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

Camera không quan sát thế giới giống như con người. Thông thường, chúng ghi lại những hình ảnh bị biến dạng và thay đổi phối cảnh, điều này có thể ảnh hưởng đến độ chính xác của các mô hình AI thị giác. Cân chỉnh camera (camera calibration) có thể khắc phục những biến dạng này và đảm bảo rằng các mô hình thị giác máy tính có thể nhận diện các đối tượng như thực tế trong thế giới thực. Quá trình này bao gồm việc điều chỉnh độ biến dạng của ống kính, điều chỉnh tiêu cự và căn chỉnh cảm biến để giúp camera ghi lại những hình ảnh chính xác.

Cụ thể, việc cân chỉnh camera chính xác là chìa khóa để ước tính độ sâu và đo lường khoảng cách đúng đắn. Các mô hình AI thị giác như Ultralytics YOLO11 cần các đầu vào đã được cân chỉnh tốt để thực hiện nhiều tác vụ thị giác máy tính khác nhau như phát hiện đối tượng và ước tính tư thế. Nếu thiếu hình ảnh đầu vào phù hợp, hiệu suất mô hình có thể giảm sút và dẫn đến sai sót 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.

Link to this sectionTầm 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 cân chỉnh đúng cách, camera có thể gây ra biến dạng 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. Đặc biệt, các mô hình như YOLO11 hoạt động hiệu quả hơn khi dữ liệu đầu vào được cân chỉnh đúng cách, giúp giảm thiểu sai sót trong diễn giải không gian và cải thiện việc 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.

Hình 1. Một ví dụ về biến dạng ống kính (bên trái) được khắc phục bằng cách cân chỉnh camera (bên phải).

Link to this sectionTìm 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.

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

Link to this sectionCác 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.

Link to this sectionTham 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.

Link to this sectionTham số ngoại tại#

Cân chỉnh ngoại tại xác định cách một camera được định vị và định hướng so với thế giới thực, điều này đặc biệt quan trọng trong các hệ thống đa camera được sử dụng để cân chỉnh 3D, theo dõi đối tượng và cảm nhận độ sâu. Nó giúp máy bay không người lái, xe tự lái và các 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.
• Ma trận xoay (Rotation matrix): Nó xác định hướng của camera bằng cách chỉ rõ mức độ nghiêng, xoay hoặc góc độ so với một điểm tham chiếu. Nếu không được cân chỉnh chính xác, hình ảnh từ nhiều camera có thể không căn khớp đúng, gây ra các vấn đề trong tái tạo 3D, theo dõi đa camera và lập bản đồ không gian. Ví dụ, trong một xe tự lái, ma trận xoay không chính xác có thể làm sai lệch đầu vào của cảm biến, dẫn đến việc phát hiện làn đường không chính xác.

Link to this sectionTìm 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 được tính toán bằng cách sử dụng các phương pháp cân chỉnh như phát hiện mẫu bàn cờ, cân chỉnh dựa trên đối tượng 3D và tự cân chỉnh dựa trên AI, vốn ước tính các tham số chính bằng cách phân tích hình ảnh của các điểm tham chiếu đã biết.

Link to this sectionCác 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.

Link to this sectionCác 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.

Hình 3. Một bàn cờ cân chỉnh 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.

Link to this sectionCác 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 tập dữ liệu tổng hợp đang chuyển đổi việc cân chỉnh camera bằng cách cung cấp cho các mô hình AI dữ liệu huấn luyện đa dạng, được gán nhãn để tinh chỉnh các tham số và khắc phục biến dạng. Các tập dữ liệu này mô phỏng các điều kiện thực tế, giúp các mô hình AI học cách điều chỉnh các tham số nội tại và ngoại tại một cách linh hoạt mà không cần con người can thiệp.

Ví dụ, các framework tự cân chỉnh sử dụng các mô hình xác suất và học sâu để phân tích hình ảnh đơn ống kính, ước tính cấu trúc 3D và liên tục tinh chỉnh việc cân chỉnh. Dữ liệu tổng hợp nâng cao quy trình này bằng cách huấn luyện các mô hình xử lý các phối cảnh, sai lệch cảm biến và điều kiện ánh sáng khác nhau, cải thiện khả năng ước tính độ sâu, theo dõi vật cản và độ chính xác không gian trong các ứng dụng như lái xe tự động và robot.

Hình 4. Một hệ thống AI thị giác tự cân chỉnh có khả năng hiểu giao thông.

Link to this sectionCác 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.

Link to this sectionXe tự lái và điều hướng máy bay không người lái#

Đối với xe tự lái và máy bay không người lái tự hành, cân chỉnh camera chính xác là rất quan trọng để điều hướng an toàn và tin cậy. Các hệ thống này dựa vào việc ước tính độ sâu và tính toán khoảng cách để phát hiện vật cản, theo dõi vạch kẻ đường và đánh giá các đối tượng xung quanh. Cân chỉnh kém có thể gây ra những hiểu lầm về khoảng cách, dẫn đến các quyết định sai lầm 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.

Hình 5. Một camera được cân chỉnh trong xe tự lái.

Link to this sectionThực tế tăng cường (AR) và thực tế ảo (VR)#

Các ứng dụng AR và VR dựa vào việc cân chỉnh camera chính xác để căn chỉnh nội dung kỹ thuật số với các đối tượng trong thế giới thực. Nếu không được cân chỉnh đúng cách, các lớp phủ AR có thể bị trôi, lệch lạc hoặc tỷ lệ không chính xác, gây gián đoạn trải nghiệm người dùng.

Khắc phục biến dạng ống kính là chìa khóa để làm cho các đối tượng ảo hòa nhập liền mạch vào các môi trường thực. Nếu không có nó, các biến dạng có thể phá vỡ sự nhập tâm và giảm độ chính xác trong trò chơi, các mô phỏng đào tạo và chẩn đoán hình ảnh y tế. Hơn nữa, trong VR, việc cân chỉnh nâng cao khả năng theo dõi chính xác chuyển động của đầu và tay, cải thiện độ phản hồi và tạo ra trải nghiệm mượt mà, nhập tâm hơn.

Hình 6. Một thiết lập cân chỉnh camera 3D được sử dụng để tinh chỉnh các phép đo không gian.

Link to this sectionThị 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 chính trong robot là đo lường chính xác các đối tượng phẳng. Việc cân chỉnh giúp cánh tay robot phát hiện kích thước chính xác, ngăn ngừa các tính toán sai lệch có thể làm chậm hoặc gián đoạn quá trình sản xuất. Cân chỉnh 3D đưa việc này tiến xa hơn bằng cách cho phép robot thích ứng khi các đối tượng hoặc vị trí thay đổi.

Link to this sectionCác 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.