摄像机标定

转自： http://blog.sina.com.cn/s/blog_b5aa3e0f0101a4tx.html 1、摄像机外参：决定摄像机坐标与世界坐标系之间相对位置关系。 其中Pw为世界坐标，Pc是摄像机坐标，他们之间关系为 Pc = RPw + T 式中，T= (Tx,Ty,Tz)，是平移向量，R = R(α,β,γ)是旋转矩阵，分别是绕摄像机坐标系z轴旋转角度为γ，绕y轴旋转角度为β，绕x轴旋转角度为α。6个参数组成（α,β,γ,Tx,Ty,Tz)为摄像机外参。 2、摄像机内参：确定摄像机从三维空间到二维图像的投影关系。 针孔_摄像机模型为6个参数（f,κ,Sx,Sy,Cx,Cy)；远心摄像机模型为5个参数（f,Sx,Sy,Cx,Cy）。 线阵摄像机为9个参数（f,κ,Sx,Sy,Cx,Cy,width.highth)。 其中，f为焦距； κ表示径向畸变量级，如果κ为负值，畸变为桶型畸变，如果为正值，那畸变为枕型畸变。 Sx,Sy是缩放比例因子。对针孔_摄像机来讲，表示图像传感器上水平和垂直方向上相邻像素之间的距离； 对于远心摄像机模型，表示像素在世界坐标系中的尺寸。 Cx,Cy是图像的主点。对针孔_摄像机来讲，这个点是投影中心在成像平面上的垂直投影，同时也是径向 畸变的中心 。 对于远心摄像机模型，只表示畸变的中心 。 Vx,Vy,Vz

摄像机标定程序： 注意：E:/calibration_image ：为标定图像文件路径 'E:/calibration_description/caltab_123mm.descr：为标定描述文件路径 *作者：骑蚂蚁上高速 *程序开始 list_files ('E:/calibration_image', 'files', ImageFiles) TmpCtrl_AllMarkRows := [] TmpCtrl_AllMarkColumns := [] TmpCtrl_StartPoses := [] TmpCtrl_ReferenceIndex := 0 StartParameters := [0.008,0,5.2e-006,5.2e-006,640,512,1280,1024] for Index := 0 to |ImageFiles|-1 by 1 read_image (Image, ImageFiles[Index]) find_caltab (Image, TmpObj_PlateRegion, 'E:/calibration_description/caltab_123mm.descr', 3, 112, 5) find_marks_and_pose (Image, TmpObj_PlateRegion, 'E:/calibration_description

在计算机视觉中，通过相机标定能够获取一定的参数，其原理是基于三大坐标系之间的转换和摄像机的畸变参数矩阵。在实验中经常用张正友标定发，进行摄像机标定，获取到内参数矩阵和外参数矩阵以及畸变参数矩阵。在应用中要区分三者作用。这也是在程序中函数输入量。 一、三大坐标系 在计算机视觉中，利用图像中目标的二维信息获取目标的三维信息，肯定需要相机模型的之间转化。 1、图像坐标系 在计算机系统中，描述图像的大小是像素，比如图像分辨率是1240*768.也就就是以为图像具矩阵rows是1024，cols是768.那图像的原点是在图像的左上角。 以图像左上角为原点建立以像素为单位的直接坐标系u-v。像素的横坐标u与纵坐标v分别是在其图像数组中所在的列数与所在行数。这是像素坐标，而不是物理坐标，为了后续的模型转换，有必要建立图像坐标系。 图像坐标系是以图像中心为原点，X轴和u轴平行，Y轴和v轴平行。 dx和dy标示图像中每个像素在X轴和Y轴的物理尺寸，其实就是换算比例。比如图像大小是1024*768，图像坐标系x-y中大小为19*17.那么dx就是19/1024 . 则图像中的每个像素在u-v坐标系中的坐标和在x-y坐标系中的坐标之间都存在如下的关系： (上述公式中我们假设物理坐标系中的单位为毫米，那么dx的的单位为:毫米/像素。那么x/dx的单位就是像素了，即和u的单位一样都是像素） 为了使用方便

http://blog.csdn.net/aptx704610875/article/details/48914043 标定实例 一.总体原理： 摄像机标定(Camera calibration)简单来说是从世界坐标系换到图像坐标系的过程，也就是求最终的投影矩阵的过程。 [1]基本的坐标系： 世界坐标系； 相机坐标系； 成像平面坐标系； 像素坐标系 [2 ]一般来说，标定的过程分为两个部分： 第一步是从世界坐标系转为相机坐标系，这一步是 三维点到三维点 的转换，包括R，t （相机外参， 确定了相机在某个三维空间中的位置和朝向 ）等参数； 第二部是从相机坐标系转为 成像平面 坐标系（ 像素坐标系 ），这一步是 三维点到二维点 的转换，包括K（ 相机内参, 是对相机物理特性的近似 ）等参数； 投影矩阵 ： P=K [ R | t ] 是一个3×4矩阵，混合了内参和外参而成。 P = K [ R t ] 二.基本知识介绍及 1、摄像机模型 Pinhole Camera模型如下图所示： 是一个小孔成像的模型，其中： [1] O 点表示 camera centre ，即相机的中心点，也是相机坐标系的中心点； [2]z轴表示 principal axis ，即相机的主轴； [3]q点所在的平面表示 image plane ，即相机的像平面，也就是图片坐标系所在的二维平面； [4] O1 点表示

　　 　　最近方向定下来是双目立体视觉，主要是做重建这块的研究。大致过程是图像获取->摄像机标定->特征提取->匹配->三维重建，当然开始可以进行图像预处理，矫正，后期可以进行点云的进一步处理，如渲染表面使其更接近于现实物体。 　　图像获取相对来说比较简单，用相机拍摄目标物（大型场景或特定小型的室内物体）。但有两点需要注意： 　　1、双目重建所需的图像一般为两张，角度相差不应过大，否则公共部分太少以至于重建效果不佳；整个过程简便，成本也不高，但缺陷是只有两张图像的点云所表示的物体信息不会很全面； 　　2、标定所需的图像又是另外拍摄的，用张正友标定法的话，把印有黑白棋盘格的图像粘至硬纸板上，然后左右摄像机各自进行拍摄，理论上获得角度（图像）越多，最终标定结果越精确；标定板见下图： 　　这里主要结合OpenCV对左右摄像机标定做一个简单的介绍，望朋友们指正，一起交流、进步。 　　摄像机的标定问题是机器视觉领域的入门问题，可以分为传统的摄像机定标方法和摄像机自定标方法。定标的方法有很多中常见的有：Tsai（传统）和张正友（介于传统和自定标）等， 　　摄像机成像模型和四个坐标系（通用原理）。 　　摄像机模型采用经典的小孔模型，如图中Oc（光心），像面π表示的是视野平面，其到光心的距离为f（镜头焦距）。 　　四个坐标系分别为：世界坐标系（Ow），摄像机坐标系（Oc），图像物理坐标系（O1

0.前言 接触双目相机标定有一段时间了，这里将自己的学习进行一下小结。双目标定的目的是用于后面的双目测距，不过有关双目测距的内容这里先只介绍双目测距的原理，不涉及双目测距算法。 1.三角测量 这一部分内容《学习opencv》中文版的p452-p454有了详细的论述 注意得到最后的公式是存在很多前提的，包括： （1）两台摄像机光轴平行、焦距相等， 且各自的主点具有相同的像素坐标 （2）两台摄像机成像平面共面且像素行对齐 不过我们拿到的双摄设备往往不能达到这种要求，所以需要标定这一步骤来进行相关的校正 2.双目标定 opencv已经提供了一个demo（samples\cpp\stereo_calib.cpp）实现了标定流程。在此之前按照《学习opencv》相关内容进行不同角度棋盘格图像的采集，选取包含较多位置、角度变化的10-20对图像作为待处理数据。 自己使用vs2015+opencv310，调用stereo_calib.cpp封装好的函数进行了标定，目测效果还可以。这里将附有注释的代码附上来 stereo_calib.h #ifndef _STEREO_CALIB_H_ #define _STEREO_CALIB_H_ #include <io.h> #include "opencv2/calib3d/calib3d.hpp" #include "opencv2/imgcodecs

转载链接： https://blog.csdn.net/weixin_40554881/article/details/80605649 在命令行输入stereoCameraCalibrator，出现如下界面： 然后将上面的“Skew”、“Tangential Distortion”以及“3 Coefficients”等选项选上，将“2 Coefficients”选项去掉，如下： 然后点击添加图像，出现如下界面： Camera1代表左摄像头，Camera2代表右摄像头，分别选择存放着左右图像的文件夹，需要特别注意的是棋盘格的边长应该根据打印的实际大小填写，单位可以选择 然后点击OK，程序会自动检测采集的图像到底有多少可以使用，可以说MATLAB2015的这个工具十分挑剔，如果角度不好的话，将使用不了，因此在采集图像时，最好多的采集一些。(此处只是为了说明标定步骤，所以使用的图像较少)。 点击 按钮，开始标定： 从下图可以看到，平均的标定误差以及标定过程中误差较大的的图像对。 点击选择不想接受的误差直方图，可以直接在左边的图像对中找到对应的图像，右键选择“Remove and Recalibrate”： 点击 选择Export camera parameters, 并点击“OK”。 回到顶部 标定结束后，会得到如下标定参数：

https://blog.csdn.net/u012319493/article/details/77622053 来源 张正友相机标定Opencv实现以及标定流程&&标定结果评价&&图像矫正流程解析（附标定程序和棋盘图） https://my.oschina.net/abcijkxyz/blog/787659 将openCV安装目录下的“opencv2.4.8\opencv\sources\samples\cpp”中的有关棋盘的图片复制到工程目录下 这里写图片描述 在“calibdata.txt”中写入以下内容： left01.jpg left02.jpg left03.jpg left04.jpg left05.jpg left06.jpg left07.jpg left08.jpg left09.jpg left10.jpg #include <iostream> #include <sstream> #include <time.h> #include <stdio.h> #include <fstream> #include <opencv2/core/core.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/calib3d/calib3d.hpp> #include <opencv2

本文作者蔡量力，公众号：计算机视觉life成员，由于格式原因，公式显示可能出问题，建议阅读原文链接： 综述 | 相机标定方法 另外推荐几个原创的号 计算机视觉，Python，自然语言处理、数据挖掘相关，汇总最新资源，学习更高效！ ​ 在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立相机成像的几何模型，这些几何模型参数就是相机参数。在大多数条件下这些参数（内参、外参、畸变参数）必须通过实验与计算才能得到，这个求解参数的过程就称之为相机标定（或摄像机标定）。无论是在图像测量或者机器视觉应用中，相机参数的标定都是非常关键的环节，其标定结果的精度及算法的稳定性直接影响相机工作产生结果的准确性。因此，做好相机标定是做好后续工作的前提，提高标定精度是科研工作的重点所在。 ​ 标定的目的主要为解决两个问题： ​ a、确定世界坐标系下三维空间点与像素平面像素点间的转换关系（内外参）； ​ b、确定相机成像过程中的畸变系，用于图像矫正。 针孔相机模型 相机将三维世界中的坐标点（单位：米）映射到二维图像平面（单位：像素）的过程能够用一个几何模型来描述，其中最简单的称为 针孔相机模型 (pinhole camera model) ，其框架如下图所示: 其中，涉及到相机标定涉及到了四大坐标系，分别为： 像素坐标系