Grid Reconstruction from Detected Corner Points of a Calibration Pattern

Abstract

Autonomous vehicles depend on camera sensors to detect visual features, like fiducial markers and draw conclusions from these. However, the cameras first need to be calibrated, often realized using calibration patterns. This thesis introduces an automatic grid construction algorithm for a new pattern which combines a checkerboard with a fiducial marker system. It is designed to correctly index detected corner points, particularly under challenging situations. By implementing an automatic corner detection method and developing a robust grid construction process based on Kruskal’s algorithm, consistent corner point indexing and efficient runtimes are achieved. For partial occlusion and fisheye distortions, the indexing remains consistent. The algorithm allows for viewing angles up to 50° with future enhancements to it potentially extending the viewing angles.

Autonome Fahrzeuge sind auf Kamerasensoren angewiesen, um visuelle Merkmale wie Fiducial Marker zu erkennen und daraus Schlüsse zu ziehen. Allerdings müssen die Kameras zuerst kalibriert werden, was oft mithilfe von Kalibrierungsmustern geschieht. Diese Arbeit stellt einen automatischen Rasterkonstruktionsalgorithmus für ein neues Muster vor, das ein Schachbrettmuster mit einem Fiducial Marker System kombiniert. Es ist darauf ausgelegt, erkannte Eckpunkte korrekt zu indexieren, insbesondere in schwierigen Situationen. Durch die Implementierung einer automatischen Eckpunkt-Erkennungsmethode und die Entwicklung eines robusten Rasterkonstruktionsprozesses auf Basis von Kruskals Algorithmus werden konsistente Eckpunkt-Indizierungen und effiziente Laufzeiten erreicht. Bei teilweiser Verdeckung und Fischaugenverzerrungen bleibt die Indizierung konsistent. Der Algorithmus ermöglicht Betrachtungswinkel bis zu 50°, wobei zukünftige Verbesserungen diese Winkel noch erweitern könnten.