D435I相机标定(待更)

一、概念

1.内参和外参

图和内容参考相机内参标定究竟标了什么?相机内参外参保姆级教程 - 知乎 (zhihu.com)

(14条消息) 相机模型-----内参、外参、标定、例子_相机内参数矩阵举例_纳百川@容苍穹的博客-优快云博客

图1

       了解标定,先要明白图像处理中的四个坐标系(14条消息) 图像处理——4个坐标系及相关转换图像像素坐标系 图像物理坐标系 相机坐标系 世界坐标系_MengYa_DreamZ的博客-优快云博客

      相机内参的标定是为了建立像素坐标系和现实坐标系之间的关系:

1)从相机坐标系到图像坐标系

       如图2,P表示的是相机坐标系的P点位置,p表示的是图像坐标系下P点的位置 ,由相似三角形的推导可以得到。

       其中f是相机的焦距。

在这里插入图片描述

图2

 2)从图像坐标系到像素坐标系

       然而在程序中获取的是像素坐标系下的点的位置,如图3,需要建立像素坐标系和图像坐标系之间的关系:

       其中dx、dy表示x、y方向上1mm(单位长度)包含的像素个数。

在这里插入图片描述

图3

 3)内参矩阵1

      由1)和2)得到相机的内参矩阵K: 

      其中,fx=f/dx;fy=f/dy 

图4 

4)内参矩阵2

        如果考虑畸变:

        畸变分为两种,径向畸变和切向畸变,径向畸变是因为透镜在不同位置对光线折射程度不同而产生的,可以分为桶形畸变和枕形畸变。切向畸变分为薄透镜畸变和离心畸变。

图5 

图6

       径向畸变可以用泰勒展开式来修正:(r表示该点距成像中心的距离)

       切向畸变修正公式:

         总结起来可以得到如下的畸变修正公式相机径向和切向畸变及去畸变 - 知乎 (zhihu.com)其中k1、k2、k3、p1、p2为畸变系数,对于廉价的网络摄像头,我们一般使用前两个径向畸变参数 k1,k2 就足够了。对于高度畸变的相机如鱼眼镜头,我们可以使用第三个径向畸变参数项 k1,k2,k3。

图7

         像素坐标系的u、v轴和图像坐标系的x、y轴可能不平行,此时需要对2)中得到的矩阵进行修正:最详细、最完整的相机标定讲解_畸变 (sohu.com)

目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值