Computer vision 固有校准参数的验证

验证摄像机校准的标准方法是计算检测点和图像中重新投影的相应世界点之间的距离，该过程将内在参数和外在参数都验证

现在可以通过捕捉直线图像，然后对图像进行去失真，并测量直线是否为直线来验证非线性失真参数的准确性

是否有一种方法可以验证线性内在参数（光学中心、焦点、倾斜）与外在参数的准确性？

这很棘手，如果需要高水平的精确度，往往会非常棘手。问题是所有内在参数在重投影误差中都是耦合的

给你一个难点，考虑主要点的情况。可以证明，针孔相机的主点是由三个独立的消失点构成的三角形的中心。这似乎暗示了一种独立于其他内在参数进行验证的程序：拍摄一幅或多幅显示三条或更多平行线的图像，检测并建模所述平行线，估计其消失点，等等。然而，为了精确建模检测到的线，因此，你可以将它们相交以找到消失点，你需要精确地使图像不失真-猜猜看，非线性透镜畸变的中心通常由主点近似，因此你的“验证”过程最终使用的是与你试图独立验证的估计参数完全相同的参数

您可以尝试通过使用非线性失真的替代非参数模型来解决上述困难，例如，使用仅取决于线性偏差的代价函数从网格构建的薄板样条曲线，正如您所建议的。同样，要想得到这样一个无偏的代价函数是很困难的：简单的线性最小二乘法拟合一条直线是不行的，因为直线点的扭曲图像通常不是相对于底层未扭曲直线的i.i.d。所以你需要为每一行使用一个“局部”模型，通常是一个低阶多项式

最后，您最好接受参数（内部和外部）是耦合的，并根据实际应用的输入输出需求进行验证：确定图像区域上可接受的RMS重投影误差，然后使用已知校准对象的独立图像集，它以某种方式对3D场景的属性进行建模，这些属性对您的应用程序非常重要，然后重新投影其点并验证您得到的错误是可接受的