三维重建-相机标定

相机标定就是设置各种参数（即投影公式中的项目）的过程。

相机标定的目的：获取摄像机的内参和外参矩阵（同时也会得到每一幅标定图像的选择和平移矩阵），内参和外参系数可以对之后相机拍摄的图像就进行矫正，得到畸变相对很小的图像。

相机标定的输入：标定图像上所有内角点的图像坐标，标定板图像上所有内角点的空间三维坐标（一般情况下假定图像位于Z=0平面上）。

相机标定的输出：摄像机的内参、外参系数。

过程：

  1. 准备标定图片
  2. 对每一张标定图片，提取角点信息（先说明角点数量，再利用函数findchessboardcorners）

FindChessboardCorners是opencv的一个函数，可以用来寻找棋盘图的内角点位置。

　　　　int cvFindChessboardCorners( const void* image, CvSize pattern_size, CvPoint2D32f* corners, int* corner_count=NULL, int flags=CV_CALIB_CB_ADAPTIVE_THRESH );

　　　　

Image:

输入的棋盘图，必须是8位的灰度或者彩色图像。

pattern_size:

棋盘图中每行和每列角点的个数。

Corners:

检测到的角点

corner_count:

输出，角点的个数。如果不是NULL，函数将检测到的角点的个数存储于此变量。

Flags:

各种操作标志，可以是0或者下面值的组合：

CV_CALIB_CB_ADAPTIVE_THRESH -使用自适应阈值（通过平均图像亮度计算得到）将图像转换为黑白图，而不是一个固定的阈值。

CV_CALIB_CB_NORMALIZE_IMAGE -在利用固定阈值或者自适应的阈值进行二值化之前，先使用cvNormalizeHist来均衡化图像亮度。

CV_CALIB_CB_FILTER_QUADS -使用其他的准则（如轮廓面积，周长，方形形状）来去除在轮廓检测阶段检测到的错误方块。

　　　　注意：

  • pattern_size参数传递内点数，8*8的棋盘只有7*7内点。
  1. 对每一张标定图片，进一步提取亚像素角点信息

cv::goodFeaturesToTrack()提取到的角点只能达到像素级别，在很多情况下并不能满足实际的需求，这时，我们则需要使用cv::cornerSubPix()对检测到的角点作进一步的优化计算，可使角点的精度达到亚像素级别。

具体调用形式如下：

 void cv::cornerSubPix(
        cv::InputArray image, // 输入图像
        cv::InputOutputArray corners, // 角点（既作为输入也作为输出）
        cv::Size winSize, // 区域大小为 NXN; N=(winSize*2+1)
        cv::Size zeroZone, // 类似于winSize，但是总具有较小的范围，Size(-1,-1)表示忽略
        cv::TermCriteria criteria // 停止优化的标准
    );

　　　　

第一个参数是输入图像，和cv::goodFeaturesToTrack()中的输入图像是同一个图像。
第二个参数是检测到的角点，即是输入也是输出。

第三个参数是计算亚像素角点时考虑的区域的大小，大小为NXN; N=(winSize*2+1)。

第四个参数作用类似于winSize，但是总是具有较小的范围，通常忽略（即Size(-1, -1)）。

第五个参数用于表示计算亚像素时停止迭代的标准，可选的值有cv::TermCriteria::MAX_ITER 、cv::TermCriteria::EPS（可以是两者其一，或两者均选），前者表示迭代次数达到了最大次数时停止，后者表示角点位置变化的最小值已经达到最小时停止迭代。二者均使用cv::TermCriteria()构造函数进行指定。


   

  1. 在棋盘标定图上绘制找到的内角点（非必须，仅为了显示）
cvDrawChessboardCorners(
IntPtr image,
Size patternSize,
IntPtr corners,
int count,
int patternWasFound
)
image——输入的目标图像，必须是8位彩色图像
patternSize——内心的角落每棋盘的行和列的数目角，也就是标定板角点的行数和列数
corners——检测到的角阵列，也就是用cvFindCornerSubPix函数检测到的角点的坐标（cvFindCornerSubPix的第二个参数）
count——角数，每张标定图所有角点的数目
patternWasFound——指出是否已找到所有的角点（该值为0表示不能找到所有的角点，不为0则表示能够找出所有的角点），该参数值由cvFindChessboardCorners函数的返回值给出
  1. 相机标定

　　　　

double cv::calibrateCamera (
InputArrayOfArrays objectPoints,//世界坐标系中的点。在使用时，应该输入vector< vector< Point3f > >。
InputArrayOfArrays imagePoints,//其对应的图像点。和objectPoints一样，应该输入vector< vector< Point2f > >型的变量。
Size imageSize,//图像的大小，在计算相机的内参数和畸变矩阵需要用到；
InputOutputArray cameraMatrix,//内参数矩阵。输入一个Mat cameraMatrix即可。
InputOutputArray distCoeffs,//畸变矩阵。输入一个Mat distCoeffs即可。
OutputArrayOfArrays rvecs,//旋转向量；应该输入一个Mat的vector，即vector< Mat > rvecs因为每个vector< Point3f >会得到一个rvecs。
OutputArrayOfArrays tvecs,//位移向量；和rvecs一样，也应该为vector tvecs。
int flags = 0,
TermCriteria criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, DBL_EPSILON)
)

o：

stdDeviationsIntrinsics ：内参数的输出向量。输出顺序为: (fx,fy,cx,cy,k1,k2,p1,p2,k3,k4,k5,k6,s1,s2,s3,s4,τx,τy) ，如果不估计其中某一个参数，值等于0

stdDeviationsExtrinsics ：外参数的输出向量。输出顺序: (R1,T1,…,RM,TM) ，M是标定图片的个数, Ri,Ti 是1x3的向量 。

perViewErrors 每个标定图片的重投影均方根误差的输出向量。

criteria： 迭代优化算法的终止准则

flags ：标定函数是所采用的模型（重点）”。
可输入如下某个或者某几个参数：

CV_CALIB_USE_INTRINSIC_GUESS：使用该参数时，将包含有效的fx,fy,cx,cy的估计值的内参矩阵cameraMatrix，作为初始值输入，然后函数对其做进一步优化。如果不使用这个参数，用图像的中心点初始化光轴点坐标(cx, cy)，使用最小二乘估算出fx，fy（这种求法好像和张正友的论文不一样，不知道为何要这样处理）。注意，如果已知内部参数（内参矩阵和畸变系数），就不需要使用这个函数来估计外参，可以使用solvepnp()函数计算外参数矩阵。

CV_CALIB_FIX_PRINCIPAL_POINT：在进行优化时会固定光轴点，光轴点将保持为图像的中心点。当CV_CALIB_USE_INTRINSIC_GUESS参数被设置，保持为输入的值。

CV_CALIB_FIX_ASPECT_RATIO：固定fx/fy的比值，只将fy作为可变量，进行优化计算。当CV_CALIB_USE_INTRINSIC_GUESS没有被设置，fx和fy的实际输入值将会被忽略，只有fx/fy的比值被计算和使用。

CV_CALIB_ZERO_TANGENT_DIST：切向畸变系数（P1，P2）被设置为零并保持为零。

CV_CALIB_FIX_K1,…,CV_CALIB_FIX_K6：对应的径向畸变系数在优化中保持不变。如果设置了CV_CALIB_USE_INTRINSIC_GUESS参数，就从提供的畸变系数矩阵中得到。否则，设置为0。

CV_CALIB_RATIONAL_MODEL（理想模型）：启用畸变k4，k5，k6三个畸变参数。使标定函数使用有理模型，返回8个系数。如果没有设置，则只计算其它5个畸变参数。

CALIB_THIN_PRISM_MODEL （薄棱镜畸变模型）：启用畸变系数S1、S2、S3和S4。使标定函数使用薄棱柱模型并返回12个系数。如果不设置标志，则函数计算并返回只有5个失真系数。

CALIB_FIX_S1_S2_S3_S4 ：优化过程中不改变薄棱镜畸变系数S1、S2、S3、S4。如果cv_calib_use_intrinsic_guess设置，使用提供的畸变系数矩阵中的值。否则，设置为0。

CALIB_TILTED_MODEL （倾斜模型）：启用畸变系数tauX and tauY。标定函数使用倾斜传感器模型并返回14个系数。如果不设置标志，则函数计算并返回只有5个失真系数。

CALIB_FIX_TAUX_TAUY ：在优化过程中，倾斜传感器模型的系数不被改变。如果cv_calib_use_intrinsic_guess设置，从提供的畸变系数矩阵中得到。否则，设置为0。

函数返回
重投影的总的均方根误差。

  1. 对标定结果进行评价

  2. 查看标定效果——利用标定结果对棋盘图进行矫正

void initUndistortRectifyMap(InputArray cameraMatrix,//输入相机矩阵
 InputArray distCoeffs, //畸变矩阵  失真系数(k_1, k_2, p_1, p_2[, k_3[, k_4, k_5, k_6]])为4、5或8个元素的输入矢量。如果矢量为 NULL/空，则假设为零失真系数。
InputArray R,//对象空间（3x3矩阵）中的可选校正转换
 InputArray newCameraMatrix,//新相机矩阵A'=vecthreethree{f_x'}{0}{c_x'}{0}{f_y'}{c_y'}{0}{0}{1}。
 Size size, //未畸变的图像大小
int m1type, 第一个输出地图的类型，可以CV_32FC1或CV_16SC2。
OutputArray map1, //对应x方向映射
OutputArray map2)//对应y方向映射









dst(x, y) = src( mapx(x, y), mapy(x, y) )



void remap( InputArray src, OutputArray dst, InputArray map1, 
    InputArray map2, int interpolation, int borderMode = BORDER_CONSTANT,
    const Scalar& borderValue = Scalar() )




InputArray类型的src，输入图像，填Mat类的对象即可，且需要为单通道8位或者浮点型的图像；
2）OutputArray类型的dst，函数调用后的运算结果存在这里，即这个参数用于存放函数调用后的输出结果，需和原图片有一样的尺寸和类型。
3）InputArray类型的map1，它有两种可能的表示对象；
表示点（x, y）的第一个映射；
表示CV_16S, CV_32FC1或CV_32FC2类型的X值；
4）InputArray类型的map2，同样，它有两种可能的表示对象，而且它会根据map1来确定表示那种对象；
若map1表示点（x, y）时，这个参数不代表任何值；
表示CV_16UC1，CV_32FC1类型的Y值（第二个值）；
5）int类型的interpolation，插值方式，之前的resize()函数中有讲到，需要注意，resize()函数中提到的INTER_AREA插值方式在这里是不支持的，所以可选的插值方式如下：
INTER_NEAREST：最近邻插值；
INTER_LINEAR：双线性插值（默认值）；
INTER_CUBIC：双三次样条插值（逾4x4像素邻域内的双三次插值）；
INTER_LANCZOS4：Lanczos插值（逾8x8像素邻域的Lanczos插值）
6）int类型的borderMode，边界模式，有默认值BORDER_CONSTANT，表示目标图像中“离群点”的像素不会被此函数修改；
7）const Scalar&类型的 borderValue，当有常数边界时使用的值，默认值为0；





后续：相机姿态还原；用标定相机实现三维重建，计算立体图像深度





        

	      

	    

	  

	  

	    
      
        【推广】
        免费学中医，健康全家人
      
	  

    

    

          原文地址：https://www.cnblogs.com/KAVEI/p/14764943.html