引言

相機(jī)標(biāo)定對(duì)于計(jì)算機(jī)視覺(jué)應(yīng)用，如視覺(jué)測(cè)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(lèi)：基于標(biāo)定物的標(biāo)定方法［2-4］、基于主動(dòng)視覺(jué)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(guò)捕捉具有已知幾何特征的標(biāo)定物圖像來(lái)估計(jì)相機(jī)參數(shù)；基于主動(dòng)視覺(jué)的方法通過(guò)控制相機(jī)或標(biāo)定物的運(yùn)動(dòng)來(lái)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(wú)需使用特定標(biāo)定物，而是通過(guò)分析圖像序列中的特征點(diǎn)來(lái)自動(dòng)估計(jì)相機(jī)參數(shù)。在這三類(lèi)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(duì)簡(jiǎn)單等優(yōu)點(diǎn)，受到了廣泛青睞。然而，這類(lèi)方法的標(biāo)定準(zhǔn)確性十分依賴(lài)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(guò)程需要對(duì)棋盤(pán)格標(biāo)定板中的棋盤(pán)角點(diǎn)進(jìn)行精確定位，一旦角點(diǎn)檢測(cè)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(cè)方法是提高棋標(biāo)定精度的一個(gè)關(guān)鍵問(wèn)題。

傳統(tǒng)角點(diǎn)檢測(cè)算法大致可分為兩類(lèi)：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(cè)，典型算法包括Harris角點(diǎn)檢測(cè)［11］和Shi-Tomasi［12］角點(diǎn)檢測(cè)。這種方法簡(jiǎn)單高效，但可能對(duì)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(guò)檢測(cè)邊緣的交點(diǎn)或者特定的幾何形狀（如圓、直線(xiàn)等）來(lái)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(chǎng)景中，但它們可能需要更多的計(jì)算資源，并且對(duì)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(cè)方法逐漸興起。這類(lèi)方法通過(guò)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(cè)利用CNN強(qiáng)大的特征提取能力，對(duì)圖像進(jìn)行多層卷積和池化操作，提取圖像的高層語(yǔ)義特征。例如，CornerNet［13］將角點(diǎn)檢測(cè)問(wèn)題轉(zhuǎn)化為目標(biāo)檢測(cè)問(wèn)題，使用沙漏網(wǎng)絡(luò)結(jié)構(gòu)來(lái)預(yù)測(cè)角點(diǎn)的位置和類(lèi)別。這種方法在復(fù)雜場(chǎng)景下的角點(diǎn)檢測(cè)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(lái)進(jìn)行角點(diǎn)檢測(cè)。例如，NF-ECD［14］檢測(cè)器將神經(jīng)網(wǎng)絡(luò)檢測(cè)魯棒特征點(diǎn)的能力與模糊邏輯相結(jié)合，通過(guò)模糊邏輯系統(tǒng)，依據(jù)關(guān)鍵角點(diǎn)參數(shù)對(duì)邊角進(jìn)行篩選，僅保留在匹配過(guò)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(duì)以上問(wèn)題，本文提出雙交叉注意亞像素棋盤(pán)角點(diǎn)檢測(cè)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(pán)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(guò)在特征提取過(guò)程中依次捕捉多尺度特征之間的通道和空間依賴(lài)關(guān)系，從而縮小上采樣與下采樣特征之間的語(yǔ)義差距。此外，本文提出以棋盤(pán)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(cè)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(cè)方法的有效性，本文將設(shè)計(jì)的角點(diǎn)檢測(cè)模型應(yīng)用于CCS相機(jī)標(biāo)定系統(tǒng)，經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，該方法一定程度上提升了角點(diǎn)檢測(cè)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(qǐng)下載：

http://m.jysgc.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）