Calibración de cámaras

digitales
Julio César Millán Barco
Directores:
Humberto Loaiza Ph.D.
Eduardo Caicedo Ph.D.
Grupo Percepción y Sistemas
Inteligentes
 OBJETIVOS ESPECÍFICOS
Evaluar el estado actual de la calibración de cámaras digitales y hacer un
análisis de los distintos métodos disponibles.
Desarrollar una metodología, con base en las técnicas existentes para
calibrar cualquier cámara digital con un buen porcentaje de precisión y
eficiencia.

Realizar un estudio comparativo entre el método implementado y los

procedimientos ya conocidos y cuantificar su utilidad.

Optimizar el método obtenido y el programa que lo implementa para dejarlo

a la altura de los desarrollos actuales más evolucionados.

Validar el sistema implementado con la calibración de diferentes cámaras

digitales que vayan a ser utilizadas en aplicaciones de visión artificial.

Desarrollar una herramienta que sirva de punto de partida a la

automatización del procedimiento de calibración de cámaras digitales.
 Aplicaciones principales del proyecto:
• 1.Reconstrucción básica: cada punto de la imagen
determina un rayo óptico que pasa a través del
punto focal hasta la escena por lo cual permite
obtener la posición métrica de un punto 3D.

• 2. Inspección visual: una vez se ha hecho una

reconstrucción de la medida de los objetos, se puede
comparar con un patrón almacenado para detectar
imperfecciones de manufactura.

• 3. Localización de objetos: De los puntos de

diferentes objetos se puede determinar la posición
relativa entre ellos, lo cual es muy útil para
ensamblaje de partes industriales y la navegación de
robots.
 Aplicaciones principales del proyecto

4. Localización de la cámara: cuándo la cámara es

colocada en la mano de un brazo de robot, la
posición y orientación de la cámara puede ser
computada a través de la localización de algunos
puntos referenciales conocidos.

5. Corrección de distorsiones ópticas: dentro del

conjunto de parámetros a obtener en la calibración
se incluye la distorsión con que la cámara capta la
imagen. Es posible corregir la distorsión mediante
un procedimiento sencillo una vez conocido el factor
o los factores de distorsión
 En qué consiste la calibración de una
cámara digital?
Calibrar una cámara digital es obtener un modelo
que represente la transformación de coordenadas
entre la escena 3D, la imagen 2D y la cámara.

R3 transformación R2
Representación gráfica de la transformación
de una imagen mediante un modelo pinhole
y

P
z

O
P´
x

Una cámara pinhole produce una imagen que

es una proyección perspectiva del mundo
 Z
Representación
gráfica de la Marco de
la escena
transformación de
Objeto de
una imagen (2) calibración
B

Marco de X
Y
la imagen v
Z’
u
O M
X’ Esta línea
b
representa la
transformación
de la imagen de
R3 a R2 con el
respectivo
desplazamiento
Marco de la Y’ de coordenadas.
cámara
 CALIBRACIÓN:
Determinación de los parámetros involucrados en el proceso de
captación:

Parámetros intrínsecos:
Son propios de la cámara no dependen de su posición
Factores de escala: Ku, Kv,
Distancia focal: f
Punto principal: Cx, Cy
Distorsión: Dx, Dy

Parámetros extrínsecos:
Dependen del posicionamiento de la cámara.

Vector de traslación: T
Matriz de rotación: R
 PATRÓN DE CALIBRACIÓN
Los patrones de calibración consisten en arreglos de elementos
geométricos. Los arreglos pueden ser planos o no.
En este trabajo se han utilizado grillas planas de circunferencias
colocados de tal manera que forman un esquina
La exactitud del patrón es fundamental para lograr una buena
calibración.
 ETAPAS DEL PROCESO DE
CALIBRACIÓN

Ecuaciones del sistema: Modelo matemático.

Obtención de datos de campo: Proyección

sobre la imagen de puntos 3D conocidos.

Determinación de los parámetros: Resolución

de las ecuaciones con los datos de campo.
 METODOS DE CALIBRACIÓN DE CÁMARAS
Los métodos de calibración de cámaras pueden ser
clasificados de acuerdo con diferentes criterios:
1. Calibración lineal versus calibración no lineal (calcular
la distorsión requiere un método no lineal)
2. Calibración implícita versus calibración explícita . En la
implícita no se determinan los parámetros del modelo
de forma diferenciada. La explícita si lo hace.
3. Métodos que utilizan puntos de calibración de un
patrón tridimensional en una sola foto vs. los que usan
patrones planos tomando varias fotos.
4. Métodos de una sola etapa vs. métodos de diferente
número de etapas (2,3,4)
 METODOS DE CALIBRACIÓN MÁS
CONOCIDOS
1.Tsai: utiliza parámetros que el fabricante debe
proporcionar. Tiene varias etapas, y pueden usarse
patrones coplanares o no coplanares. [Tsai, Roger Y. (1986)]
2.Hall: utiliza una transformación lineal y directa, de
tal manera que se obtiene un sistema tipo A.m = 0,
donde m contiene los parámetros. [Hall E. L. (1982)]

m X m
Y m Z m
u 11 12 13 14
m X m Y m Z m
31 32 33 34
m X m Y m Z m
v 21 22 23 24
m X m Y m Z m
31 32 33 34
 METODOS DE CALIBRACIÓN MÁS
CONOCIDOS (2)
3. Ayache: coloca una restricción al sistema Am=0,
haciendo m34=1. [Ayache 1989].
4. Fougeras-Toscani: establece una relación de
ortonormalidad que tiene un significado físico
apropiado para mejorar la precisión. Toma en
cuenta la propiedad ||m3||2 =1. [O. D. Faugeras, G. Toscani. 1986]
5. Chaumette: utiliza a Fougerais-Toscani en una
primera etapa y en una segunda incluye un
parámetro de distorsión que encuentra mediante
una técnica de minimización no lineal. [Chaumette, F. 1989]
6. Zhang: método de cuatro etapas, puede corregir
la distorsión hasta con dos parámetros de una
manera rápida. [Zhang, Z. 1999]
 RESULTADOS
ERROR DE RECONSTRUCCIÓN
OBTENIDOS
CAMARA 1 CÁMARA 2 CAMARA 3
Prueba Prueba Prueba Prueba Prueba Prueba Prueba Prueba Prueba
1 2 3 1 2 3 1 2 3

Hall-Ayache 0,3141 0,4447 0,3236 0,7977 0,7828 0,6748 0,3237 0,5757 0,3374

Fougeras-Toscani 0,2289 0,4096 0,2135 0,7731 0,7442 0,6731 0,2442 0,5539 0,2635

Tsai-Inicial 0,9934 1,3654 2,3619 0,9302 1,2091 1,1823 2,3522 2,5949 1,4064

Tsai-Levenberg_Maquardt 0,1962 0,3769 0,2019 0,4808 0,3865 0,4500 0,2365 0,5404 0,2462

Chaumette_Inicial 0,3128 0,4584 0,3245 0,8183 0,7940 0,6971 0,3291 0,5905 0,3524

Chaumette-Lev_Maq 0,1962 0,3769 0,2019 0,4577 0,3865 0,4423 0,2327 0,5404 0,2558

Zhang-Primera Etapa 0,2289 0,4096 0,2135 0,7731 0,7442 0,6731 0,2289 0,5539 0,2635

Zhang-Segunda Etapa 0,2115 0,4019 0,7519 0,7519 0,6981 0,6308 0,2115 0,5481 0,2596

Zhang-Optimización 0,2038 0,3731 0,4904 0,4904 0,3923 0,4692 0,2038 0,5173 0,2308

Algoritmo Genético
Haupt 0,31283 0,4584 0,3245 0,64665 0,53161 0,58673 0,3291 0,5905 0,3524

Algoritmo Genético Yong 0,3128 0,4584 0,3245 0,62 0,49932 0,66901 0,3291 0,5905 0,3524
 RESULTADOS OBTENIDOS
Se han implementado los métodos explicados anteriormente y se han
aplicado distintas pruebas para medir su eficiencia. Entre ellas se
encuentran:

1. Reconstrucción de puntos de la imagen que no entraron dentro del

proceso de calibración.

2. Comparación entre los parámetros esperados y los parámetros

obtenidos en la calibración como el centro óptico (Cx,Cy), el factor de
distorsión, la translación del origen de coordenadas entre otros.

3. Localización de un objeto de coordenadas conocidas por parte del

modelo obtenido en la calibración.

4. Medición del tiempo de ejecución de cada método, número de líneas

del algoritmo, estimación de la complejidad del cómputo, recursos
computacionales necesarios.
 Prueba de reconstrucción
Elegir Cálculo de los Se toman
aleatoriamente parámetros puntos de la
algunos puntos del modelo escena que no
del patrón de con la entraron en la
calibración muestra muestra con
extraída al que se calculó
azar el modelo

A esos puntos Se hace una Esa diferencia se

de la escena se estimación de la promedia y es lo
le aplica el diferencia entre que se aquí se
modelo obtenido la localización llama error de
para hacer la real en la reconstrucción.
transformación imagen de los
Se hace para
de coordenadas puntos 3D y la
diferentes
localización que
cámaras en
se obtiene con
diferentes
el modelo
posiciones
 RESULTADOS OBTENIDOS
ERROR DE RECONSTRUCCIÓN

CAMARA 1 CÁMARA 2 CAMARA 3

Prueba Prueba Prueba Prueba Prueba Prueba Prueba Prueba Prueba
1 2 3 1 2 3 1 2 3

Hall-Ayache 0,3141 0,4447 0,3236 0,7977 0,7828 0,6748 0,3237 0,5757 0,3374

Fougerais-Toscani 0,2289 0,4096 0,2135 0,7731 0,7442 0,6731 0,2442 0,5539 0,2635

Tsai-Inicial 0,9934 1,3654 2,3619 0,9302 1,2091 1,1823 2,3522 2,5949 1,4064

Tsai-Levenberg_Maquardt 0,1962 0,3769 0,2019 0,4808 0,3865 0,4500 0,2365 0,5404 0,2462

Chaumette_Inicial 0,3128 0,4584 0,3245 0,8183 0,7940 0,6971 0,3291 0,5905 0,3524

Chaumette-Lev_Maq 0,1962 0,3769 0,2019 0,4577 0,3865 0,4423 0,2327 0,5404 0,2558

Zhang-Primera Etapa 0,2289 0,4096 0,2135 0,7731 0,7442 0,6731 0,2289 0,5539 0,2635

Zhang-Segunda Etapa 0,2115 0,4019 0,7519 0,7519 0,6981 0,6308 0,2115 0,5481 0,2596

Zhang-Optimización 0,2038 0,3731 0,4904 0,4904 0,3923 0,4692 0,2038 0,5173 0,2308

Algoritmo Genético Haupt 0,31283 0,4584 0,3245 0,64665 0,53161 0,58673 0,3291 0,5905 0,3524

Algoritmo Genético
Yong 0,3128 0,4584 0,3245 0,62 0,49932 0,66901 0,3291 0,5905 0,3524
 Prueba del parámetro de distorsión

Método: Tsai con minimización de Levenberg-Maquardt.

Cámara 2 prueba 2
 ¿En qué va el proyecto?
 En estos momentos el proyecto se encuentra en el
estudio comparativo de los diferentes métodos
implementados.

 Al mismo tiempo se avanza en la calibración con Redes

Neuronales Artificiales.

 Hasta ahora se han hecho calibraciones implícitas con

RNA obteniendo buenos resultados en la prueba de
reconstrucción que se explicó anteriormente, pero con
tiempos muy largos de entrenamiento.
 LO QUE ESTÁ POR HACERSE
Terminar el estudio comparativo de los métodos

Preparación de un artículo donde se den a conocer los

resultados de la investigación.

Realizar un procedimiento de calibración explícita con RNA, es

decir dónde se extraigan los parámetros extrínsecos e
intrínsecos

Avanzar en el nivel de automatización del procedimiento

especialmente en la obtención de los datos.