Halcon标定文件的生成及标定板规格.docx
《Halcon标定文件的生成及标定板规格.docx》由会员分享，可在线阅读，更多相关《Halcon标定文件的生成及标定板规格.docx（13页珍藏版）》请在冰点文库上搜索。
Halcon标定文件的生成及标定板规格
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, , , 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
2011-12-2312:
5668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：
* 即：
黑色边框线宽为一个圆点半径（）
黑色圆点半径：
圆点中心间距：
裁剪宽度：
* 即：
由黑色边框向外延伸
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：
* 即：
黑色边框线宽为一个圆点半径（）
黑色圆点半径：
圆点中心间距：
5mm
裁剪宽度：
21mm*21mm 即：
由黑色边框向外延伸
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：
* 即：
黑色边框线宽为一个圆点半径（）
黑色圆点半径：
圆点中心间距：
裁剪宽度：
* 即：
由黑色边框向外延伸
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：
* 即：
黑色边框线宽为一个圆点半径（）
黑色圆点半径：
圆点中心间距：
裁剪宽度：
* 即：
由黑色边框向外延伸
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：
Halcon2011-12-2312:
51151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,,,'F:
/halcon程序/gencaltab/','F:
/halcon程序/gencaltab/'）
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：
* 即：
黑色边框线宽为一个圆点半径（）
黑色圆点半径：
圆点中心间距：
裁剪宽度：
* 即：
由黑色边框向外延伸
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:
\ProgramFiles\WindowsNT\Accessories就有写字板软件）打开后的文件基本如下：
以40*40为例：
#PlateDescriptionVersion2
#HALCONVersion-- MonDec1911:
08:
072011
#Descriptionofthestandardcalibrationplate 标准标定板的描述
#usedfortheCCDcameracalibrationinHALCON
#（generatedbygen_caltab） （由）gen_caltab算子生成
#
#
#7rowsx7columns 7行*7列
#Width,heightofcalibrationplate[meter]:
标定板的宽和高：
米，米
#Distancebetweenmarkcenters[meter]:
标志圆点中心间距：
米
#Numberofmarksiny-dimension（rows）
r7
Y方向标志圆点的数量。
#Numberofmarksinx-dimension（columns）
c7
X方向标志圆点的数量。
# offsetofcoordinatesysteminz-dimension[meter]（optional）:
z0
Z坐标偏移
#Rectangularborder（rimandblackframe）ofcalibrationplate
标定板的矩形边框（边缘和黑色边框）
# rimofthecalibrationplate（minx,maxy,maxx,miny）[meter]:
o
标定板的剪切边缘【】（以标定板中心为坐标圆点）
# outerborderoftheblackframe（minx,maxy,maxx,miny）[meter]:
i
黑色边框的外边缘【】
# triangularcornermarkgivenbytwocornerpoints（x,y,x,y）[meter]
# （optional）:
t
三角形标志【】
# widthoftheblackframe[meter]:
w
黑色边框线的宽度：
米。
#calibrationmarks:
xyradius[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）
#calibrationmarksaty=m
0
#calibrationmarksaty=m
0
#calibrationmarksaty=m
0
#calibrationmarksaty=0m
0
0
0
00
0
0
0
#calibrationmarksaty=m
0
#calibrationmarksaty=m
0
#calibrationmarksaty=m
0
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
2012-02-0910:
1727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-Basedmatching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。
升级会员 