Schachbrett Muster Kamera-Kalibrierung mit Machine Learning Methode

Digitale Kameras sind für berührungslose Messaufgaben nicht mehr wegzudenken. Lochkamera-Modelle können mit Parameter für Verzeichnungen und Verzerrungen versehen werden. In der hierfür häufig und auch von uns benutzten Software OpenCV enthält das Hauptmodell die Kameramatrix und 5 Verzerrungsparameter. Diese werden aus einer Serie von Aufnahmen eines Schachbrett-Musters in verschiedenen Ansichten berechnet. Die Kriterien für die Zuverlässigkeit einer Kalibrierung mit Schachbrett-Mustern sind immer noch unklar: weder ist bekannt, welche Anzahl von Kreuzungspunkten im Schachbrett-Muster optimal ist, noch wie viele Bilder aufgenommen werden müssen, um eine gewünschte „Qualität“ zu erreichen. Wir benutzen verschiedene Schachbrettmuster und eine Vielzahl von Bildern im Experiment. Aus dem Datenmaterial wird dann der re-projection error (RPE) und zusätzlich der von uns eingeführte forward projection error (FPE) berechnet. Mit Hilfe einer an Methoden des Machine Learning angelehnten Trainings- und Testmethode wird die Qualität der Kalibrierung bestimmt. Um die erreichte Qualität der Kalibrierung abschätzen zu können, vergleichen wir Ergebnisse aus Simulation und Experiment.