Halcon标定文件的生成及标定板规格.doc

Halcon标定文件的生成

Halcon标定文件的生成

图一
    Halcon标定文件的生成，需要有以下几个步骤：
1.创建一个标定数据模板，由create_calib_data算来完成。
2.指定相机的类型，初始化相机内部参数，由set_calib_data_cam_param算子来完成。
3.指定标定板的描述文件，由set_calib_data_calib_object算子完成。
4.收集观察数据，有算子set_calib_data_observ_points完成。也就是收集标定板上圆点的中心坐标，跟各个校正板的位置姿态。
5.配置校正过程。由算子set_calib_data完成。
6.将数据整合进行标定计算。calibrate_cameras
7.获得标定参数。get_calib_data
8.记录标定参数，write_cam_par
StartCamPar := [0.016,   0,    0.0000074,    0.0000074,   326,   247,    652,    494]
解释一下这个数组的意思。
面阵相机有14或18个参数（根据想相机的畸变模式），对于线阵相机有17个参数。这些参数可以分开为内部相机参数、外部相机参数。
面阵相机（division模式）：
Focus（焦距）:远焦镜头镜头焦距的长度
Kappa:扭曲系数
Sx，Sy：两像素间距
Cx，Cy：中心点坐标
Whith，Height：图像的宽高
面阵相机（polynomia模式）：
Focus（焦距）:远焦镜头镜头焦距的长度
K1, K2, K3, P1,P2:扭曲系数
Sx，Sy：两像素间距
Cx，Cy：中心点坐标
Whith，Height：图像的宽高
线阵相机不做具体介绍
Halcon标定板规格
2011-12-23 12:56 68人阅读 评论(1) 收藏 举报

图一： 
30*30 规格的标定板的规格
 黑色圆点行数：   7
 黑色圆点列数：   7
 外边框长度：     30mm*30mm
 内边框长度：     28.125mm*28.125mm   即：黑色边框线宽为一个圆点半径（0.9375）
 黑色圆点半径：   0.9375mm
 圆点中心间距：   3.75mm
 裁剪宽度：       30.75mm*30.75mm     即：由黑色边框向外延伸0.375mm
 边角：           由黑色外边框向内缩进一个中心边距的长度
40*40 规格的标定板的规格
 黑色圆点行数：   7
 黑色圆点列数：   7
 外边框长度：     40mm*40mm
 内边框长度：     37.5mm*37.5mm   即：黑色边框线宽为一个圆点半径（0.125）
 黑色圆点半径：   0.125mm
 圆点中心间距：   5mm
 裁剪宽度：       21mm*21mm     即：由黑色边框向外延伸0.5mm
 边角：           由黑色外边框向内缩进一个中心边距的长度
50*50 规格的标定板的规格
 黑色圆点行数：   7
 黑色圆点列数：   7
 外边框长度：     50mm*50mm
 内边框长度：     46.875mm*46.875mm   即：黑色边框线宽为一个圆点半径（1.5625）
 黑色圆点半径：   1.5625mm
 圆点中心间距：   6.25mm
 裁剪宽度：       51.25mm*51.25mm     即：由黑色边框向外延伸0.625mm
 边角：           由黑色外边框向内缩进一个中心边距的长度
60*60 规格的标定板的规格
 黑色圆点行数：   7
 黑色圆点列数：   7
 外边框长度：     60mm*60mm
 内边框长度：     56.25mm*56.25mm   即：黑色边框线宽为一个圆点半径（1.875）
 黑色圆点半径：   1.875mm
 圆点中心间距：   7.5mm
 裁剪宽度：       61.5mm*61.5mm     即：由黑色边框向外延伸0.75mm
 边角：           由黑色外边框向内缩进一个中心边距的长度
Halcon如何制作标定板
分类： Halcon 2011-12-23 12:51 151人阅读 评论(2) 收藏 举报

图1

上图即为我自行制作的标定板的图样。
下面我具体介绍一下，如何制作halcon的标准标定板
方法一：用halcon软件自动生成的.ps文件来制作标定板。
    这个也是最简单有效的方法。
    打开halcon 的HDevelop软件，调用算子：
gen_caltab( : : XNum,YNum,MarkDist,DiameterRatio,CalTabDescrFile,CalTabPSFile : )
XNum                  每行黑色标志圆点的数量。
YNum                  每列黑色标志圆点的数量。
MarkDist                    两个就近黑色圆点中心之间的距离。
DiameterRatio            黑色圆点半径与圆点中心距离的比值。
CalTabDescrFile 标定板描述文件的文件路径（.descr）。
CalTabPSFile             标定板图像文件的文件路径（.ps），如图1
然后复位（F2），点击运行（F5）通过软件Gsview打开，按1:1比例打印，OK！
备注一个30*30的标准标定板的halcon源代码。
gen_caltab(7,7,0.00375,0.5,'F:/halcon程序/gencaltab/30_30.descr','F:/halcon程序/gencaltab/40_40.ps')
规格的标定板的规格
    黑色圆点行数：   7
    黑色圆点列数：   7
    外边框长度：     30mm*30mm
    内边框长度：     28.125mm*28.125mm   即：黑色边框线宽为一个圆点半径（0.9375）
    黑色圆点半径：   0.9375mm
    圆点中心间距：   3.75mm
    裁剪宽度：       30.75mm*30.75mm     即：由黑色边框向外延伸0.375mm
    边角：           由黑色外边框向内缩进一个中心边距的长度
方法二：用halcon软件自动生成的.descr文件来制作标定板。
打开halcon 的HDevelop软件，调用算子：
gen_caltab生成一个.descr的文件，用写字板打开（注意要用写字板，记事本打开会有一些数据不可见，一般windowsXP在C:\Program Files\Windows NT\Accessories就有写字板软件wordpad.exe）打开后的文件基本如下：
       以40*40为例：
# Plate Description Version 2
# HALCON Version 10.0 --  Mon Dec 19 11:08:07 2011
# Description of the standard calibration plate   标准标定板的描述
# used for the CCD camera calibration in HALCON  
# (generated by gen_caltab)                       （由）gen_caltab算子生成
#
#

# 7 rows x 7 columns           7行*7列
# Width, height of calibration plate [meter]: 0.04, 0.04
标定板的宽和高：0.04米，0.04米
# Distance between mark centers [meter]: 0.005
标志圆点中心间距：0.005米
# Number of marks in y-dimension (rows)
r 7
Y方向标志圆点的数量。
# Number of marks in x-dimension (columns)
c 7
X方向标志圆点的数量。
#   offset of coordinate system in z-dimension [meter] (optional):
z 0
Z坐标偏移
# Rectangular border (rim and black frame) of calibration plate
标定板的矩形边框（边缘和黑色边框）
#   rim of the calibration plate (min x, max y, max x, min y) [meter]:
o -0.0205 0.0205 0.0205 -0.0205
标定板的剪切边缘【-0.0205 0.0205 0.0205 -0.0205】（以标定板中心为坐标圆点）
#   outer border of the black frame (min x, max y, max x, min y) [meter]:
i -0.02 0.02 0.02 -0.02
黑色边框的外边缘【-0.02 0.02 0.02 -0.02】
#   triangular corner mark given by two corner points (x,y, x,y) [meter]
#   (optional):
t -0.02 -0.015 -0.015 -0.02
三角形标志【-0.02 -0.015 -0.015 -0.02】
#   width of the black frame [meter]:
w 0.00125
黑色边框线的宽度：0.00125米。
# calibration marks:  x y radius [meter]
一下是各个矫正板黑色圆点在标定板上的坐标（共7*7个）
# calibration marks at y = -0.015 m
-0.015 -0.015 0.00125
-0.01 -0.015 0.00125
-0.005 -0.015 0.00125
0 -0.015 0.00125
0.005 -0.015 0.00125
0.01 -0.015 0.00125
0.015 -0.015 0.00125

# calibration marks at y = -0.01 m
-0.015 -0.01 0.00125
-0.01 -0.01 0.00125
-0.005 -0.01 0.00125
0 -0.01 0.00125
0.005 -0.01 0.00125
0.01 -0.01 0.00125
0.015 -0.01 0.00125

# calibration marks at y = -0.005 m
-0.015 -0.005 0.00125
-0.01 -0.005 0.00125
-0.005 -0.005 0.00125
0 -0.005 0.00125
0.005 -0.005 0.00125
0.01 -0.005 0.00125
0.015 -0.005 0.00125

# calibration marks at y = 0 m
-0.015 0 0.00125
-0.01 0 0.00125
-0.005 0 0.00125
0 0 0.00125
0.005 0 0.00125
0.01 0 0.00125
0.015 0 0.00125

# calibration marks at y = 0.005 m
-0.015 0.005 0.00125
-0.01 0.005 0.00125
-0.005 0.005 0.00125
0 0.005 0.00125
0.005 0.005 0.00125
0.01 0.005 0.00125
0.015 0.005 0.00125

# calibration marks at y = 0.01 m
-0.015 0.01 0.00125
-0.01 0.01 0.00125
-0.005 0.01 0.00125
0 0.01 0.00125
0.005 0.01 0.00125
0.01 0.01 0.00125
0.015 0.01 0.00125

# calibration marks at y = 0.015 m
-0.015 0.015 0.00125
-0.01 0.015 0.00125
-0.005 0.015 0.00125
0 0.015 0.00125
0.005 0.015 0.00125
0.01 0.015 0.00125
0.015 0.015 0.00125

标定板的材料也有一定的要求，请参看《如何进行图形校正》。
基于HALCON的模板匹配方法总结
2012-02-09 10:17 27人阅读 评论(0) 收藏 举报
 基于HALCON的模板匹配方法总结

        很早就想总结一下前段时间学习HALCON的心得，但由于其他的事情总是抽不出时间。去年有过一段时间的集中学习，做了许多的练习和实验，并对基于HDevelop的形状匹配算法的参数优化进行了研究，写了一篇《基于HDevelop的形状匹配算法参数的优化研究》文章，总结了在形状匹配过程中哪些参数影响到模板的搜索和匹配，又如何来协调这些参数来加快匹配过程，提高匹配的精度，这篇paper放到了中国论文在线了，需要可以去下载。
德国MVTec公司开发的HALCON机器视觉开发软件，提供了许多的功能，在这里我主要学习和研究了其中的形状匹配的算法和流程。HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分 别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模 板的相同过程。这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于 形状匹配的视频对象跟踪这些研究，从中取得较好的效果，简化了用其他工具，比如VC++来开发的过程。在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。
1.       Shape-Based matching的基本流程
HALCON提 供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人 体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。基本流程是这样的，如下所示：
⑴ 首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用area_center()找到这个矩形的中心；
⑵ 然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等；
⑶ 接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。对特别大的模板，用Optimization来减少模板点的数量是很有用的；MinConstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则MinConstrast应当设为10；Metric参数决定模板识别的条件，如果设为’use_polarity’，则图像中的物体和模板必须有相同的对比度；创建好模板后，这时还需要监视模板，用inspect_shape_model()来完成，它检查参数的适用性，还能帮助找到合适的参数；另外，还需要获得这个模板的轮廓，用于后面的匹配，get_shape_model_contours()则会很容易的帮我们找到模板的轮廓；
⑷ 创建好模板后，就可以打开另一幅图像，来进行模板匹配了。这个过程也就是在新图像中寻找与模板匹配的图像部分，这部分的工作就由函数find_shape_model()来承担了，它也拥有许多的参数，这些参数都影响着寻找模板的速度和精度。这个的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。其中参数SubPixel决定是否精确到亚像素级，设为’interpolation’，则会精确到，这个模式不会占用太多时间，若需要更精确，则可设为’least_square’,’lease_square_high’，但这样会增加额外的时间，因此，这需要在时间和精度上作个折中，需要和实际联系起来。比较重要的两个参数是MinSocre和Greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索，很耗时，若为1，则为不安全搜索，但最快。在大多数情况下，在能够匹配的情况下，尽可能的增大其值。
⑸ 找到之后，还需要对其进行转化，使之能够显示，这两个函数vector_angle_to_rigid()和affine_trans_contour_xld()在这里就起这个作用。前一个是从一个点和角度计算一个刚体仿射变换，这个函数从匹配函数的结果中对构造一个刚体仿射变换很有用，把参考图像变为当前图像。
其详细的流程图和中间参数，如下图所示：（无法上传）
2.       基于形状匹配的参数关系与优化
     在HALCON的说明资料里讲到了这些参数的作用以及关系，在上面提到的文章中也作了介绍，这里主要是重复说明一下这些参数的作用，再强调一下它们影响匹配速度的程度；
在为了提高速度而设置参数之前，有必要找出那些在所有测试图像中匹配成功的设置，这时需考虑以下情况：
①     必须保证物体在图像边缘处截断，也就是保证轮廓的清晰，这些可以通过形态学的一些方法来处理；
②     如果Greediness值设的太高，就找不到其中一些可见物体，这时最后将其设为0来执行完全搜索；
③     物体是否有封闭区域，如果要求物体在任何状态下都能被识别，则应减小MinScore值；
④     判断在金字塔最高级上的匹配是否失败，可以通过find_shape_model（）减小NumLevels值来测试；
⑤     物体是否具有较低的对比度，如果要求物体在任何状态下都能被识别，则应减小MinContrast值；
⑥     判断是否全局地或者局部地转化对比度极性，如果需要在任何状态下都能被识别，则应给参数Metric设置一个合适的值；
⑦     物体是否与物体的其他实例重叠，如果需要在任何状态下都能识别物体，则应增加MaxOverlap值；
⑧     判断是否在相同物体上找到多个匹配值，如果物体几乎是对称的，则需要控制旋转范围；
如何加快搜索匹配，需要在这些参数中进行合理的搭配，有以下方法可以参考：
①       只要匹配成功，则尽可能增加参数MinScore的值；
②       增加Greediness值直到匹配失败，同时在需要时减小MinScore值；
③       如果有可能，在创建模板时使用一个大的NumLevels，即将图像多分几个金字塔级；
④       限定允许的旋转范围和大小范围，在调用find_shape_model（）时调整相应的参数；
⑤       尽量限定搜索ROI的区域；
除上面介绍的以外，在保证能够匹配的情况下，尽可能的增大Greediness的值，因为在后面的实验中，用模板匹配进行视频对象跟踪的过程中，这个值在很大程度上影响到匹配的速度。
当然这些方法都需要跟实际联系起来，不同图像在匹配过程中也会有不同的匹配效果，在具体到某些应用，不同的硬件设施也会对这个匹配算法提出新的要求，所以需要不断地去尝试。在接下来我会结合自己做的具体的实验来如何利用HALCON来进行实验，主要是在视频对象分割和视频对象的跟踪方面。