引言

相機(jī)標(biāo)定對于計(jì)算機(jī)視覺應(yīng)用，如視覺測量、三維重建、虛擬現(xiàn)實(shí)［1］等有著至關(guān)重要的作用。目前，相機(jī)標(biāo)定方法主要有三類：基于標(biāo)定物的標(biāo)定方法［2-4］、基于主動(dòng)視覺的標(biāo)定方法［5-6］以及相機(jī)自標(biāo)定方法［7-9］。基于標(biāo)定物的方法通過捕捉具有已知幾何特征的標(biāo)定物圖像來估計(jì)相機(jī)參數(shù)；基于主動(dòng)視覺的方法通過控制相機(jī)或標(biāo)定物的運(yùn)動(dòng)來獲取圖像數(shù)據(jù)，以提高標(biāo)定精度；相機(jī)自標(biāo)定方法則無需使用特定標(biāo)定物，而是通過分析圖像序列中的特征點(diǎn)來自動(dòng)估計(jì)相機(jī)參數(shù)。在這三類標(biāo)定方法中，基于標(biāo)定物的標(biāo)定方法由于其靈活性較強(qiáng)、魯棒性較高、操作相對簡單等優(yōu)點(diǎn)，受到了廣泛青睞。然而，這類方法的標(biāo)定準(zhǔn)確性十分依賴于標(biāo)定板特征坐標(biāo)的精確定位。以張氏標(biāo)定法［10］為例，標(biāo)定過程需要對棋盤格標(biāo)定板中的棋盤角點(diǎn)進(jìn)行精確定位，一旦角點(diǎn)檢測出現(xiàn)偏差，或者遇到圖像模糊、畸變等情況，都會(huì)導(dǎo)致最終標(biāo)定參數(shù)的不準(zhǔn)確。因此，探索一種高精度且適應(yīng)性強(qiáng)的角點(diǎn)檢測方法是提高棋標(biāo)定精度的一個(gè)關(guān)鍵問題。

傳統(tǒng)角點(diǎn)檢測算法大致可分為兩類：基于灰度的方法和基于幾何特征的方法。基于灰度的方法主要利用角點(diǎn)附近的灰度信息進(jìn)行角點(diǎn)的檢測，典型算法包括Harris角點(diǎn)檢測［11］和Shi-Tomasi［12］角點(diǎn)檢測。這種方法簡單高效，但可能對圖像噪聲較為敏感，且在邊緣和角點(diǎn)的區(qū)分上存在一定的局限性。基于幾何特征的方法通過檢測邊緣的交點(diǎn)或者特定的幾何形狀（如圓、直線等）來確定角點(diǎn)，這種方法通常能夠提供更準(zhǔn)確的角點(diǎn)位置，尤其是在復(fù)雜場景中，但它們可能需要更多的計(jì)算資源，并且對圖像預(yù)處理的要求較高。

隨著深度學(xué)習(xí)的發(fā)展，基于學(xué)習(xí)的角點(diǎn)檢測方法逐漸興起。這類方法通過大量的數(shù)據(jù)訓(xùn)練模型，讓模型自動(dòng)學(xué)習(xí)角點(diǎn)的特征。基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network , CNN）的角點(diǎn)檢測利用CNN強(qiáng)大的特征提取能力，對圖像進(jìn)行多層卷積和池化操作，提取圖像的高層語義特征。例如，CornerNet［13］將角點(diǎn)檢測問題轉(zhuǎn)化為目標(biāo)檢測問題，使用沙漏網(wǎng)絡(luò)結(jié)構(gòu)來預(yù)測角點(diǎn)的位置和類別。這種方法在復(fù)雜場景下的角點(diǎn)檢測中表現(xiàn)出較高的準(zhǔn)確率和魯棒性，但模型訓(xùn)練需要大量的標(biāo)注數(shù)據(jù)，且計(jì)算量較大。考慮到圖像中角點(diǎn)之間的上下文關(guān)系，一些研究采用神經(jīng)網(wǎng)絡(luò)結(jié)合其他技術(shù)來進(jìn)行角點(diǎn)檢測。例如，NF-ECD［14］檢測器將神經(jīng)網(wǎng)絡(luò)檢測魯棒特征點(diǎn)的能力與模糊邏輯相結(jié)合，通過模糊邏輯系統(tǒng)，依據(jù)關(guān)鍵角點(diǎn)參數(shù)對邊角進(jìn)行篩選，僅保留在匹配過程中作用大的顯著角點(diǎn)。這種方法在提取關(guān)鍵點(diǎn)方面具有出色的魯棒性和顯著性，但在實(shí)際應(yīng)用中，可能面臨著模型復(fù)雜度、參數(shù)調(diào)優(yōu)等挑戰(zhàn)。

針對以上問題，本文提出雙交叉注意亞像素棋盤角點(diǎn)檢測方法。首先，基于U-Net卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)一個(gè)端到端的角點(diǎn)熱圖網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠在不需要圖像先驗(yàn)信息的條件下為每個(gè)棋盤角點(diǎn)生成標(biāo)準(zhǔn)高斯分布，在網(wǎng)絡(luò)的上采樣和下采樣跳躍連接部分引入雙交叉注意模塊（Dual Cross-Attention, DCA），通過在特征提取過程中依次捕捉多尺度特征之間的通道和空間依賴關(guān)系，從而縮小上采樣與下采樣特征之間的語義差距。此外，本文提出以棋盤角點(diǎn)數(shù)量作為監(jiān)督，將連續(xù)熱圖匹配損失與獨(dú)特的分?jǐn)?shù)損失相結(jié)合，該方法能夠在保證細(xì)粒度空間學(xué)習(xí)能力的同時(shí)，實(shí)現(xiàn)角點(diǎn)預(yù)測的稀疏性和準(zhǔn)確性。為了驗(yàn)證所提出的亞像素角點(diǎn)檢測方法的有效性，本文將設(shè)計(jì)的角點(diǎn)檢測模型應(yīng)用于CCS相機(jī)標(biāo)定系統(tǒng)，經(jīng)過實(shí)驗(yàn)驗(yàn)證，該方法一定程度上提升了角點(diǎn)檢測精度，為相機(jī)標(biāo)定任務(wù)提供了更加精確的角點(diǎn)坐標(biāo)。

本文詳細(xì)內(nèi)容請下載：

http://www.xxav2194.com/resource/share/2000006412

作者信息：

陳澤勇1，吳麗君1，李乙2

（1.福州大學(xué)物理與信息工程學(xué)院，福建福州350108；

2.福州大學(xué)先進(jìn)制造學(xué)院，福建福州350108）