$180^{\circ}$ 이상의 영역을 획득하는 어안렌즈(fish-eye lens)는 최소의 카메라로 최대 시야각을 확보할 수 있는 장점으로 인해 차량 장착 시도가 늘고 있다. 운전자에게 현실감 있는 영상을 제공하고 센서로 이용하기 위해서는 캘리브레이션을 통해 방사왜곡(radial distortion)에 따른 기하학적인 왜곡 보정이 필요하다. 그런데 차량용 어안렌즈의 경우, 대각선 어안렌즈로 일반 원상 어안렌즈로 촬영한 둥근 화상의 바깥둘레에 내접하는 부분을 잘라낸 직사각형 영상과 같으며, 수직, 수평 화각에 따라 왜곡이 비대칭구조로 설계되었다. 본 논문에서는, 영상의 특징점(feature points)을 이용하여 차량용 어안렌즈에 적합한 카메라 모델 및 캘리브레이션 기법을 소개한다. 캘리브레이션한 결과, 제안한 방법은 화각이 다른 차량용 어안렌즈에도 적용 가능하다.
$180^{\circ}$ 이상의 영역을 획득하는 어안렌즈(fish-eye lens)는 최소의 카메라로 최대 시야각을 확보할 수 있는 장점으로 인해 차량 장착 시도가 늘고 있다. 운전자에게 현실감 있는 영상을 제공하고 센서로 이용하기 위해서는 캘리브레이션을 통해 방사왜곡(radial distortion)에 따른 기하학적인 왜곡 보정이 필요하다. 그런데 차량용 어안렌즈의 경우, 대각선 어안렌즈로 일반 원상 어안렌즈로 촬영한 둥근 화상의 바깥둘레에 내접하는 부분을 잘라낸 직사각형 영상과 같으며, 수직, 수평 화각에 따라 왜곡이 비대칭구조로 설계되었다. 본 논문에서는, 영상의 특징점(feature points)을 이용하여 차량용 어안렌즈에 적합한 카메라 모델 및 캘리브레이션 기법을 소개한다. 캘리브레이션한 결과, 제안한 방법은 화각이 다른 차량용 어안렌즈에도 적용 가능하다.
Due to the fact that fish-eye lens can provide super wide angles with the minimum number of cameras, field-of-view over 180 degrees, many vehicles are attempting to mount the camera system. Camera calibration should be preceded, and geometrical correction on the radial distortion is needed to provid...
Due to the fact that fish-eye lens can provide super wide angles with the minimum number of cameras, field-of-view over 180 degrees, many vehicles are attempting to mount the camera system. Camera calibration should be preceded, and geometrical correction on the radial distortion is needed to provide the images for the driver's assistance. However, vehicle fish-eye cameras have diagonal output images rather than circular images and have asymmetric distortion beyond the horizontal angle. In this paper, we introduce a camera model and metric calibration method for vehicle cameras which uses feature points of the image. And undistort the input image through a perspective projection, where straight lines should appear straight. The method fitted vehicle fish-eye lens with different field of views.
Due to the fact that fish-eye lens can provide super wide angles with the minimum number of cameras, field-of-view over 180 degrees, many vehicles are attempting to mount the camera system. Camera calibration should be preceded, and geometrical correction on the radial distortion is needed to provide the images for the driver's assistance. However, vehicle fish-eye cameras have diagonal output images rather than circular images and have asymmetric distortion beyond the horizontal angle. In this paper, we introduce a camera model and metric calibration method for vehicle cameras which uses feature points of the image. And undistort the input image through a perspective projection, where straight lines should appear straight. The method fitted vehicle fish-eye lens with different field of views.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 차량용 어안렌즈로부터 입력된 왜곡영상을 기하학적으로 보정할 수 있는 방법을 제안하였다. 일반 어안렌즈와 다른 직사각형 출력 영상과 수평, 수직 화각이 비대칭인 차량용 카메라에 적합한 캘리브레이션 기법을 통해서 왜곡 보정을 하였다.
따라서 중심축으로부터 수평, 수직에 대하여 비대칭 왜곡이 발생한다. 이런 점을 고려하여, 차량에 적합한 카메라 모델 및 캘리브레이션 기법을 소개한다.
가설 설정
카메라 영상의 해상도는 640x480 으로, 특징점은 각각 27 개, 24 개, 16 개로 실험하였다. 공간상의 평면 위의 직선들이 왜곡 보정 후에 직선에 가깝게 보인다면 잘 된 보정이라고 가정했다. 표 1 은 각 특징점에 대해 계산한 평균 자승 오차 결과 값이다.
FOV 모델은 어안렌즈가 디자인되는 방법에 기초를 두고 있다. 그림 1 과 같이 영상의 중심점점 c (principal point)에서 영상평면상의 한 점 m 사이의 거리는 대응되는 3 차원상의 한 점 M 과 광축( cy )이 이루는 각도에 비례한다고 가정한다. 따라서 각도의 정밀도는 반지름을 따른 영상의 정밀도에 비례한다.
제안 방법
이와 같이 평면 패턴의 한계점을 보완하기 위해 박스 형태에서 본을 뜬 ‘ㄱ’ 자형 패턴을 제작하여 실험하였다.
본 연구에서는 차량용 어안렌즈로부터 입력된 왜곡영상을 기하학적으로 보정할 수 있는 방법을 제안하였다. 일반 어안렌즈와 다른 직사각형 출력 영상과 수평, 수직 화각이 비대칭인 차량용 카메라에 적합한 캘리브레이션 기법을 통해서 왜곡 보정을 하였다. 또한다른 화각을 지닌 광각 카메라에도 적용 가능하다.
제안하는 'ㄱ’자형 패턴은 차량용 실험 카메라에 최적화되어, 영상의 수평 방향으로 압축되는 특징을 반영하여 그림 4 와 같이 정면 방향은 가로 길이를 12cm 로 하여 세로 길이의 2 배인 직사각형을 이용하며, 오른쪽 평면은 6cm 정사각형으로 제작하였다.
대상 데이터
실험한 카메라는 차량용 카메라 190°,180°,110° 카메라로 그림 8 에 순서대로 원영상 및 왜곡 보정 결과 영상을 볼 수 있다.
실험한 카메라는 차량용 카메라 190°,180°,110° 카메라로 그림 8 에 순서대로 원영상 및 왜곡 보정 결과 영상을 볼 수 있다. 카메라 영상의 해상도는 640x480 으로, 특징점은 각각 27 개, 24 개, 16 개로 실험하였다. 공간상의 평면 위의 직선들이 왜곡 보정 후에 직선에 가깝게 보인다면 잘 된 보정이라고 가정했다.
이론/모형
어안렌즈는 비선형의 왜곡을 기반으로 설계되었기 때문에 비선형의 왜곡현상을 기하학적으로 모방한 FOV 모델을 적용한다[4]. FOV 모델은 어안렌즈가 디자인되는 방법에 기초를 두고 있다.
외부 파라미터에 해당하는 Ri, Ti , 2 장에서 언급한 내부 파라미터 및 초점 거리 f 의 파라미터들은, 식 (3)을 최소화하기 위한 값을 구하는 비선형 회귀 분석법 중에서 널리 알려진 Levenberg-Marquardt 방법을 통해 구한다.
성능/효과
각 영상은 그림 4 의 패턴을 촬영하여 파라미터를 추출하였으며, 보정 정도를 육안으로 보기 쉽도록 그림8 과 같이 평면 격자 무늬 패턴 영상을 보정하였다. 본 논문에서 제시하는 캘리브레이션 기법이 다양한 화각의 차량용 카메라에 적용되는 것을 볼 수 있다.
후속연구
그림 6 과 같이, 최소 5 개의 정점으로 ellipse 를 구할 수 있으며, 이를 이용하여 장축과 단축의 비율로 Sx 를 구할 수 있다. 하지만, 영상의 테두리가 아닌 영상 내부에 위치한 타원을 측정하기 때문에 추후에 추가적인 최적화 연산을 한다. 식 (2)과 같이 구하는 것을 전처리 단계(pre-calibration)의 scaling factor 이며 Spre_x 라고 지칭하겠다.
또한다른 화각을 지닌 광각 카메라에도 적용 가능하다. 향후에는, 왜곡보정 영상을 2 차원 평면에 투사하지 않고, 영상 손실을 최소화하기 위해 새로운 뷰 생성 및 실린더 형과 반구형의 곡면과 같이 어안렌즈에 최적화된 3 차원 투사면을 새로 정의하여 영상 손실을 줄일 수 있도록 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.