全景3D视频合成——多视角相机同步数据采集后利用colmap标定，用标定板的角点方式提取内外参数

最新推荐文章于 2025-03-25 11:22:46 发布

探鱼

最新推荐文章于 2025-03-25 11:22:46 发布

阅读量2.3k

点赞数 2

文章标签：数码相机

本文链接：https://blog.youkuaiyun.com/weixin_43159220/article/details/132557533

版权

本文讲述了使用Colmap进行特征提取、标定、匹配和三维重建的完整步骤，涉及OpenCV和CMake的使用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.colmap提取特征点

# 命令行执行
colmap feature_extractor --database_path database.db --image_path images/ --ImageReader.camera_model OPENCV

2.提取标定板的角点，生成匹配点对(生成matches.txt)

# 编译脚本文件charuco，生成run_charuco
cmake
make -j16
# 运行build中生成的可执行文件
./run_charuco

3.colmap执行特征匹配

colmap matches_importer --database_path database1.db --match_list_path matches.txt --match_type 'inliers'
# 生成matches.txt匹配图像对列表

4.colmap在进行特征提取和匹配后，使用 SfM 对数据集进行稀疏三维重建/映射。

colmap mapper --database_path database1.db --image_path images/ --output_path ./
# 会当前路径下生成名为0的文件夹，里面有重建后的文件相机，图像和3D点信息（.bin文件）

5.colmap模型转换，把colmap格式数据转换为其他格式

colmap model_converter --input_path ./0/ --output_path ./0/ --output_type TXT
# 会把.bin模型文件转换成指定的.txt文件

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

探鱼

关注关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

1.6 点云数据获取方式——单目相机多视图几何

qq625924821的博客

04-29

596

给定一个不受约束的图像集合，可能是小的（1 张图像）或大的（> 1000 张图像），我们首先使用高效的图像检索技术计算稀疏场景图，给定冻结的 MASt3R 的每张图像特征。早期的研究主要基于简单的几何投影原理，尝试通过手工测量图像中的特征点，利用三角测量方法估算物体的空间位置。其中， (u,v) 为图像平面上的像素坐标， (X,Y,Z) 为三维空间点在相机坐标系下的坐标， fx 和 fy 分别为相机在 x 和 y 方向的焦距， (u0 ,v0 ) 为图像平面的主点坐标， Z 为三维点到相机光心的距离。

三维重建（十八）——colmap的使用（粗浅）

热门推荐

BigYouYou

11-17

1万+

COLMAP简明教程导入指定参数命令行导出深度图

Colmap根据相机内外参数重建稀疏模型

m0_47677188的博客

08-05

6535

Colmap根据相机内外参数重建稀疏模型1.创建稀疏模型工作文件夹2.命令行执行稀疏重建2.1提取图像特征点2.2手动导入相机内参2.3特征匹配2.4三角测量官方文档：https://colmap.github.io/faq.html#reconstruct-sparse-dense-model-from-known-camera-poses 参考博客： http://www.mamicode.com/info-detail-2838274.html 1.创建稀疏模型工作文件夹

一个3D场景棋盘+物体的手持相机扫描colmap密集重建点云

02-21

图中可见一个白色圆形框架结构被放置在黑白棋盘格标定板上，通过手持相机多角度拍摄后，使用COLMAP进行SFM（运动恢复结构）和密集重建，生成了场景的三维点云数据。这种重建方式能够准确捕捉物体的几何特征和空间...

基于OpenCV的多视角视觉测量系统标定

12-04

1 引言在线结构光多视角视觉测量系统应用中,系统标定通常是既繁琐又关键的技术环节,由于算法复杂,目前还没有一种通用有效的标准方法。由于 OpenCV 是一种开源计算机视觉库,实现了大量通用算法,涉及到图像处理、摄像机标定等技术,因此,本文提出并实现了基于 OpenCV 的多视角视觉测量系统标定方法

无需标定板！Galibr：无需目标的LiDAR相机外参标定新方法

计算机视觉工坊

06-19

366

这篇文章介绍了一种名为 Galibr 的新型激光雷达-相机外参标定方法，该方法无需任何标定板，即可在任何自然环境中进行。Galibr利用地面平面和边缘信息，通过两个主要步骤进行标定：基于地面平面的初始位姿估计(GP-init) 和基于边缘提取和匹配的细化阶段。该方法在非结构化自然环境中展现出优异的性能，并在KITTI数据集和 KAIST 四足机器人数据集上进行了测试。图1：Galibr估计激光雷达相机的外部校准结果分为两个步骤:使用地平面进行初始相对姿态估计和基于边缘匹配的外部校准。

基于图像的多视角立体视觉三维重建（二）——张正友相机标定原理与代码实现

薛定谔的猫头咕咕咕

09-29

2156

相机标定相机标定：给定物体的参考坐标(x,y,z)(x,y,z)(x,y,z)和它的像素坐标(u,v)(u,v)(u,v)确定相机的内部参数和外部参数。内参：fx,fy,cx,cy,k1,k2,k3,p1,p2f_{x}, f_{y}, c_{x}, c_{y}, k_{1}, k_{2}, k_{3}, p_{1}, p_{2}fx,fy,cx,cy,k1,k2,k3,p1,p2 外参：R,tR, tR,t 传统的相机标定方法：在一定的相机模型下，基于特定的实验条件如形状、尺寸

Colmap学习二：前端部分（特征点提取、匹配与剔除）

今天写代码了吗

05-18

8882

1 Colmap特征提取和描述 colmap一般使用sift-gpu，涉及的知识： 1.1 图像金字塔：DOG图像金字塔，再找极值 1.2 SIFT特征检测与描述：确定主方向和128维的描述子，再归一化(消除光照的影响)。其中由于Euclidean distance 容易受较大值的影响，使用 Hellinger distance更稳定。colmap先对sift的结果进行L1 normalize，再对每一个元素求平方根，得到的结果便是L2 normalized。在论文中给出了使用RootSIFT匹配的结果优

三维重建（SFM）：针对360全景切割图像的单目重建的增量问题的分析与改进（colmap）

huqinwei的专栏

10-14

3612

360摄像机街拍视频根据FOV切割5视角图片进行重建。使用colmap进行点云生成。分块本身对AR增量过程产生影响的典型情况示意图：因为匹配度不佳，结构脆弱，分块导致图片间匹配割裂。分块后增量实验：以742张图的第一块为例。增量产生多块子模型的间接原因：首次Reconstruct失败，产生0个manager，for循环，放宽参数继续重建（如成功，则size大于0，break）：产生多块的直接原因：启用了“多子模型”模式，一次性无法注册所有图片，且...

colmap多相机重建多场景及数据库数据快速修改方法

zeeq的博客

05-03

4372

colmap的数据库是可以直接通过ui界面的database management进行修改的，但是通过这种方式，每次只能修改一个单元格的数据，在需要修改的数据量很大的情况下，这将会是一件非常耗时的重复性劳动，且很有可能发生错漏。比如，我在跑数据的时候，就遇到这么一个问题，原本只是有五个不同镜头的倾斜摄影图像，且每个镜头拍摄的图像都放置在图像目录下的不同文件夹里了，按理说应该只会有五个相机模型，但是在提取特征点的时候，colmap给我创建了18个相机模型，这显然是不对的。设置完成后，关闭该选项页，然后点击。

标定系列——Ubuntu18.04下源码安装Colmap3.8（二十一）

曾经也曾立志

04-09

498

Ubuntu18.04安装Colmap3.8，标定过程中用到的一个tool。

colmap

weixin_42764932的博客

07-12

9810

colmap三维重建流程稀疏重建colmap GUI使用输入处理1.特征提取2.特征匹配3. 增量式重建输出colmap 命令行特征提取特征匹配建稀疏图 colmap是用于三维重建的经典软件三维重建流程基于MVS的三维重建技术流程包括以下步骤：数据采集，稀疏重建，深度图估计和稠密重建；稀疏重建稀疏重建的基本流程如下图所示，最终得到场景中的相机姿态和表示场景结构的稀疏点云；我们主要利用SfM进行稀疏重建 SfM，(Structure From Motion，从运动中恢复结构)，是一种从一组不同

COLMAP多视角视图数据可视化

木盏

03-25

3431

这篇博文主要介绍多视角三维重建的实用工具COLMAP。为了让读者更快确定此文是否为自己想找的内容，我先用简单几句话来描述此文做的事情：假设我们针对一个物体（人）采集了多个（假设60个）视角的照片，希望用COLMAP实现：(1)通过不同视角之间的特征匹配算出每个视角的相机位资（内外参）；(2) 对物体进行初步的稀疏重建，完成多视角数据的可视化（详见图3）。

colmap 相机参数

01-17

### COLMAP 中相机参数的设置与调整 #### 设置单个图像的相机参数如果对于每张图片都拥有先验的相机参数，则可以直接应用这些已知参数。这允许更精确地控制重建过程，因为不需要依赖软件自行估算可能不准确的数据[^1]。 ```bash colmap feature_extractor \ --image_path path_to_images \ --database_path database.db \ --ImageReader.camera_model PINHOLE \ --ImageReader.camera_params "fx,fy,cx,cy" ``` 上述命令展示了如何指定特定类型的摄像机模型（这里使用的是针孔模型），并提供具体的内参作为输入。`--ImageReader.single_camera 0` 表明每一幅图像是由不同摄像头拍摄而来；而 `camera_params` 参数则用于定义焦距 (`fx`, `fy`) 和主点坐标 (`cx`, `cy`)。 #### 多张图片共享同一套相机参数当希望多张照片共用一套固定的内部参数时，可以通过设定 `single_camera=1` 来实现这一点。这样做有助于简化优化流程，并减少自由度带来的不确定性。然而需要注意的是，在这种情况下，所有参与建模的照片应该确实来源于相同的设备或具有非常相似的光学特性。 ```bash colmap feature_extractor \ --image_path path_to_images \ --database_path database.db \ --ImageReader.camera_model SIMPLE_PINHOL\ --ImageReader.single_camera 1 \ --ImageReader.camera_params "f,ppx,ppy" ``` 此脚本片段说明了怎样配置简单针孔模型下的统一相机属性，其中仅需给出单一焦距(`f`)以及光心位置(`ppx`,`ppy`)即可完成初始化工作。 #### 自动估计相机参数在某些情形下，尤其是面对大量未知源文件或是复杂变化环境里的影像资料集时，可以让 COLMAP 自动生成最合适的相机描述符。不过这种方法存在局限性——特别是当各帧间差异较大时可能导致失败的结果。因此建议尽可能多地收集关于成像装置的信息以便更好地指导算法收敛于正确解空间之内。 ```bash colmap exhaustive_matcher \ --database_path database.db colmap mapper \ --database_path database.db \ --image_path path_to_images \ --output_path sparse/reconstruction ``` 执行以上指令序列能够启动特征匹配环节继而开展三维结构重建任务，期间程序会尝试推断出最佳拟合所给定数据集的整体框架及其对应的视角变换矩阵集合。 #### 图像去畸变预处理考虑到实际采集过程中不可避免会出现一定程度上的形变失真现象，所以在正式导入之前最好先行实施校正措施以消除此类干扰因素的影响。这样做的好处是可以提高最终输出质量的同时也利于后续操作阶段中的精度把控[^3]。 ```python import cv2 as cv # 加载原始图像 img = cv.imread('distorted_image.png') # 定义相机矩阵K和畸变系数D K = np.array([[fx, 0 , cx], [0 , fy, cy], [0 , 0 , 1 ]]) D = np.array([k1,k2,p1,p2]) # 执行去畸变 undistorted_img = cv.undistort(img,K,D) cv.imwrite('corrected_image.png', undistorted_img) ``` 这段 Python 脚本示范了基于 OpenCV 库函数来进行基本形式的径向及切向分量补偿的方法论，从而获得更加贴近事实状况的理想化视觉表达效果。