24

2.4. Métodos de calibración clásicos

2.4.1. Introducción

Los métodos de calibración de una cámara determinan los parámetros del modelo, haciendo
corresponder alguna característica de la imagen adquirida de un patrón de calibración a la
característica correspondiente de la imagen por el modelo de la cámara. Para eso se elige
medir, preferiblemente, unos valores que relacionen la geometría del mundo 3D con la
geometría de la cámara. Estos valores pueden ser la ubicación de las intersecciones de una
cuadrícula o de una grilla colocada de frente a la cámara en el momento de tomar la foto.
En este caso, la grilla sería el patrón de calibración, no obstante puede elegirse otro, según
la conveniencia que se tenga para adquirir el dato. Por ejemplo, que sea necesario, como
veremos más adelante que ninguna de las coordenadas según el marco de referencia de la
escena sea siempre cero, específicamente aquella que le da profundidad a la foto tomada de
la escena.

Un algoritmo de calibración requiere que previamente se haya hecho una extracción de

características de la imagen adquirida del patrón lo más exacta posible. Así, se puede ver
que una plataforma de calibración consiste de dos grandes etapas: una primera etapa en la
que se procesan los datos para extraer los puntos conocidos del objeto y una segunda etapa
en la que se ajusta el modelo a partir de las características extraídas. En conjunto, las dos
etapas deberán conformar un algoritmo de calibración que sea adecuado a los objetivos que
se pretenden. El proceso de ajustar el modelo a los datos extraídos es lo que se llama
propiamente la calibración de la cámara.

En este capítulo nos concentraremos en estudiar los métodos de calibración más conocidos
en la actualidad para discutir de manera teórica sus ventajas y desventajas y para que sirva
de base al siguiente capítulo en que se implementaron algunos métodos observando los
resultados experimentales.

Los métodos de calibración existentes pueden clasificarse primariamente en métodos

lineales en métodos de minimización no lineales y en métodos de múltiples etapas. De
éstos últimos se destacan principalmente los métodos de dos etapas. Para resolver
problemas relacionados con el desconocimiento a priori de estimaciones iniciales, una
estrategia muy común en visión artificial es atacar el problema de la calibración utilizando
dos pasos. En el primer paso se generan las soluciones aproximadas usando una técnica
lineal, mientras que en el segundo paso se mejoran las soluciones lineales mediante
procedimientos iterativos no lineales tales como los que implementa Tsai[TSAI 86] Un
método no lineal no iterativo como Toscani [TOSCANI 87] puede ser adecuado cuando los
requerimientos de tiempo son importantes [AZAR 99].

Los métodos lineales tienen la ventaja de que son computacionalmente eficientes pero
sufren de una falta de exactitud y robustez. Los métodos no lineales, en cambio, ofrecen
mayor exactitud y soluciones robustas pero son computacionalmente intensos y requieren
 25

una buena estimación inicial de los parámetros. La calidad de la estimación lineal es

crítica para las técnicas no lineales existentes.

A continuación se presenta una revisión de los métodos clásicos existentes.

2.4.2. Modelo de cámara según el método de Tsai [TSAI 86]

El método de Tsai [TSAI 86] utiliza el modelo pinhole de la cámara para hallar parámetros
intrínsecos y parámetros extrínsecos, incluyendo el parámetro de distorsión. Este método
es de referencia obligatoria en los trabajos de calibración de cámaras y ha marcado un
paradigma a seguir con el objetivo de mejorarlo.

La principal desventaja de este método es que utiliza unos datos propios de la fabricación
de la cámara que normalmente no vienen especificados. Los utiliza para hallar
explícitamente la distancia focal f, y el factor de incertidumbre de escala sx.

La transformación que asume el método de Tsai involucra varios pasos [TSAI 86]:

1. Transformación desde el sistema de coordenadas del mundo Pw=(xw , yw, zw) al sistema
de coordenadas de la cámara Pc=(xc,yc,zc)

Pc = R . Pw + t Ec. 2.46

donde R es la matriz de rotación 3x3 y t es el vector de translación.

 r1 r2 r3   Tx 
   
R =  r4 r5 r6  y t = Ty  Ec. 2.47
r r8 r9  T 
 7  z

2. La transformación entre el sistema de coordenadas tridimensional de la cámara y una

imagen del punto no distorsionada (Xu , Yu) viene dada por la proyección perspectiva.

fx c
Xu = Ec. 2.48
zc
fy c
Yu = Ec. 2.49
zc

Aquí se expresa explícitamente la distancia focal f.

 26

3. Para tener en cuenta la distorsión Tsai asume que las coordenadas reales de la imagen
son las distorsionadas (Xd , Yd):

Xd + Dx = Xu Ec.2.50
Yd + Dy = Yu Ec.2.51
En este caso:

Dx =Xd(k1.r2+ k2.r4+…) Ec. 2.52

Dy =Yd(k1.r2+ k2.r4+…) Ec. 2.53

y r2=(Xd) 2 + (Yd)2 Ec. 2.54

En general se toma sólo un parámetro de distorsión distinto de cero: el k1 y se obtienen

buenos resultados, según la experiencia de Tsai.

4. En este punto, se hacen necesarios los parámetros dados por el propio fabricante. La
transformación de coordenadas reales (Xd , Yd) a coordenadas de la imagen (X,Y) es:

s X 
X   x d  c x  Ec. 2.55
 d ''x 
Y 
Y   d  cy  Ec. 2.56
 d' 
 y 

Para este caso (X,Y) es la localización del punto en la imagen mostrada en el monitor, s x es
el factor de incertidumbre de escala, entre las coordenadas calculadas de los píxeles y las
coordenadas reales, debido a errores en el proceso de digitalización.

(cx, cy) son las coordenadas del centro de la imagen.

La siguiente ecuación permite hallar d''x a partir de otros parámetros dados previamente a la
calibración

Nc x
d''x = d ' x Ec. 2.57
Nf y

d'x es la distancia centro a centro entre los elementos sensores CCD adyacentes en la
dirección X.

d'y es la distancia centro a centro entre los elementos sensores CCD adyacentes en la
dirección Y.
 27

Nc x es el número de elementos sensores CCD en la dirección X.

Nf y es el número de píxeles en una línea después del muestreo del computador.

Estos últimos cuatro parámetros son básicos para realizar la calibración según el método de
Tsai [TSAI 86] y constituyen la principal dificultad de aplicación porque el usuario no
siempre va a contar con el conocimiento previo de ellos. Precisamente realiza una
calibración para conocer las características de la cámara, en general lo busca es un método
que se las dé sin tener que consultar las medidas del fabricante. La mayoría de los métodos
lo que hace es calcular implícitamente estas medidas enmascarando por ejemplo la
distancia focal. Sin embargo, el método de Tsai [TSAI 86] es paradigmático para todos los
demás por su antigüedad y precisión.

2.4.3. Método de Hall

El método de Tsai [TSAI 86] es un procedimiento en que se busca calcular explícitamente

los valores físicos que caracterizan a la cámara, sin embargo cuando el objetivo aplicativo
de la calibración no hace necesario conocer la magnitud específica de, por ejemplo, la
distancia focal, este cálculo explícito se hace omitible y conveniente porque evita tener un
conocimiento previo de las condiciones de quien manufactura la cámara. A partir de esta
sección se explicarán métodos que calculan, de manera implícita, todos los parámetros de la
cámara que se utilizan más en las aplicaciones de visión artificial.

Es conveniente recordarle al lector que los diferentes autores de métodos para calibración
de cámara utilizan distintas notaciones para representar las mismas variables. En este caso
se seguirá la notación inicial de la sección 2.1 [HORAUD 95] para explicar el método de
Hall [HALL 82].

Partiendo de la ecuación (1.27) podemos escribir las coordenadas imagen de un punto de la

escena del mundo real así:

m11 . X  m12Y  m13 Z  m14

u Ec. 2.58
m31 X  m32Y  m33 Z  m34

m21 . X  m22Y  m23 Z  m24

v Ec. 2.59
m31 X  m32Y  m33 Z  m34

Para evaluar los coeficientes de la matriz M en las ecuaciones 2.58 y 2.59, es suficiente
escribir el sistema de ecuaciones para los puntos de la imagen. Cada punto (Xi,Yi,Zi) se
proyecta en (ui,vi) formando dos ecuaciones. Estas ecuaciones son lineales y basta tener
seis puntos de la escena con sus respectivas proyecciones en la imagen para determinar los
 28

12 coeficientes de la matriz M. Las ecuaciones (2.58) y (2.59) pueden escribirse como una
combinación de mij :

Xim11 + Yim12 + Zim13 + m14 - uiXim31-uiYim32-uiZim33 = ui m34 Ec. 2.60

Xim21 + Yim22 + Zim23 + m24 - viXim31-viYim32-viZim33 = vi m34 Ec. 2.61

Al obtener 2n ecuaciones para n puntos de la escena proyectados en la imagen, se pueden

escribir estas ecuaciones en forma matricial:

K2n x 11 . x11 = u2n Ec. 2.62

 m11 
 
 m12 
m 
 13 
 m14 
     
  m 21   
Xi Yi Zi 1 0 0 0 0  ui X i  u i Yi  ui Z i   u i m 34 
 0  m 22    Ec. 2.63
0 0 0 Xi Yi Zi 1  v i Xi  v i Yi  v i Z i  vm 
  m 23   i 34 
     
   
m 24 
 
 m31 
m 
 32 
 m33 

2.4.4. Método de Ayache

En el caso especial del método de Ayache [AYACHE 99] se asume la restricción de que Tz
= m34 puede considerarse con valor 1 de forma que se tienen 11 incógnitas. en realidad lo
que se hace es que se toma el sistema de ecuaciones (2.61) y con el fin de obtener una
solución no trivial, se escoge m34 = 1, por lo que se están dividiendo todos los coeficientes
de la matriz entre m34 y se determinan los parámetros de la cámara en un factor cercano.

Despejando la ecuación (2.14) se obtiene:

x11 = (KtK)-1 . Kt . u Ec. 2.64

 29

La expresión (KtK)-1 . Kt describe la pseudoinversa de la matriz K ya que esta es

generalmente no cuadrada, del tipo 2n x 11, donde n es el número de datos. Para resolver
esta psuedoinversa se puede recurrir a varios métodos entre los que se cuentan la
factorización por simetría de Cholesky o la eliminación Gauss-Jordan.

2.4.5. Método de Faugeras-Toscani [FOUGERAS 93] [TOSCANI 87]

Este método tiene la particularidad de que es el método base de la mayoría de los métodos
de calibración en la actualidad superando en eso al método de Tsai [TSAI 86], porque no
necesita unos parámetros anteriores a la calibración y porque es realmente sencillo y de
buena efectividad. Se continúa con el tipo de calibración implícita ya estudiada.

En particular si se observa de nuevo el conjunto de ecuaciones (2.60) y (2.61) retomamos

que: r3 = m3 , es decir m31= r31, m32 = r32 y m33 = r33.

De las propiedades de ortonormalidad de la matriz de Rotación es posible saber que los

vectores filas de dicha matriz son unitarios. En particular el vector 3, se escoge porque es
el único en que queda explícito luego de hallar los elementos de la matriz M. La norma de
r3 sería:

(r31)2 + (r32)2 + (r33)2 = 1 Ec. 2.65

Lo que quiere decir que:

||m3||2 = (m31)2 + (m32)2 + (m33)2 = 1 Ec. 2.66

Este criterio es importante porque es el usa Toscani [TOSCANI 87] para resolver este
sistema de ecuaciones, aplicando una búsqueda restringida con un vínculo que mantenga
invariante la solución bajo un sistema de coordenadas del mundo. La ecuación (2.61) se
puede separar en dos sumas a partir de las ecuaciones (2.63) y (2.64) y escribir así:

B2n x 9 . x9 + C2n x 3 . x3 = 0 Ec. 2.67

donde

  
 
 Xi Yi Zi 1 0 0 0 0  ui 
B2n x 9 =  Ec. 2.68
0 0 0 0 Xi Yi Zi 1  vi 
 
  
 

y
 30

  
 
  ui X i  u i Yi  ui Z i 
C2n x 3 =  Ec. 2.69
v X  vi Yi  ui Z i 
 i i 
  
 

El vector x11 se ha convertido en dos vectores:

x9 = (m1 m14 m2 m24 m34)t Ec. 2.68

x3 = (m3)t Ec. 2.70

El criterio a minimizar es el siguiente:

Q = ||B.x9 + C.x3||2 Ec. 2.71

con la constante:

|| x3|| = 1 Ec. 2.72

El criterio puede ser escrito de la siguiente manera:

Q = ||B.x9 + C.x3||2 + λ(1 - ||x3||2) Ec. 2.73

Desarrollando (2.26) se tiene:

Q  x 9t B t Bx 9  x 3t C t Cx 3  x 9t B t Cx 3  x 3t C t Bx 9  λ(1  x 3t x 3 ) Ec. 2.74

En el proceso de derivación se obtiene:

B t Bx 9  B t Cx 3  0 Ec. 2.75
C Cx 3  C Bx 9  λ(x 3 )  0
t t
Ec. 2.76

Despejando se obtiene:

x 9  ( B t B ) 1 B t Cx 3 Ec. 2.77

Dx3 = λx3 Ec. 2.78

D = CtC - CtB(BtB)-1BtC Ec. 2.79

 31

Para obtener Q  x3t Dx3  x3t x3   Ec. 2.80

Para minimizar Q es necesario hallar el valor propio mínimo de D y al correspondiente

vector: x3, según la ecuación 2.79. Es decir se calculan los valores propios de D, se escoge
el vector asociado a ese valor propio mínimo, ese sería x3 y finalmente se calcula x9. Así se
resuelven las incógnitas de la matriz M que habían sido enmascaradas en el vector x11. Para
hallar los parámetros se utilizan las ecuaciones 2.36.

2.4.6. Metodo de Chaumette

El método de Chaumette [6] desarrolla el modelo con distorsión explicado en el anterior

capítulo. Retomamos partiendo de las ecuaciones 2.37 y 2.38:

Xd = Xp + ΔX Ec. 2.81
Yd = Yd + ΔY Ec. 2.82

En este caso Xd y Yd representan los puntos de la imagen tal como la muestra el

computador (u,v), es decir, con distorsión incluída. Para eso utiliza los puntos Xp y Yp que
serían aquellos que resultan de aplicar el modelo lineal a los puntos de la escena.

donde ΔX = Kd . r2 . (Xp – Xc) Ec. 2.83

y ΔY = Kd. r2. (Yp - Yc) Ec. 2.84

siendo Kd el parámetro de distorsión radial (a averiguar) y r2 igual a:

 2 2

2
r =  Fx. x'   Fy. y'   Ec. 2.85
  z'   z'  


Donde Fx y Fy son los parámetros intrínsecos de la ecuación

Tomando que idealmente:

x'
Xp = Fx . + Xc Ec. 2.86
z'
y'
Yp = Fy . + Yc Ec. 2.87
z'

Tenemos que:

x' x'  2 2

Xd = Fx . + Xc + Kd . Fx .  Fx. x '   Fy. y '   Ec.
z' z'   z'   z '  

2.88
 32

y' y'  2 2

Yd = Fy . + Yc + Kd. Fy .  Fx. x '   Fy. y '   Ec.
z' z'   z'   z '  

2.89

Por lo tanto, Chaumette propone primero hallar un conjunto de parámetros a través de la

técnica lineal de Fougerais-Toscani [TOSCANI 87] y a partir de estos remplazarlos en el
modelo que incluye la distorsión.

El modelo utilizado por Chaumette es el siguiente. En primer lugar se asume un parámetro

de distorsión igual a cero y así es posible formular el modelo en términos de un sistema
lineal. En este caso, las coordenadas de un punto en el plano de la imagen son:

X Y Z
Xp= , Yp = , distancia focal f = Ec. 2.90
w w w

Con:

1 Xc 
 0 
X  lx f 
   x  1 Yc  x 
Y   
0 f  y 
 Z   P y    ly Ec. 2.91
  z 1  z 
 w   0 0
  0 1 
 0
 f 

Las ecuaciones (2.39) y (2.40) se reescriben, teniendo en cuenta que Kd=0 y pasando a
multiplicar la variable z:

Xd . z' - Xc . z' - Fx .x' = 0 Ec. 2.92

Yd . z' - Yc . z' - Fy .y' = 0 Ec. 2.93

En este caso, x',y',z' representan lo mismo que en la ecuación (1.22), es decir, la proyección
de un punto de la escena en el plano imagen con coordenadas referenciadas al plano de la
cámara, por lo que a x',y',z' se les puede llamar coordenadas-cámara. Xd y Yd, siguen
siendo las coordenadas imagen ( (u,v) según [HORAUD 95]).

Para Chaumette, la ecuación (1.22), puede expresarse de la siguiente manera:

 33

x 
 x'   a11 a12 a13 X0   0 
    y 
 y '    a 21 a 22 a 23 Y0   0  Ec. 2.94
 z'  a z
   31 a 32 a33 Z 0   0 
1

Chaumette representa a los parámateros de rotación como aii (i=1,2,3) y a los parámetros de
Translación como X0, Y0, Z0 . Finalmente los punto en la escena en coordenadas del mundo
son

Si desplegamos (2.45) tenemos que:

x' = x0 .a11 + yi a12 + zia13 + X0 Ec. 2.95

y' = x0 .a21 + yi a22 + zia23 + Y0 Ec. 2.96

z' = x0 .a31 + yi a32 + zia33 + Z0 Ec. 2.97

Definidas ya x', y', z' se remplazan en Ec. 2.91 y Ec. 2.92 para obtener las siguientes dos
ecuaciones:

a31 . Xd . x0 + a32 Xd y0 + a33 .Xd . z0 + X d . Z0

- a31 . Xc . x0 + a32 . Xc. y0 - a33 .Xc .z0 - Xc . Z0
- Fx .a11. x0 - Fx .a12 - Fx .a13 . z0 - Fx . X0 = 0 Ec. 2.98

a31 . Yd . x0 + a32.Yd y0 + a33 .Yd . z0 + Yd . Z0

- a31 . Yc . x0 + a32 .Yc. y0 - a33 .Yc .z0 - Yc . Z0
- Fy .a21. x0 - Fy .a12 - Fy . a13 . z0 - Fy . X0 = 0 Ec. 2.99

Se obtiene el sistema lineal:

 X d x0 X d y0 X d z0  x0  y0  z0 0 0 0 1 0 X d  0
  I=  
 Yd x 0
 Y p y0 Yp z0 0 0 0  x0  y0  z0 0  1 Yd   0 
Ec. 2.100

Donde I =Ij con j=1 hasta 12. Los elementos de I traen consigo los parámetros de calibración:

I1= a31 I2=a32 I3=a33

I4=a31Xc + a11Fx I5= a32Xc + a12Fx I6=a33Xc + a13 Fx
I7 =a31Yc + a21Fx I8 = a33Yc + a22Fy I9 = a33Yc + a23Fy
I10= XcZ0+FxX0 I11=Yc . Z0 + FyY0 I12=Z0 Ecs. 2.101
 34

Este sistema de ecuaciones se resuelve con la técnica de Lagrange que se utiliza en

Fougerais-Toscani. [TOSCANI 87] Se asume un vínculo invariante:

||a3i||2 = 1 Ec. 2.102

se divide el sistema de (2.49) en dos:

A.X1 + B . X2 = 0 Ec. 2.103

Con X2 = -(BTB)-1BTA.X1 Ec. 2.104

EX1 = λX1 Ec. 2.105
donde E = ATA - ATB(BTB)-1BTA Ec. 2.106

Nuevamente, el problema se reduce a hallar la matriz E (simétrica y positiva), encontrar sus

valores propios, elegir el menor y escoger el vector propio asociado a ese valor propio
mínimo. Ese será el vector X1 que sirve para hallar el vector X2. El vector de incógnitas I es
la composición de (X1 X2). Una vez se construye I se despejan los parámetros de las
ecuaciones (2.50) de la siguiente manera:

a31 = I1 a32 = I2 a33 = I3

a11 = (I4 - a31Xc) / Fx a12 = (I5 - a32.Xc)/Fx a13 = (I6 - a33.Xc)/Fx
a21 = (I7 - a31Yc)/Fy a22 = (I8 - a32.Yc)/Fy a23 = (I9 - a33.Yc)/Fy

X0 = (I10 - XcI12)/Fx Y0 = (I11 - Yc.I12)/Fy Z0 = I12 Ecs. 2.107

Una vez hallados los parámetros del modelo lineal se remplazan para obtener las que hemos
llamado coordenadas cámara (x',y',z').

Estas coordenadas cámara se tienen en cuenta luego para obtener un conjunto de puntos
muy importante. Dicho conjunto de puntos es producto del modelo y se halla remplazando
las coordenadas cámara en las mismas ecuaciones (2.87) y (2.88) pero con un conjunto de
parámetros (que incluye a una Kd) que deberán evaluarse repetidamente hasta obtener el
menor error. Al principio ese conjunto de parámetros será el que se adquirió por medio de
la técnica lineal en que Kd es igual a cero, pero se irán cambiando (y ese cambio incluye a
la Kd inicialmente en cero) hasta lograr una correspondencia aceptable con los datos de la
imagen. Es decir, en esta parte del proceso es preciso aplicar un método iterativo que
realice una búsqueda del mejor conjunto de parámetros a partir de un conjunto inicial.

El criterio de error es la diferencia entre las coordenadas X di y Ydi que da la imagen en el

computador (y que hace parte de los datos de entrada del método) y las coordenadas
imagen Xmi y Ymi que se obtienen al aplicar el conjunto de parámetros a evaluar (que
incluye a Kd) en las ecuaciones (2.87) y (2.88).

Chaumette expresa el criterio de error por medio de la siguiente ecuación:

 35

N
C2 =  [( X
i 1
di  X mi ) 2  (Ydi  Ymi ) 2 ] Ec. 2.108

En este punto se debe elegir con ese criterio de error que método es mejor entre los varios
que hay siendo el más destacado por su efectividad y rapidez el de Levenberg-Maquardt.
[11]

2.4.7. Método de Zhang

El método de Zhang divide el proceso de la extracción de parámetros en cuatro etapas,

destacándose la tercera etapa en que consigue una buena aproximación a dos constantes de
distorsión por medio de una transformación lineal que hace el algortimo muy rápido.

La primera etapa consiste en aplicar el método de Fougerais-Toscani con la restricción

|| x3|| = 1, tal como se explica en la sección 2.3. La segunda etapa utiliza los resultados de
la primera para aplicar un método de minimización no lineal basado en el criterio:
2
n m 

i 1 j 1
m ij  m ( A, Ri , t i , M j ) Ec. 2.109


Donde m ( A, Ri , ti , M j ) es la proyección del punto Mj en la imagen i. Es decir para todos
los puntos de calibración de la imagen se prueban diferentes parámetros de tal manera que
se halle el conjunto de ellos que de cómo resultado el menor error entre los puntos
estimados por el modelo y los puntos reales de la imagen.

En este caso, Zhang llama A a la matriz de parámetros intrínsecos:

 0 u0 
 
A=  0  v0  Ec. 2.110
0 0 1 


con (u 0 , v0 ) como las coordenadas del centro óptico o punto principal y con α y β como
los factores de escalamiento en los ejes u y v de la imagen respectivamente.

Al multiplicar esta matriz A de parámetros intrínsecos por la matriz de los parámetros

extrínsecos obtenemos:
 36

X 
u  Y 
s  v   A  
Z 
1  [r1 r2 r3 t]  1  Ec. 2.111
 

El modelo lineal en Zhang está basado en el mismo modelo pin-hole de los métodos
anteriormente explicados. No obstante, para modelar la distorsión radial, Zhang utiliza una
transformación lineal.

 2 2 2 2 2
u = u + (u-u0). [k1(x + y ) + k2(x + y ) ] Ec. 2.112

 2 2 2 2 2
v = v + (v - v0). [k1(x + y ) + k2(x + y ) ] Ec. 2.113

En este caso, con los parámetros obtenidos de las dos etapas anteriores (la lineal y la no
lineal) se estiman unas coordenadas imagen (u,v) que se suponen ideales, es decir sin
distorsión y a ellas se les suma la distorsión dada por dos constantes k, para obtener las
coordenadas imagen reales (uˆ , vˆ) .

Este modelo puede ser descrito de manera matricial si tenemos en cuenta todos los puntos
de calibración, así:

(u  u 0 )( x 2  y 2 ) (u  u 0 )( x 2  y 2 ) 2   k1  uˆ  u 
 2 2  
  Ec. 2.114
 (v  v0 )( x  y ) (v  v0 )( x  y )  k 2   vˆ  v 
2 2 2

Dados m puntos se tienen 2.m ecuaciones de tal manera que:

D.k=d Ec. 2.115

Con D como una matriz de 2m filas por 2 columnas y d como un vector vertical de 2m
filas. La solución a este sistema se produce mediante la aplicación de la matriz
pseudoinversa:

k = (DTD)-1 .DT .d Ec. 2.116

Una vez estimados los parámetros de distorsión k1 y k2, se entra a la cuarta etapa en donde
se hace una optimización de todo el conjunto de parámetros, tomando como estimaciones
iniciales las encontradas en las tres etapas anteriores. El criterio de minimización sería el
siguiente:
 37

n m 2


i 1 j 1
m ij  m
ˆ ( A, k1 , k 2 , Ri , t i , M j ) Ec.
2.117

Donde m̂ es el punto correspondiente en la imagen al punto Mj de acuerdo a las

ecuaciones (2.61) y (2.62).

2.4.8. Conclusión

En la actualidad los métodos clásicos de calibración de cámaras son bien conocidos y

estudiados. Las leves diferencias que puedan existir entre ellos, hacen que el usuario pueda
elegir uno u otro para la aplicación específica que desee. En general, lo que se requiere es
una calibración explícita del modelo pinhole, que es común a todos los métodos clásicos,
con algunas variaciones como en el caso de Tsai, cuyo modelamiento ha sido superado por
otras técnicas que no requieren conocimientos de fábrica de las cámaras. El avance en los
métodos numéricos por computador para hallar soluciones de sistemas de ecuaciones
utilizando técnicas del gradiente descendente ha permitido que la calibración de cámaras
sea cada vez más precisa en tiempos razonablemente cortos para aplicaciones en línea.
 38

BIBLIOGRAFIA

[HORAUD 95] Horaud R.,Monga O. «Vison par ordinateur Outils Fondamentaux »

Hermes. 2a. edición.1995

[AZAR 99] Azar A., Musé P. “Calibración monocular de cámaras”. Instituto de Ingeniería
Eléctrica, Facultad de Ingeniería. Universidad de la República. Uruguay. 1999

[GONZALEZ 93]C. González, P.E. Woods, “Digital Image Processing” Third Edition.
Addison-Wesley, 1993

[HORN 86]Horn, Paul. “Robot Vision”. The MIT Press- McGraw-Hill Book Company.
1986

[30] Q. Ji, Y. Zhang. Camera Calibration with Genetic Algorithms. IEEE Transactions On
Systems, Man, And Cybernetics—Part A: Systems And Humans, Vol. 31, No. 2, March
2001

[CHAUMETTE 89]Chaumette, Francois. Rives, Patrick. “Realisation et calibration d'un

systeme experimental de vision compose d'une camera mobile embarquee sur un robot-
manipulateur”. Rapports de Recherche. No. 994. Programme 6. INRIA. 1989

[7] RA-MA. “Vision por ordenador”

[8][HALL 82]E. L. Hall, J. B. K. Tio, C. A. McPherson, and F. A. Sadjadi, “Measuring

curved surfaces for robot vision,” Computer Journal, vol. December, pp. 42–54, 1982.

[10][AYACHE 99] N. Ayache “Artificial Vision for Mobile Robots”. MIT Press,
Cambridge, MA, 1999

[@NUMERICAL] http://www.nr.com NUMERICAL RECIPES IN C: THE ART OF

SCIENTIFIC COMPUTING (ISBN 0-521-3108-5) Copyright (C) 1988-1992 by
Cambridge University Press. 1988-1992 by Numerical Recipes Software.

[TSAI 86] RY.Tsai, "An efficient and accurate camera calibration technique for 3d machine
vision, " Conference on Computer Vision and Pattern Recognition, pp. 364-374, Miami
Beach, USA, June 1986.

[45] Moumen T. Ahmed, ElSayed E. Hemayed and Aly A. Farag. “Neurocalibration: A

Neural Network That Can Tell Camera Calibration Parameters” IEEE Trans. Patt. Anal.
And Machine Intell. 1999
39