Hướng dẫn hiệu chỉnh camera cho thị giác máy tính năm 2025

Camera không nhìn thế giới giống như con người. Thường thì chúng ghi lại các hình ảnh bị biến dạng và dịch chuyển phối cảnh, điều này có thể ảnh hưởng đến độ chính xác của model AI thị giác. Hiệu chuẩn camera có thể khắc phục các hiện tượng biến dạng này và đảm bảo rằng computer vision models có thể nhận thức các đối tượng đúng như thực tế trong thế giới thực. Quá trình này bao gồm việc sửa lỗi méo ống kính, điều chỉnh tiêu cự và căn chỉnh cảm biến để giúp camera ghi lại hình ảnh chính xác.

Cụ thể, hiệu chuẩn camera chính xác là chìa khóa để ước tính chiều sâu và đo lường khoảng cách một cách chính xác. Các model AI thị giác như Ultralytics YOLO11 cần các đầu vào đã được hiệu chuẩn tốt để thực hiện các tác vụ thị giác máy tính khác nhau như phát hiện đối tượng và ước tính tư thế. Nếu không có hình ảnh đầu vào phù hợp, hiệu suất của model có thể giảm sút và dẫn đến lỗi trong các ứng dụng thực tế.

Các phương pháp cân chỉnh camera khác nhau, từ các mẫu bàn cờ truyền thống đến các kỹ thuật tiên tiến dựa trên AI, có thể giúp cải thiện độ chính xác. Ví dụ, cân chỉnh 3D (ba chiều) giúp các mô hình hiểu về độ sâu, trong khi ma trận cân chỉnh chuyển đổi các tọa độ thực tế thành không gian hình ảnh để đạt độ chính xác cao hơn.

Trong hướng dẫn này, chúng tôi sẽ đề cập đến các kiến thức cơ bản về cân chỉnh camera cho thị giác máy tính, bao gồm các tham số chính, các phương pháp khác nhau và tối ưu hóa cho các ứng dụng AI trong thế giới thực.

Tầm quan trọng của cân chỉnh camera trong thị giác máy tính#

Cân chỉnh camera được sử dụng để điều chỉnh các cài đặt của camera nhằm đảm bảo hình ảnh khớp chính xác với các phép đo trong thế giới thực. Nó đảm bảo các đối tượng trong hình ảnh xuất hiện đúng vị trí, kích thước và tỷ lệ, ngăn chặn các biến dạng có thể gây hiểu lầm cho các mô hình AI.

Nếu không được hiệu chuẩn đúng cách, camera có thể gây ra hiện tượng méo ống kính, khiến các đối tượng trông bị kéo giãn hoặc lệch lạc. Điều này ảnh hưởng đến độ chính xác của việc phát hiện đối tượng, theo dõi và ước tính độ sâu, dẫn đến sai sót trong các ứng dụng hỗ trợ bởi AI. Cụ thể, các model như Ultralytics YOLO11 hoạt động hiệu quả hơn khi dữ liệu đầu vào được hiệu chuẩn đúng cách, giúp giảm thiểu sai sót trong việc diễn giải không gian và cải thiện quá trình ra quyết định trong thế giới thực.

Việc cân chỉnh chính xác đặc biệt quan trọng đối với máy bay không người lái (drone), xe tự lái và thị giác robot. Sự sai lệch trong các hệ thống này có thể dẫn đến tính toán khoảng cách không chính xác, gây ảnh hưởng đến các tác vụ như điều hướng và phát hiện vật cản.

Fig 1. Ví dụ về hiện tượng méo ống kính (bên trái) được khắc phục bằng cách hiệu chuẩn camera (bên phải).

Tìm hiểu các hiệu ứng biến dạng ống kính#

Các biến dạng ống kính có thể khiến camera mô tả sai hình dạng và vị trí của đối tượng trong hình ảnh. Dưới đây là một số ví dụ về các loại biến dạng ống kính khác nhau:

• Biến dạng hình thùng (Barrel distortion): Ở đây, các đường thẳng dường như cong ra ngoài, làm cho các đối tượng ở trung tâm hình ảnh trông bị phình ra. Điều này phổ biến ở ống kính góc rộng và có thể làm gián đoạn việc cân chỉnh 3D trong các hệ thống tự hành do làm biến dạng nhận thức về độ sâu.
• Biến dạng hình gối (Pincushion distortion): Trong trường hợp này, các đường thẳng uốn cong vào trong về phía tâm hình ảnh, tạo ra hiệu ứng ngược lại với biến dạng hình thùng.
• Biến dạng hình ria mép (Mustache distortion): Hiện tượng này xảy ra khi cả biến dạng hình thùng và hình gối kết hợp với nhau, khiến các đường thẳng uốn cong theo kiểu lượn sóng.
• Sai lệch màu sắc (Chromatic aberration): Hiện tượng này xảy ra khi ống kính không thể tập trung các màu tại cùng một điểm, tạo ra các viền màu xung quanh đối tượng.

Fig 2. Các loại biến dạng ống kính khác nhau.

Các loại cân chỉnh camera#

Cân chỉnh camera bao gồm hai thành phần chính: tham số nội tại (intrinsic parameters), định nghĩa các đặc điểm bên trong của camera, và tham số ngoại tại (extrinsic parameters), xác định vị trí và hướng của nó so với thế giới. Hãy cùng xem xét kỹ hơn cả hai loại thành phần này.

Tham số nội tại#

Cân chỉnh nội tại chính xác có thể cải thiện các dự đoán của mô hình bằng cách đảm bảo rằng các đối tượng được phát hiện xuất hiện ở vị trí và tỷ lệ chính xác trong các ứng dụng thực tế. Dưới đây là cái nhìn nhanh về một vài tham số nội tại:

• Tiêu cự (Focal length): Nó kiểm soát cách camera chiếu các đối tượng 3D lên một hình ảnh 2D. Nếu không được cân chỉnh, các đối tượng có thể trông bị kéo giãn hoặc nén lại, làm thay đổi kích thước và khoảng cách cảm nhận được.
• Điểm chính (Principal point): Đây là đại diện cho tâm quang học của cảm biến camera. Nếu bị lệch, nó có thể làm dịch chuyển toàn bộ hình ảnh, dẫn đến sai lệch trong việc định vị đối tượng.
• Hệ số xiên (Skew coefficient): Nó tính toán sự sắp xếp pixel không hình chữ nhật trong cảm biến. Khi tồn tại độ xiên, hình ảnh có thể trông bị nghiêng hoặc méo thay vì được căn chỉnh đúng cách.
• Hệ số biến dạng (Distortion coefficients): Các tham số này sửa các biến dạng quang học gây ra bởi ống kính. Nếu không được hiệu chỉnh, các đường thẳng có thể trông bị cong, đặc biệt là gần các cạnh của hình ảnh.

Tham số ngoại tại#

Hiệu chuẩn ngoại tại xác định vị trí và hướng của camera so với thế giới thực, điều này đặc biệt quan trọng trong các hệ thống đa camera được sử dụng cho hiệu chuẩn 3D, theo dõi đối tượng và nhận thức chiều sâu. Nó giúp drones, xe tự hành và hệ thống giám sát diễn giải chính xác các mối quan hệ không gian.

Dưới đây là hai tham số ngoại tại chính:

• Ma trận tịnh tiến (Translation matrix): Điều này xác định vị trí vật lý của camera trong không gian 3D, chỉ rõ vị trí của nó dọc theo các trục X, Y và Z. Nếu không được cân chỉnh đúng, các đối tượng có thể xuất hiện gần hơn hoặc xa hơn thực tế, dẫn đến sai lệch trong đo lường khoảng cách. Trong xe tự lái, điều này có thể dẫn đến việc phát hiện vật cản kém, trong khi trong robot, nó có thể gây ra lỗi định vị trong quá trình thao tác với đối tượng.
• Rotation matrix: Nó xác định hướng của camera bằng cách chỉ định mức độ nghiêng, xoay hoặc góc của camera so với một điểm tham chiếu. Nếu không được hiệu chuẩn chính xác, hình ảnh từ nhiều camera có thể không khớp nhau đúng cách, gây ra sự cố trong quá trình tái tạo 3D, theo dõi đa camera và lập bản đồ không gian. Ví dụ, trong một self-driving car, một rotation matrix không chính xác có thể làm lệch các đầu vào của cảm biến, dẫn đến việc phát hiện làn đường không chính xác.

Tìm hiểu ma trận cân chỉnh camera#

Mọi hình ảnh được camera ghi lại đều là sự thể hiện 2D của một thế giới 3D. Các mô hình AI cần một cách để dịch giữa các chiều không gian này để đưa ra các dự đoán chính xác. Đây là lúc ma trận cân chỉnh camera xuất hiện. Nó ánh xạ các điểm trong thế giới thực lên mặt phẳng hình ảnh của camera sao cho các đối tượng xuất hiện ở vị trí đúng.

Nói một cách đơn giản, ma trận cân chỉnh camera là một mô hình toán học đại diện cho các tham số nội tại của camera. Nó thường được lưu trữ trong các hệ thống thị giác và được sử dụng trong các thuật toán xử lý hình ảnh để sửa các biến dạng và ánh xạ các điểm 3D thành tọa độ 2D.

Như chúng ta sẽ thấy tiếp theo, ma trận này được tính toán bằng các phương pháp hiệu chuẩn như phát hiện mẫu bàn cờ, hiệu chuẩn dựa trên 3D object, và tính năng tự hiệu chuẩn điều khiển bằng AI, ước tính các tham số chính bằng cách phân tích hình ảnh của các điểm tham chiếu đã biết.

Các phương pháp cân chỉnh camera khác nhau#

Tồn tại nhiều phương pháp cân chỉnh camera khác nhau, mỗi phương pháp phù hợp với các trường hợp sử dụng cụ thể. Các phương pháp truyền thống dựa trên các mẫu vật lý, trong khi các kỹ thuật dựa trên AI sử dụng học sâu để tự động hóa quy trình.

Hãy cùng điểm qua các phương pháp này và khám phá cách chúng cải thiện độ chính xác trong các ứng dụng khác nhau.

Các phương pháp cân chỉnh camera truyền thống#

Một trong những phương pháp cân chỉnh camera phổ biến nhất sử dụng mẫu bàn cờ hoặc lưới được đặt trước camera. Hệ thống phát hiện các điểm chính trong mẫu để tính toán các tham số cân chỉnh.

Fig 3. Một bảng kiểm tra hiệu chuẩn camera.

Mặc dù hữu ích trong các môi trường được kiểm soát, phương pháp này đòi hỏi sự điều chỉnh thủ công và phân tích nhiều hình ảnh từ các góc độ khác nhau. Những thay đổi trong điều kiện ánh sáng hoặc chuyển động camera không mong đợi có thể làm giảm độ chính xác, khiến việc cân chỉnh lại trở nên cần thiết.

Trong các môi trường động như máy bay không người lái và xe tự lái, cân chỉnh truyền thống khó theo kịp. Một camera di chuyển đòi hỏi việc cân chỉnh lại thường xuyên để duy trì độ chính xác, điều này không thực tế với các mẫu tĩnh. Hạn chế này đã thúc đẩy các tiến bộ trong cân chỉnh camera dựa trên AI, mang lại sự linh hoạt và tự động hóa cao hơn.

Các phương pháp cân chỉnh camera dựa trên AI#

Các kỹ thuật dựa trên AI tự động hóa việc cân chỉnh camera bằng cách sử dụng các mô hình học sâu để tự cân chỉnh, giảm nhu cầu điều chỉnh thủ công. Các phương pháp này ước tính các tham số nội tại và ngoại tại trực tiếp từ hình ảnh thực tế, loại bỏ nhu cầu về các mẫu đã xác định trước.

Tương tự, các datasets tổng hợp đang chuyển đổi việc hiệu chuẩn camera bằng cách cung cấp cho các model AI dữ liệu huấn luyện đa dạng, có nhãn để tinh chỉnh các tham số và sửa lỗi biến dạng. Các tập dữ liệu này mô phỏng các điều kiện trong thế giới thực, giúp các model AI học cách điều chỉnh các tham số nội tại và ngoại tại một cách động mà không cần sự can thiệp của con người.

Ví dụ, các frameworks tự hiệu chuẩn sử dụng các model xác suất và deep learning để phân tích hình ảnh đơn mắt, ước tính cấu trúc 3D và liên tục tinh chỉnh quá trình hiệu chuẩn. Dữ liệu tổng hợp nâng cao quá trình này bằng cách huấn luyện các model xử lý các góc nhìn khác nhau, độ lệch cảm biến và điều kiện ánh sáng, cải thiện việc ước tính chiều sâu, theo dõi chướng ngại vật và độ chính xác không gian trong các ứng dụng như lái xe tự động và robotics.

Fig 4. Hệ thống AI thị giác tự hiệu chuẩn có khả năng hiểu giao thông.

Các ứng dụng chính của cân chỉnh camera#

Bây giờ chúng ta đã hiểu cân chỉnh camera là gì, hãy cùng khám phá tác động của nó đối với các ngành công nghiệp khác nhau.

Xe tự lái và điều hướng máy bay không người lái#

Đối với xe tự lái và drone tự trị, hiệu chuẩn camera chính xác là rất quan trọng để điều hướng an toàn và đáng tin cậy. Các hệ thống này dựa vào việc ước tính chiều sâu và distance calculation để phát hiện chướng ngại vật, theo dõi vạch kẻ đường và đánh giá các đối tượng xung quanh. Hiệu chuẩn kém có thể dẫn đến việc giải thích sai khoảng cách, dẫn đến các quyết định không chính xác trong các tình huống thời gian thực.

Một ma trận được cân chỉnh đúng cách cho phép xe tự lái hợp nhất đầu vào từ LiDAR, radar và camera, cải thiện việc hợp nhất đa cảm biến. Điều này giúp xe đo chính xác khoảng cách đến người đi bộ, ranh giới làn đường và các xe gần đó, giảm rủi ro tai nạn. Trong khi đó, ở các máy bay không người lái, cân chỉnh 3D giúp duy trì độ ổn định về độ cao và theo dõi các đối tượng một cách chính xác để điều hướng chính xác trong các môi trường động.

Fig 5. Một camera được hiệu chuẩn trên xe tự lái.

Thực tế tăng cường (AR) và thực tế ảo (VR)#

Các AR and VR applications phụ thuộc vào việc hiệu chuẩn camera chính xác để căn chỉnh nội dung kỹ thuật số với các đối tượng trong thế giới thực. Nếu không được hiệu chuẩn đúng cách, các lớp phủ AR có thể bị trôi, xuất hiện lệch hướng hoặc tỷ lệ không chính xác, làm gián đoạn trải nghiệm người dùng.

Việc sửa lỗi méo ống kính là chìa khóa để làm cho các đối tượng ảo hòa trộn mượt mà vào môi trường thực. Nếu không có nó, các hiện tượng biến dạng có thể phá vỡ tính chân thực và làm giảm độ chính xác trong chơi game, mô phỏng huấn luyện và medical imaging. Hơn thế nữa, trong VR, hiệu chuẩn giúp nâng cao khả năng theo dõi chính xác các chuyển động của đầu và tay, cải thiện độ phản hồi và tạo ra trải nghiệm mượt mà, sống động hơn.

Fig 6. Thiết lập hiệu chuẩn camera 3D được sử dụng để tinh chỉnh các phép đo không gian.

Thị giác robot và tự động hóa công nghiệp#

Để robot nhìn thấy và tương tác với thế giới một cách chính xác, việc cân chỉnh camera đúng cách là rất quan trọng. Trong tự động hóa công nghiệp, robot dựa vào việc ước tính độ sâu để gắp, đặt và thao tác với các đối tượng một cách chính xác. Nếu không có cân chỉnh đúng, các sai lệch có thể gây ra lỗi trong đóng gói, lắp ráp và kiểm tra kiểm soát chất lượng.

Một thách thức quan trọng trong robotics là đo lường chính xác các đối tượng phẳng. Hiệu chuẩn giúp các cánh tay robot phát hiện chính xác kích thước, ngăn ngừa những sai sót có thể làm chậm hoặc gián đoạn quá trình sản xuất. Hiệu chuẩn 3D tiến xa hơn một bước bằng cách cho phép robot thích ứng khi các đối tượng hoặc vị trí thay đổi.

Các điểm chính cần lưu ý#

Cân chỉnh camera là một thành phần quan trọng của nhiều giải pháp thị giác máy tính. Nó đảm bảo các mô hình AI diễn giải hình ảnh một cách chính xác cho các tác vụ như phát hiện đối tượng, theo dõi và ước tính độ sâu. Các tham số nội tại và ngoại tại giúp căn khớp hình ảnh với các phép đo thực tế để ngăn chặn các biến dạng có thể ảnh hưởng đến các ứng dụng do AI điều khiển.

Khắc phục biến dạng ống kính là rất quan trọng cho các ứng dụng thực tế tăng cường, tự động hóa công nghiệp và các hệ thống đa camera. Khi AI phát triển, các phương pháp cân chỉnh camera tự động đang cải thiện hiệu suất, độ chính xác và độ tin cậy lâu dài trong các ứng dụng thực tế.