Сконфигурируйте монокулярную Fisheye-камеру
В этом примере показов, как преобразовать модель fisheye-камеры в модель pinhole и создать соответствующую симуляцию монокулярного датчика камеры. В этом примере вы узнаете, как калибровать fisheye-камеру и сконфигурировать monoCamera (Automated Driving Toolbox) объект.
Обзор
Чтобы симулировать монокулярный датчик камеры, установленный в транспортном средстве, выполните следующие шаги:
Оцените параметры собственной камеры путем калибровки камеры с помощью шахматной доски. Внутренние параметры описывают свойства самой fisheye-камеры.
Оцените параметры внешней камеры, снова калибровав камеру с помощью той же шахматной доски от предыдущего шага. Внешние параметры описывают положение монтажа fisheye-камеры в транспортное средство системе координат.
Удалите искажение изображения путем преобразования характерных особенностей fisheye-камеры в характеристику камеры pinhole. Эти признаки описывают синтетическую камеру-пинхол, которая гипотетически может генерировать неискаженные изображения.
Используйте собственные параметры камеры pinhole и внешние параметры, чтобы сконфигурировать датчик монокулярной камеры для симуляции. Затем можно использовать этот датчик для обнаружения объектов и контуров маршрута.
Оценка Fisheye-камеры внутренних данных
Для оценки собственных параметров используйте шахматную плату для калибровки камеры. В качестве альтернативы, чтобы лучше визуализировать результаты, используйте приложение Camera Calibrator.Для fisheye-камеры полезно разместить шахматную доску рядом с камерой, порядок захватить большие заметные искажения на изображении.
% Gather a set of calibration images. images = imageDatastore(fullfile(toolboxdir('vision'), 'visiondata', ... 'calibration', 'gopro')); imageFileNames = images.Files; % Detect calibration pattern. [imagePoints, boardSize] = detectCheckerboardPoints(imageFileNames); % Generate world coordinates of the corners of the squares. squareSize = 0.029; % Square size in meters worldPoints = generateCheckerboardPoints(boardSize, squareSize); % Calibrate the camera. I = readimage(images, 1); imageSize = [size(I, 1), size(I, 2)]; params = estimateFisheyeParameters(imagePoints, worldPoints, imageSize);
Оценка Fisheye-камеры Extrinsics
Чтобы оценить внешние параметры, используйте ту же шахматную доску, чтобы оценить положение камеры в системе координат транспортного средства. Следующий шаг оценивает параметры из одного изображения. Можно также сделать несколько шахматных изображений, чтобы получить несколько оценок и усреднить результаты.
% Load a different image of the same checkerboard, where the checkerboard % is placed on the flat ground. Its X-axis is pointing to the right of the % vehicle, and its Y-axis is pointing to the camera. The image includes % noticeable distortion, such as along the wall next to the checkerboard. imageFileName = fullfile(toolboxdir('driving'), 'drivingdata', 'checkerboard.png'); I = imread(imageFileName); imshow(I) title('Distorted Checkerboard Image');
[imagePoints, boardSize] = detectCheckerboardPoints(I); % Generate coordinates of the corners of the squares. squareSize = 0.029; % Square size in meters worldPoints = generateCheckerboardPoints(boardSize, squareSize); % Estimate the parameters for configuring the monoCamera object. % Height of the checkerboard is zero here, since the pattern is % directly on the ground. originHeight = 0; [pitch, yaw, roll, height] = estimateMonoCameraParameters(params.Intrinsics, ... imagePoints, worldPoints, originHeight);
Создайте синтетическую камеру-трубку для неискаженного изображения
% Undistort the image and extract the synthetic pinhole camera intrinsics. [J1, camIntrinsics] = undistortFisheyeImage(I, params.Intrinsics, 'Output', 'full'); imshow(J1) title('Undistorted Image');
% Set up monoCamera with the synthetic pinhole camera intrinsics. % Note that the synthetic camera has removed the distortion. sensor = monoCamera(camIntrinsics, height, 'pitch', pitch, 'yaw', yaw, 'roll', roll);
Постройте вид на глаз птицы
Теперь можно подтвердить monoCamera (Automated Driving Toolbox) путем построения графика вида птичьего полета.
% Define bird's-eye-view transformation parameters distAheadOfSensor = 6; % in meters spaceToOneSide = 2.5; % look 2.5 meters to the right and 2.5 meters to the left bottomOffset = 0.2; % look 0.2 meters ahead of the sensor outView = [bottomOffset, distAheadOfSensor, -spaceToOneSide, spaceToOneSide]; outImageSize = [NaN,1000]; % output image width in pixels birdsEyeConfig = birdsEyeView(sensor, outView, outImageSize); % Transform input image to bird's-eye-view image and display it B = transformImage(birdsEyeConfig, J1); % Place a 2-meter marker ahead of the sensor in bird's-eye view imagePoint0 = vehicleToImage(birdsEyeConfig, [2, 0]); offset = 5; % offset marker from text label by 5 pixels annotatedB = insertMarker(B, imagePoint0 - offset); annotatedB = insertText(annotatedB, imagePoint0, '2 meters'); figure imshow(annotatedB) title('Bird''s-Eye View')
График выше показывает, что камера точно измеряет расстояния. Теперь можно использовать монокулярную камеру для обнаружения контуров объекта и маршрута. Смотрите пример визуального восприятия с использованием монокулярной камеры (Automated Driving Toolbox).