速度将不仅提供跟踪能力，而且通过对移动对象的更准确描述来校正点云失真。由于激光雷达测量的是飞行时间距离，但具有稀疏的角分辨率，因此在径向测量中测量是精确的，但缺乏角度。另一方面，相机提供密集的角分辨率。本文提出了一种基于高斯分布的激光雷达与摄像机融合的方法来估计全速并校正激光雷达的畸变。一个概率卡尔曼滤波器框架提供了跟踪运动物体，估计他们的速度，同时纠正点云失真。该框架在真实道路数据上进行了评估，融合方法优于传统的基于ICP和点云的方法。完整的工作框架是开源的（https：//github.com/ISEE-Technology/lidar-with-velocity），以加速新兴激光雷达的采用。
2022-07-03 cs.CV cs.RO
Automatic extrinsic calibration between a camera and a 3D Lidar using 3D point and plane correspondences
Australian Centre for Field Robotics（澳大利亚野外机器人学中心）；University of Sydney（悉尼大学）
本文提出了一种自动化的方法，以获得外部之间的相机和三维激光雷达与低至16光束的校准参数。我们使用棋盘作为参考，以获得感兴趣的功能，在两个传感器帧。利用标定板的几何形状，从激光雷达点云中自动提取标定板的中心点和法向量。从摄像机的外矩阵中获得摄像机图像中的相应特征。我们解释了选择这些特征的原因，以及为什么它们比其他可能性更强大。为了获得最优的外部参数，我们选择了一个遗传算法来解决高度非线性的状态空间。在定义了相对于激光雷达的3D实验区域的边界以及真实的电路板尺寸之后，该过程是自动化的。此外，相机被假定为固有校准。我们的方法需要至少3个棋盘构成，并通过使用真实世界和模拟功能评估我们的算法证明了校准精度。
2019-04-29 cs.CV cs.RO
Marker-Based Extrinsic Calibration Method for Accurate Multi-Camera 3D Reconstruction
Department of Computer Science and Technology (DTIC)（计算机科学与技术系）
本文提出一种基于三维标记物几何约束的迭代外参标定方法，通过聚类、回归与迭代重分配细化标记平面，显著降低多相机RGB-D系统的对齐误差，并在Tech4Diet项目中验证了其三维重建效果。
2025-05-08 cs.CV cs.MM
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
End-to-End Lidar-Camera Self-Calibration for Autonomous Vehicles
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；AVL Software and Functions, GmbH（AVL软件功能有限公司）
针对自动驾驶车辆多传感器标定维持难、易有误差传播的问题，提出端到端深度自标定网络CaLiCa，联合预测相机内参与激光雷达-相机外参，在KITTI数据集上精度优于独立标定方法。
2023-04-28 cs.AI cs.CV
Depth360: Self-supervised Learning for Monocular Depth Estimation using Learnable Camera Distortion Model
Toyota Central R&D Labs., Inc.（丰田中央研发实验室股份有限公司）
自监督单目深度估计已被广泛研究以从RGB图像估计深度图像和相对姿态。这个框架对研究人员来说很有吸引力，因为深度和姿态网络可以从时间序列图像中训练，而不需要地面真实深度和姿态。在这项工作中，我们估计机器人周围的深度（360度视图）使用时间序列球形相机图像，从相机的参数是未知的。我们提出了一个可学习的轴对称相机模型，它接受两个鱼眼相机图像失真的球形相机图像。此外，我们使用照片级逼真的模拟器训练我们的模型，以生成地面真实深度图像来提供监督。此外，我们引入了损失函数来提供地板约束，以减少反射地板表面可能导致的伪影。我们证明了我们的方法的有效性，使用来自GO斯坦福数据集的球形摄像机图像和来自KITTI数据集的针孔摄像机图像来比较我们的方法与基线方法在学习摄像机参数方面的性能。
2022-02-18 cs.CV cs.RO
A Family of Simplified Geometric Distortion Models for Camera Calibration
摄像机标定中常用的径向畸变模型实际上是一种假设或约束。在实践中，相机失真可以以不限于径向意义的一般几何方式发生。本文提出了一种简化的几何畸变建模方法，在两个图像轴上使用两个不同的径向畸变函数。提出了一族简化的几何畸变模型，它们可以是简单的多项式，也可以是多项式的有理函数。本文讨论的两种畸变函数可以实现解析几何去畸变，而分段拟合的思想可以改善它们的性能。我们的实验结果表明，几何失真模型总是比他们的径向失真同行表现得更好。此外，所提出的几何建模方法是更适合的相机，其失真不是完美的径向对称的失真中心。
2003-08-02 cs.CV
A New Analytical Radial Distortion Model for Camera Calibration
径向失真的常用方法是通过多项式近似，它将失真特定参数引入相机模型，并需要估计这些失真参数。径向畸变估计的任务是找到一个径向畸变模型，允许容易的失真以及令人满意的精度。本文提出了一种新的径向畸变模型，并给出了一个简单的不畸变解析公式，它也属于多项式近似的范畴。实验结果表明，采用该径向畸变模型，可以获得满意的精度。
2003-07-20 cs.CV
Camera Calibration with Pose Guidance
NVIDIA（英伟达）
摄像机标定在自动驾驶或增强现实等各种计算机视觉任务中起着至关重要的作用。广泛使用的相机校准工具利用基于平面图案的方法，例如使用棋盘或AprilTag板，在没有明确指示的情况下，用户的校准专业水平显著影响校准精度和一致性。此外，校准是一项重复性任务，必须在每次更换或移动相机时执行。在拥有数百万辆汽车的生产线上校准大量摄像头（如驾驶员监控系统（DMS）摄像头）也是一个巨大的负担。为了解决上述问题，我们提出了一个校准系统，称为校准与姿势指导，以提高校准精度，减少不同用户之间的校准方差或同一人的不同试验。实验结果表明，该方法比传统的标定工具具有更高的标定精度和一致性。
2021-02-19 cs.CV
Blind Detection and Compensation of Camera Lens Geometric Distortions
提出了一种摄像机镜头几何畸变的盲检测与补偿技术。镜头畸变在频域中引入了高阶相关性，进而可以使用高阶谱分析工具来检测，而无需假设任何特定的校准目标。现有的盲透镜畸变消除方法只考虑了单系数径向畸变模型。在本文中，两个系数被认为是近似模型的几何失真。所考虑的所有模型都有解析的封闭形式的反演公式。
2004-05-25 cs.CV
Calibration Venus: An Interactive Camera Calibration Method Based on Search Algorithm and Pose Decomposition
School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院）
在机器人定位、无人驾驶等许多应用摄像机的场景中，摄像机标定是最重要的前期工作之一。基于平板的交互式标定方法以其可重复性和可操作性的优点，在摄像机标定领域得到了广泛应用。然而，现有的方法选择建议从一个固定的数据集的预定义的姿势基于主观经验，这导致了一定程度的片面性。而且，他们没有给用户明确的指示，如何放置板在指定的姿势。
2020-09-13 cs.CV
Camera Calibration: a USU Implementation
摄像机标定的任务是估计摄像机模型的内、外参数。虽然有一些限制性的技术来推断的3-D信息的场景从未校准的相机，有效的相机校准程序将开辟了可能性，使用广泛的现有算法的3-D重建和识别。摄像机标定的应用包括基于视觉的测量、鲁棒视觉编队和移动机器人视觉对接，其中深度信息是重要的。
2003-07-31 cs.CV
A Comprehensive Overview of Fish-Eye Camera Distortion Correction Methods
SUSTech（南方科技大学）；Southern University of Science and Technology（南方科技大学）
该综述全面梳理鱼眼相机畸变校正的各类方法，涵盖多项式模型、全景/网格映射、直接法及深度学习方法，分析其优劣与进展，为相关应用的方法选择提供参考。
2024-05-13 cs.CV
Inferring bias and uncertainty in camera calibration
Robert Bosch GmbH（罗伯特·博世有限公司）；Karlsruher Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
准确的摄像机标定是许多计算机视觉应用的前提。校准误差，如错误的模型假设或不精确的参数估计，会恶化系统的整体性能，使这些误差的可靠检测和量化至关重要。在这项工作中，我们引入了一个评估计划，以捕捉相机校准的基本误差源：系统误差（偏差）和不确定性（方差）。所提出的偏差检测方法揭示了最小的系统误差，从而揭示了不完善的校准设置，并提供了相机模型选择的基础。提出了一种新的基于重采样的不确定性估计器，使得非理想条件下的不确定性估计成为可能，从而扩展了经典的协方差估计器。此外，我们推导出一个简单的不确定性度量，是独立的相机模型。结合起来，所提出的方法可用于评估单个校准的准确性，也可用于对新的校准算法、相机模型或校准设置进行基准测试。我们评估所提出的方法与模拟和真实的相机。
2021-07-28 cs.CV
Calibration of Multiple Fish-Eye Cameras Using a Wand
Beihang University（北京航空航天大学）
鱼眼相机在计算机视觉中越来越受欢迎，但其用于3D测量的使用受到限制，部分原因是缺乏准确，高效和用户友好的校准程序。为此，我们提出了一种方法来校准的内在和外在的参数（包括径向失真参数）的两个/多个鱼眼相机同时使用一个魔杖下一般运动。由于所使用的通用相机模型，所提出的校准方法也适用于两个/多个常规相机和混合相机（例如，两个常规相机和一个鱼眼相机）。仿真和实际实验验证了该方法的有效性。此外，我们开发了摄像机标定工具箱，这是在线提供。
2014-07-04 cs.CV
Flexible Camera Calibration Using a New Analytical Radial Undistortion Formula with Application to Mobile Robot Localization
3D计算机视觉中的大多数算法依赖于针孔相机模型，因为它的简单性，而几乎所有的成像设备引入一定量的非线性失真，其中径向失真是最严重的部分。径向失真的常用方法是通过多项式近似，它将失真特定参数引入相机模型，并需要估计这些失真参数。径向畸变估计的任务是找到一个径向畸变模型，允许容易的失真以及令人满意的精度。本文提出了一种新的径向畸变模型，并给出了一个简单的不畸变解析公式，它也属于多项式近似的范畴。实验结果表明，采用该径向畸变模型，可以获得满意的精度。新的径向畸变模型的一个应用是非迭代黄线对准与校准的摄像机上ODIS，机器人内置的我们的CSOIS。
2003-07-20 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
An Analytical Piecewise Radial Distortion Model for Precision Camera Calibration
径向失真的常见方法是通过多项式近似，它引入失真的具体参数到相机模型，并需要这些失真参数的估计。径向畸变估计的任务是找到一个径向畸变模型，允许容易的失真以及令人满意的精度。本文提出了一种新的分段径向畸变模型，并给出了简单的无畸变解析公式。寻求分段径向畸变模型的动机是，当相机在制造过程中导致低质量时，非线性径向畸变可能是复杂的。使用低阶多项式来近似径向失真可能不够精确。另一方面，高阶多项式遭受逆问题。采用新的分段径向畸变函数，可以获得更大的灵活性，并且可以解析地执行径向去畸变。实验结果表明，这种新的分段径向失真模型，比使用单一的功能，取得了更好的性能。此外，还可以实现与使用2个系数的常规多项式模型相当的性能。
2003-07-21 cs.CV
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
Minimal Rolling Shutter Absolute Pose with Unknown Focal Length and Radial Distortion
Faculty of Electrical Engineering, Czech Technical University in Prague（捷克理工大学电气工程学院）；ETH Zurich（苏黎世联邦理工学院）；National Institute of Informatics（国立信息学研究所）；Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（捷克理工大学捷克信息学、机器人与控制论研究所）
大多数现代消费类相机的内部几何形状不能用透视投影来充分描述。几乎所有的相机都表现出一些径向镜头失真，并配备了电子卷帘快门，当相机在图像捕获期间移动时会引起失真。当焦距尚未离线校准时，描述径向和滚动快门失真的参数通常是未知的。虽然对于全局快门相机，可以使用绝对相机姿态和未知焦距和径向失真的最小解算器，但缺少滚动快门的解算器。我们提出了第一个最小的解决方案的卷帘快门相机的绝对姿态未知卷帘快门参数，焦距和径向失真。我们的新的最小解算器结合迭代计划设计的校准卷帘快门相机与快速广义特征值和Groebner基础求解器。在一系列的实验中，与合成和真实的数据，我们表明，我们的新的求解器提供准确的估计相机姿态，卷帘快门参数，焦距和径向失真参数。
2020-04-29 cs.CV
Visualizing and Alleviating the Effect of Radial Distortion on Camera Calibration Using Principal Lines
National Yang Ming Chiao Tung University（国立阳明交通大学）
为相机校准准备合适的图像对于获得准确的结果至关重要。在本文中，新的建议，准备这样的数据，以减轻不利影响的径向失真的校准程序，使用主线是通过调查：（i）识别图像中的棋盘移动的方向，其将导致最大的（ii）在（i）使用上述主线中检查这种效应的对称性和单调性。因此，建议主点的估计应该基于线性独立的近似平行的主线对，其中每对中的一个成员对应于另一个的近似180度旋转（在图像平面中）。实验结果表明，更强大的和一致的校准结果，上述估计，实际上可以获得相比，著名的代数方法，估计失真参数显式。
2022-06-28 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
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
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
