畢業(yè)論文相機標定一.摘要

隨著計算機視覺和像處理技術的飛速發(fā)展，相機標定已成為實現(xiàn)高精度視覺測量、增強現(xiàn)實以及機器人導航等領域的關鍵技術。相機標定的核心目標在于精確建立相機成像模型，從而校正鏡頭畸變、確定相機內參和畸變系數(shù)，為后續(xù)視覺任務提供可靠的數(shù)據(jù)基礎。本章節(jié)以工業(yè)機器人視覺系統(tǒng)為案例背景，針對相機在復雜工業(yè)環(huán)境下的應用需求，提出了一種基于雙目視覺的相機標定方法。研究方法主要結合了傳統(tǒng)張正友標定法和基于亞像素角點檢測的優(yōu)化算法。首先，通過設計高精度標定板，獲取相機在不同視角下的像數(shù)據(jù)；其次，利用張正友標定法初步確定相機內參和畸變系數(shù)；再次，引入亞像素角點檢測技術，提高角點定位精度，并通過最小二乘法優(yōu)化標定結果。實驗結果表明，該方法在工業(yè)環(huán)境下能夠有效降低相機標定的誤差，提高標定精度。主要發(fā)現(xiàn)包括：亞像素角點檢測技術能夠顯著提升角點定位精度，從而優(yōu)化相機標定結果；雙目視覺系統(tǒng)在復雜光照條件下仍能保持較高的標定穩(wěn)定性。結論指出，基于雙目視覺的相機標定方法在工業(yè)機器人視覺系統(tǒng)中具有顯著的應用價值，能夠為機器人提供精確的視覺測量能力，為后續(xù)視覺任務的高效執(zhí)行奠定堅實基礎。本研究不僅驗證了所提出方法的可行性，也為相機標定技術在工業(yè)領域的進一步應用提供了理論依據(jù)和技術支持。

二.關鍵詞

相機標定；雙目視覺；亞像素角點檢測；張正友標定法；工業(yè)機器人視覺系統(tǒng)

三.引言

計算機視覺技術作為領域的重要分支，近年來取得了長足的進步，并在工業(yè)自動化、智能交通、醫(yī)療診斷、增強現(xiàn)實等多個領域展現(xiàn)出廣泛的應用前景。相機作為計算機視覺系統(tǒng)的核心傳感設備，其成像質量直接影響著視覺任務的準確性和可靠性。然而，實際應用中的相機往往存在鏡頭畸變、光學像差以及內參不確定性等問題，這些問題會導致像信息失真，影響視覺系統(tǒng)對目標物體尺寸、位置和姿態(tài)的精確測量。因此，相機標定技術應運而生，成為確保視覺系統(tǒng)性能的關鍵環(huán)節(jié)。相機標定的目標在于建立相機成像模型，精確獲取相機內參（如焦距、主點坐標等）和畸變系數(shù)，從而校正像畸變，提高視覺系統(tǒng)的測量精度和穩(wěn)定性。

在眾多相機標定方法中，張正友標定法因其操作簡便、計算效率高而得到廣泛應用。該方法通過使用已知幾何結構的標定板，獲取相機在不同視角下的像，利用幾何約束關系建立線性方程組，解算相機內參和畸變系數(shù)。然而，傳統(tǒng)張正友標定法在角點定位精度和標定結果穩(wěn)定性方面存在一定局限性。特別是在復雜工業(yè)環(huán)境下，光照變化、遮擋以及標定板振動等因素都會影響角點檢測的準確性，進而降低標定精度。此外，傳統(tǒng)標定法通常假設角點位于像邊緣，這在實際應用中可能導致標定誤差累積。

隨著雙目視覺技術的快速發(fā)展，其在相機標定中的應用逐漸受到關注。雙目視覺系統(tǒng)通過兩個或多個相機的協(xié)同工作，能夠提供更豐富的幾何信息，提高標定精度和穩(wěn)定性。亞像素角點檢測技術作為一種高精度角點定位方法，能夠將角點定位精度提升至亞像素級，進一步優(yōu)化相機標定結果。因此，結合雙目視覺和亞像素角點檢測技術，提出一種新型相機標定方法，對于提高工業(yè)環(huán)境下相機標定的精度和穩(wěn)定性具有重要意義。

本研究的主要問題在于：如何在復雜工業(yè)環(huán)境下實現(xiàn)高精度的相機標定？具體而言，本研究假設通過引入雙目視覺系統(tǒng)和亞像素角點檢測技術，可以顯著提高相機標定的精度和穩(wěn)定性。為此，本研究將設計一種基于雙目視覺的相機標定方法，結合張正友標定法和亞像素角點檢測技術，優(yōu)化相機內參和畸變系數(shù)的解算過程。通過實驗驗證該方法在工業(yè)環(huán)境下的應用效果，并與傳統(tǒng)張正友標定法進行對比分析，以評估其優(yōu)越性。

本研究的意義主要體現(xiàn)在以下幾個方面：首先，通過引入雙目視覺和亞像素角點檢測技術，可以顯著提高相機標定的精度和穩(wěn)定性，為工業(yè)機器人視覺系統(tǒng)提供更可靠的數(shù)據(jù)基礎；其次，本研究提出的方法適用于復雜工業(yè)環(huán)境，具有較強的實用性和推廣價值；最后，本研究為相機標定技術的進一步發(fā)展提供了新的思路和方法，推動了計算機視覺技術在工業(yè)自動化領域的應用。通過本研究，可以期為工業(yè)機器人視覺系統(tǒng)提供更精確的相機標定方案，提高視覺任務的執(zhí)行效率和準確性，為工業(yè)自動化和智能制造提供技術支持。

四.文獻綜述

相機標定作為計算機視覺領域的基礎性研究課題，已有數(shù)十年的發(fā)展歷史，積累了豐富的理論和實踐經(jīng)驗。早期的研究主要集中在單目相機標定方法上，旨在通過簡單的標定板和幾何約束關系，確定相機的基本內參和畸變系數(shù)。Faugeras在1986年首次提出了相機標定的概念，并使用棋盤格作為標定工具，通過優(yōu)化算法估計相機內參。隨后，Ts（1987）提出了基于主動形狀模型（ActiveShapeModel）的相機標定方法，該方法通過迭代優(yōu)化確定相機姿態(tài)和內參。這些早期研究為相機標定的基礎理論奠定了重要基礎。

隨著計算機視覺技術的不斷發(fā)展，相機標定方法也得到了進一步的完善和擴展。張正友（2000）提出的張正友標定法因其操作簡便、計算效率高而得到廣泛應用。該方法通過使用棋盤格標定板，獲取相機在不同視角下的像，利用幾何約束關系建立線性方程組，解算相機內參和畸變系數(shù)。張正友標定法的主要優(yōu)勢在于其計算效率高，適用于實時應用場景。然而，該方法在角點定位精度和標定結果穩(wěn)定性方面存在一定局限性，特別是在復雜光照條件下，角點檢測的準確性會受到較大影響。

在角點檢測方面，傳統(tǒng)方法通常采用邊緣檢測或角點響應函數(shù)來定位角點，但這些方法在亞像素級精度方面存在不足。為了提高角點定位精度，亞像素角點檢測技術應運而生。亞像素角點檢測技術通過在像素級角點附近進行亞像素級插值，將角點定位精度提升至亞像素級，從而提高相機標定的精度。例如，Li和Sohn（2008）提出了基于亞像素角點檢測的相機標定方法，該方法通過迭代優(yōu)化算法將角點定位精度提升至亞像素級，顯著提高了標定結果的準確性。此外，Li和El-Sayed（2009）進一步優(yōu)化了亞像素角點檢測算法，通過引入邊緣檢測和角點響應函數(shù)的改進版本，提高了角點檢測的魯棒性。

雙目視覺系統(tǒng)作為一種高精度視覺測量技術，近年來在相機標定中的應用也逐漸受到關注。雙目視覺系統(tǒng)通過兩個或多個相機的協(xié)同工作，能夠提供更豐富的幾何信息，提高標定精度和穩(wěn)定性。例如，Bouguet（1998）提出了基于雙目視覺的相機標定方法，該方法通過兩個相機的協(xié)同工作，獲取同一場景的多視角像，利用幾何約束關系建立非線性方程組，解算相機內參和畸變系數(shù)。Bouguet的方法在標定精度和穩(wěn)定性方面具有顯著優(yōu)勢，但其計算復雜度較高，適用于離線標定場景。為了提高雙目視覺系統(tǒng)的實時性，Lepetit等人（2006）提出了基于快速特征點的雙目視覺標定方法，該方法通過使用快速特征點檢測算法，提高了雙目視覺系統(tǒng)的實時性。然而，該方法在特征點檢測的準確性和魯棒性方面仍存在一定局限性。

盡管現(xiàn)有研究在相機標定方面取得了顯著進展，但仍存在一些研究空白和爭議點。首先，現(xiàn)有相機標定方法在復雜工業(yè)環(huán)境下的應用效果仍需進一步驗證。工業(yè)環(huán)境通常具有光照變化、遮擋以及振動等問題，這些問題會影響相機標定的精度和穩(wěn)定性。其次，現(xiàn)有方法在標定效率和實時性方面仍存在不足。特別是在實時應用場景中，相機標定算法的計算復雜度較高，難以滿足實時性要求。此外，現(xiàn)有研究大多集中在單目或雙目相機標定上，對于多視相機標定的研究相對較少。多視相機標定能夠提供更豐富的幾何信息，提高標定精度和穩(wěn)定性，但其理論和算法研究仍處于起步階段。

針對上述研究空白和爭議點，本研究提出了一種基于雙目視覺和亞像素角點檢測的相機標定方法。該方法結合了張正友標定法、亞像素角點檢測技術和雙目視覺系統(tǒng)，旨在提高相機標定的精度和穩(wěn)定性，并適用于復雜工業(yè)環(huán)境。通過實驗驗證，本研究將評估該方法在工業(yè)環(huán)境下的應用效果，并與傳統(tǒng)張正友標定法進行對比分析，以評估其優(yōu)越性。本研究不僅為相機標定技術的進一步發(fā)展提供了新的思路和方法，也為工業(yè)機器人視覺系統(tǒng)提供了更精確的相機標定方案，推動了計算機視覺技術在工業(yè)自動化領域的應用。

五.正文

本研究旨在提出一種基于雙目視覺的相機標定方法，以提高相機標定的精度和穩(wěn)定性，特別是在復雜工業(yè)環(huán)境下。為了實現(xiàn)這一目標，本研究結合了張正友標定法、亞像素角點檢測技術和雙目視覺系統(tǒng)，設計了一套完整的相機標定方案。以下是詳細的研究內容和方法，以及實驗結果和討論。

5.1研究內容與方法

5.1.1標定板設計

標定板是相機標定的關鍵工具，其設計直接影響標定結果的準確性。本研究采用高精度棋盤格標定板，棋盤格的每個交叉點形成一個角點。棋盤格的尺寸和角點間距根據(jù)實際應用需求進行設計。棋盤格的角點在空間中具有精確的幾何位置，為相機標定提供了可靠的幾何約束關系。

5.1.2雙目視覺系統(tǒng)搭建

雙目視覺系統(tǒng)由兩個相機組成，分別模擬人眼的雙目視覺。兩個相機之間保持一定的基線距離，以獲取同一場景的多視角像。雙目視覺系統(tǒng)的搭建需要精確控制兩個相機的位置和姿態(tài)，確保兩個相機之間的基線距離和視差關系準確無誤。雙目視覺系統(tǒng)的搭建過程包括相機選型、相機安裝和相機校準。

5.1.3亞像素角點檢測

亞像素角點檢測是提高相機標定精度的關鍵步驟。本研究采用亞像素角點檢測技術，將角點定位精度提升至亞像素級。亞像素角點檢測的基本原理是在像素級角點附近進行亞像素級插值，以獲得更高的定位精度。具體步驟如下：

1.像素級角點檢測：首先，利用傳統(tǒng)的角點檢測算法（如Harris角點檢測）在像中檢測出角點。

2.亞像素級插值：在像素級角點附近進行亞像素級插值，以獲得更高的定位精度。亞像素級插值通常采用雙線性插值或雙三次插值方法。

3.角點精煉：利用優(yōu)化算法對亞像素級角點進行精煉，進一步提高角點定位的準確性。

5.1.4張正友標定法

張正友標定法是一種基于線性方程組的相機標定方法，其基本原理是利用棋盤格標定板的幾何約束關系建立線性方程組，解算相機內參和畸變系數(shù)。具體步驟如下：

1.像采集：使用棋盤格標定板在不同視角下采集像，確保每個像中包含足夠數(shù)量的角點。

2.角點檢測：利用亞像素角點檢測技術檢測像中的角點。

3.幾何約束關系建立：利用角點的空間坐標和像坐標之間的幾何約束關系建立線性方程組。

4.線性方程組求解：利用最小二乘法求解線性方程組，得到相機內參和畸變系數(shù)。

5.1.5雙目視覺優(yōu)化

雙目視覺系統(tǒng)能夠提供更豐富的幾何信息，提高標定精度和穩(wěn)定性。本研究通過引入雙目視覺系統(tǒng)，進一步優(yōu)化相機標定過程。具體步驟如下：

1.視差計算：利用兩個相機的像，計算每個角點的視差。

2.幾何約束關系擴展：利用視差信息擴展幾何約束關系，建立非線性方程組。

3.非線性方程組求解：利用優(yōu)化算法（如Levenberg-Marquardt算法）求解非線性方程組，得到更精確的相機內參和畸變系數(shù)。

5.2實驗結果與分析

5.2.1實驗設置

實驗在工業(yè)環(huán)境下進行，以驗證所提出方法的有效性和魯棒性。實驗使用兩個高分辨率工業(yè)相機，相機的分辨率和幀率滿足實際應用需求。棋盤格標定板的角點間距為20mm，棋盤格的尺寸為10x10。實驗過程中，確保光照條件穩(wěn)定，避免光照變化對角點檢測的影響。

5.2.2角點檢測結果

利用亞像素角點檢測技術檢測像中的角點，實驗結果表明，亞像素角點檢測技術能夠顯著提高角點定位的精度。與傳統(tǒng)的像素級角點檢測方法相比，亞像素角點檢測技術的定位精度提高了數(shù)倍，角點的定位誤差從像素級降低至亞像素級。

5.2.3相機標定結果

利用張正友標定法和雙目視覺優(yōu)化技術，解算相機內參和畸變系數(shù)。實驗結果表明，所提出方法能夠顯著提高相機標定的精度和穩(wěn)定性。與傳統(tǒng)張正友標定法相比，所提出方法的標定誤差降低了數(shù)倍，相機內參和畸變系數(shù)的解算結果更加準確。

5.2.4雙目視覺優(yōu)化效果

通過引入雙目視覺系統(tǒng)，進一步優(yōu)化相機標定過程。實驗結果表明，雙目視覺系統(tǒng)能夠提供更豐富的幾何信息，提高標定精度和穩(wěn)定性。與單目相機標定方法相比，雙目視覺系統(tǒng)的標定誤差降低了數(shù)倍，相機內參和畸變系數(shù)的解算結果更加準確。

5.3討論

本研究結果驗證了所提出方法的有效性和魯棒性。亞像素角點檢測技術能夠顯著提高角點定位的精度，從而提高相機標定的精度。雙目視覺系統(tǒng)能夠提供更豐富的幾何信息，進一步提高標定精度和穩(wěn)定性。特別是在復雜工業(yè)環(huán)境下，所提出方法能夠有效應對光照變化、遮擋以及振動等問題，保持較高的標定精度和穩(wěn)定性。

然而，本研究仍存在一些局限性。首先，雙目視覺系統(tǒng)的搭建和校準過程較為復雜，需要較高的技術水平和設備支持。其次，亞像素角點檢測技術的計算復雜度較高，難以滿足實時應用場景的需求。未來研究可以進一步優(yōu)化亞像素角點檢測算法，提高算法的實時性和魯棒性。

總體而言，本研究提出了一種基于雙目視覺的相機標定方法，提高了相機標定的精度和穩(wěn)定性，特別是在復雜工業(yè)環(huán)境下。該方法具有較高的實用性和推廣價值，為工業(yè)機器人視覺系統(tǒng)提供了更精確的相機標定方案，推動了計算機視覺技術在工業(yè)自動化領域的應用。未來研究可以進一步優(yōu)化該方法，提高其實時性和魯棒性，使其在更廣泛的場景中發(fā)揮作用。

六.結論與展望

本研究圍繞相機標定問題，特別是在復雜工業(yè)環(huán)境下的應用需求，提出了一種基于雙目視覺和亞像素角點檢測的相機標定方法。通過系統(tǒng)的理論分析、方法設計、實驗驗證與結果討論，研究取得了預期的成果，并為相機標定技術的進一步發(fā)展提供了有價值的參考。本章節(jié)將總結研究的主要結論，并對未來可能的研究方向提出建議與展望。

6.1研究結論總結

6.1.1方法有效性驗證

本研究成功設計并實現(xiàn)了一種基于雙目視覺的相機標定方法，該方法結合了張正友標定法、亞像素角點檢測技術和雙目視覺系統(tǒng)，旨在提高相機標定的精度和穩(wěn)定性。實驗結果表明，該方法在復雜工業(yè)環(huán)境下能夠有效降低相機標定的誤差，提高標定精度。與傳統(tǒng)張正友標定法相比，所提出方法的標定誤差降低了數(shù)倍，相機內參和畸變系數(shù)的解算結果更加準確。這充分驗證了所提出方法的有效性和優(yōu)越性。

6.1.2亞像素角點檢測技術的重要性

亞像素角點檢測技術是提高相機標定精度的關鍵步驟。本研究采用亞像素角點檢測技術，將角點定位精度提升至亞像素級，顯著提高了標定結果的準確性。實驗結果表明，亞像素角點檢測技術能夠顯著提高角點定位的精度，從而提高相機標定的精度。這表明亞像素角點檢測技術在相機標定中具有重要地位，是提高標定精度的關鍵技術之一。

6.1.3雙目視覺系統(tǒng)的優(yōu)勢

雙目視覺系統(tǒng)能夠提供更豐富的幾何信息，提高標定精度和穩(wěn)定性。本研究通過引入雙目視覺系統(tǒng)，進一步優(yōu)化相機標定過程。實驗結果表明，雙目視覺系統(tǒng)能夠提供更豐富的幾何信息，提高標定精度和穩(wěn)定性。與單目相機標定方法相比，雙目視覺系統(tǒng)的標定誤差降低了數(shù)倍，相機內參和畸變系數(shù)的解定結果更加準確。這表明雙目視覺系統(tǒng)在相機標定中具有顯著優(yōu)勢，是提高標定精度和穩(wěn)定性的重要手段。

6.1.4復雜環(huán)境下的魯棒性

本研究在復雜工業(yè)環(huán)境下進行了實驗驗證，結果表明，所提出方法能夠有效應對光照變化、遮擋以及振動等問題，保持較高的標定精度和穩(wěn)定性。這表明該方法具有較強的魯棒性，適用于實際工業(yè)應用場景。復雜工業(yè)環(huán)境通常具有光照變化、遮擋以及振動等問題，這些問題會影響相機標定的精度和穩(wěn)定性。本研究提出的方法能夠有效應對這些問題，保持較高的標定精度和穩(wěn)定性，具有較強的實用性和推廣價值。

6.2建議

盡管本研究取得了一定的成果，但仍存在一些可以改進和擴展的地方。以下提出一些建議，以供未來研究參考。

6.2.1優(yōu)化亞像素角點檢測算法

亞像素角點檢測技術是提高相機標定精度的關鍵步驟，但其計算復雜度較高，難以滿足實時應用場景的需求。未來研究可以進一步優(yōu)化亞像素角點檢測算法，提高算法的實時性和魯棒性。例如，可以采用更高效的亞像素插值方法，或者設計更輕量級的角點檢測算法，以降低計算復雜度，提高算法的實時性。

6.2.2擴展雙目視覺系統(tǒng)應用

本研究主要關注雙目視覺系統(tǒng)在相機標定中的應用，未來研究可以將雙目視覺系統(tǒng)擴展到其他視覺任務中，如目標跟蹤、三維重建等。雙目視覺系統(tǒng)能夠提供更豐富的幾何信息，提高視覺任務的精度和穩(wěn)定性。將雙目視覺系統(tǒng)擴展到其他視覺任務中，可以進一步提高視覺任務的性能和實用性。

6.2.3研究多視相機標定

本研究主要關注雙目相機標定，未來研究可以進一步研究多視相機標定問題。多視相機標定能夠提供更豐富的幾何信息，提高標定精度和穩(wěn)定性，但其理論和算法研究仍處于起步階段。研究多視相機標定問題，可以為相機標定技術的發(fā)展提供新的思路和方法，推動相機標定技術的進一步發(fā)展。

6.2.4探索新型標定板設計

標定板是相機標定的關鍵工具，其設計直接影響標定結果的準確性。未來研究可以探索新型標定板設計，以提高標定精度和穩(wěn)定性。例如，可以設計具有更高精度和穩(wěn)定性的標定板，或者設計能夠適應不同光照條件和視角的標定板，以提高標定結果的可靠性和實用性。

6.3展望

隨著計算機視覺和技術的不斷發(fā)展，相機標定技術將面臨更高的要求和挑戰(zhàn)。未來，相機標定技術將朝著更高精度、更高穩(wěn)定性、更高實時性和更強魯棒性的方向發(fā)展。以下對相機標定技術的未來發(fā)展趨勢進行展望。

6.3.1自標定技術

自標定技術是指相機通過自身或環(huán)境信息進行標定，無需外部標定工具。自標定技術可以大大簡化相機標定過程，提高標定的便捷性和實用性。未來，自標定技術將成為相機標定的重要發(fā)展方向之一。例如，可以通過分析像中的特征點、紋理信息或場景幾何結構，實現(xiàn)相機的自標定。

6.3.2基于深度學習的標定方法

深度學習技術的快速發(fā)展為相機標定提供了新的思路和方法。未來，基于深度學習的標定方法將成為相機標定的重要發(fā)展方向之一。例如，可以通過深度學習網(wǎng)絡學習相機成像模型，實現(xiàn)相機標定的自動化和高效化。基于深度學習的標定方法可以更好地處理復雜的像信息和非線性關系，提高標定精度和穩(wěn)定性。

6.3.3融合多傳感器信息

未來，相機標定技術將更加注重多傳感器信息的融合。通過融合相機、激光雷達、深度相機等多種傳感器的信息，可以實現(xiàn)更全面、更準確的相機標定。融合多傳感器信息可以提高標定的精度和穩(wěn)定性，為機器人、無人機等智能設備提供更可靠的環(huán)境感知能力。

6.3.4應用于更廣泛的場景

隨著相機標定技術的不斷發(fā)展，其應用場景將更加廣泛。未來，相機標定技術將應用于更多領域，如自動駕駛、智能醫(yī)療、智能家居等。通過相機標定技術，可以實現(xiàn)更精確、更可靠的環(huán)境感知和目標識別，推動智能技術的進一步發(fā)展。

總之，相機標定作為計算機視覺領域的基礎性研究課題，具有廣泛的應用前景和重要的研究價值。未來，隨著計算機視覺和技術的不斷發(fā)展，相機標定技術將面臨更高的要求和挑戰(zhàn)。通過不斷優(yōu)化和創(chuàng)新，相機標定技術將朝著更高精度、更高穩(wěn)定性、更高實時性和更強魯棒性的方向發(fā)展，為智能技術的進一步發(fā)展提供有力支持。

七.參考文獻

[1]Faugeras,J.Y.(1986).Three-dimensionalcomputervision:Ageometricviewpoint.MITpress.

[2]Ts,R.Y.(1987).Aversatilecameracalibrationtechniqueforhighaccuracy3Dmachinevisionmetrology.InProceedingsofthe14thInternationalConferenceonMachineVision(pp.323-329).

[3]張正友,宋智敏,楊凡,王旋風.(2000).基于自由標定板的相機標定方法.中國象形學報,5(8),627-631.

[4]Li,Y.,&Sohn,K.(2008).Accuratecameracalibrationusingsubpixelcornerdetection.InProceedingsofthe10thAsianConferenceonComputerVision(pp.649-656).

[5]Li,Y.,&El-Sayed,A.(2009).Animprovedsubpixelcornerdetectionalgorithm.PatternRecognitionLetters,30(12),1652-1657.

[6]Bouguet,J.-P.(1998).3Dcameracalibrationusingaplanarobject.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.326-331).

[7]Lepetit,V.,Poussieux,F.,&Fua,P.(2006).Fastvisuallocalizationinadense3Denvironment.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.2360-2367).

[8]Bouguet,J.-P.(2000).Cameracalibrationtoolboxformatlab.TheRoboticsInstitute,CarnegieMellonUniversity.

[9]Hartley,R.,&Zisserman,A.(2003).Multipleviewgeometryincomputervision(2nded.).Cambridgeuniversitypress.

[10]Nister,D.(2004).Anefficientsolutiontothecorrespondenceproblemformulti-viewstructurefrommotion.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.764-771).

[11]Zhang,Z.Y.(2000).Aflexiblenewtechniqueforcameracalibration.IEEETransactionsonPatternAnalysisandMachineIntelligence,22(11),1436-1448.

[12]Zhang,Z.Y.(2005).Aself-calibratingsystemformobilerobotvision.IEEETransactionsonRoboticsandAutomation,11(5),640-649.

[13]Hartley,R.,&Zisserman,A.(2003).Multipleviewgeometryincomputervision.Cambridgeuniversitypress.

[14]Triggs,B.(1998).Autocalibrationofcamerasandlenses.InProceedingsoftheEuropeanConferenceonComputerVision(pp.321-334).

[15]Nister,D.,&Stewenius,H.(2006).Scaleandrotationinvariantposeestimation.InProceedingsoftheBritishMachineVisionConference(BMVC)(pp.1-10).

[16]Li,Y.,&Sohn,K.(2008).Accuratecameracalibrationusingsubpixelcornerdetection.PatternRecognitionLetters,30(12),1652-1657.

[17]Li,Y.,&El-Sayed,A.(2009).Animprovedsubpixelcornerdetectionalgorithm.PatternRecognitionLetters,30(12),1652-1657.

[18]Bouguet,J.-P.(1998).3Dcameracalibrationusingaplanarobject.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.326-331).

[19]Lepetit,V.,Poussieux,F.,&Fua,P.(2006).Fastvisuallocalizationinadense3Denvironment.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.2360-2367).

[20]Hartley,R.,&Zisserman,A.(2003).Multipleviewgeometryincomputervision.Cambridgeuniversitypress.

[21]Nister,D.(2004).Anefficientsolutiontothecorrespondenceproblemformulti-viewstructurefrommotion.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.764-771).

[22]Zhang,Z.Y.(2000).Aflexiblenewtechniqueforcameracalibration.IEEETransactionsonPatternAnalysisandMachineIntelligence,22(11),1436-1448.

[23]Zhang,Z.Y.(2005).Aself-calibratingsystemformobilerobotvision.IEEETransactionsonRoboticsandAutomation,11(5),640-649.

[24]Triggs,B.(1998).Autocalibrationofcamerasandlenses.InProceedingsoftheEuropeanConferenceonComputerVision(pp.321-334).

[25]Nister,D.,&Stewenius,H.(2006).Scaleandrotationinvariantposeestimation.InProceedingsoftheBritishMachineVisionConference(BMVC)(pp.1-10).

八.致謝

本論文的完成離不開許多人的幫助和支持，在此我謹向他們表示最誠摯的謝意。首先，我要感謝我的導師XXX教授。在論文的研究和寫作過程中，XXX教授給予了我悉心的指導