双目视觉标定－2.单目视觉标定opencv代码实战

本篇文章会通过代码来进一步解释如何进行双目视觉标定，需要配合上一篇理论一起食用，还没有看过理论篇的宝子，链接在这里：双目视觉标定－1视觉成像理论知识-优快云博客

目录

1. 什么是相机标定 Camera Calibration

2. 用Opencv进行相机标定

3. 相机标定的三种方法

4. 相机标定具体步骤及实现

       a. 用已知大小棋盘格进行真实世界3D坐标的定义 

       b. 从不同的角度获取棋盘格照片

       c. 用findChessboardCorners寻找在不同照片中3D坐标对应的2d图像坐标

        c.1 寻找棋盘格的corner

        c.2 找到更精确棋盘格corner

       d. 用calibrateCamera寻找相机参数

       e. 细化相机矩阵

       f. 让图像返璞归真（取消失真）

5. 单目视觉标定代码展示

6总结

---

1. 什么是相机标定 Camera Calibration

估计相机参数的过程称为相机标定。

看过上一篇的小伙伴应该对于从3d世界坐标转换到2d图像坐标用到的相机参数有些印象，但可能不多，毕竟刚开始掌握知识。我们的目标就是用一系列已知的3d现实世界坐标以及对应的图像坐标，寻找内参矩阵K，旋转矩阵R，平移向量t

相机参数一共有两种：

1. 内参 Internal Parameters

        a.光学中心optical center

        b焦距focal length

        c还没提到的镜头的转盘畸变系数radial distortion coefficient

2. 外参 External Parameters

        a.旋转矩阵

        b.平移向量

下面就是经过参数标定的畸变图像结果:

2. 用Opencv进行相机标定

上一篇我们是分布进行每个步骤的表示，现在我们直接把从现实世界的3d坐标（Xw，Yw，Zw，1）转换为图像世界的2d pixel坐标（u， v）一步表示为下方的方程：

P Projection Matrix 3×4的矩阵包含两个大矩阵的乘法，3×3内参矩阵 Intrinsic Matrix K和3×4 Extrinsic Matrix（由3×3旋转矩阵和3×1平移向量组成）

3. 相机标定的三种方法

1. 校准图案：从不同的角度捕获已知尺寸的物体或图案的多个图像。我们将在这篇文章中学习的基于棋盘chess board的方法就属于这一类。我们还可以使用已知尺寸的圆形图案来代替棋盘图案。（重点掌握）
2. 几何线索：利用场景中其他几何线索，例如直线和消失点，可用于校准。
3. 基于深度学习：当我们对成像设置的控制很少时（例如，我们只有场景的单个图像），仍然可以使用基于深度学习的方法获得相机的校准信息。

4. 相机标定具体步骤及实现

       a. 用已知大小棋盘格进行真实世界3D坐标的定义 

棋盘格图案在图像中清晰且易于检测。还有棋盘上正方形的角非常适合定位它们，在两个方向上都有急剧变化的梯度。此外，这些角还由于它们位于棋盘线的交叉点而相互连接。所有这些事实都用于可靠地定位棋盘图案中正方形的角点。
真实世界的坐标被固定在这个贴在墙上的棋盘格，我们选择的3d点是角点，任意交点都可以被选择为原点，Xw，Yw沿着墙，Zw轴垂直于墙。为了简单起见，我们可以说棋盘在 XY 平面上保持静止（因此 Z=0 ），并且相机相应地移动。这种考虑有助于我们仅找到 X,Y 值。

现在，对于 X,Y 值，我们可以简单地将点写为 (0,0)、(1,0)、(2,0)...，这表示点的位置。在这种情况下，我们得到的结果将以棋盘正方形的大小为单位。但如果我们知道正方形的尺寸（例如 30 毫米），我们可以将值传递为 (0,0)、(30,0)、(60,0)、...。因此，我们得到的结果以毫米为单位。