Camera Calibration 相机标定：原理简介（五）

5 基于2D标定物的标定方法

基于2D标定物的标定方法，原理与基于3D标定物相同，只是通过相机对一个平面进行成像，就可得到相机的标定参数，由于标定物为平面，本身所具有的约束条机，相对后者标定更为简单。经典算法为Z. Zhang(PAMI, 2000) A Flexible New Technique for Camera Calibration。其算法已经被收入Opencv(2004)，最常用的标定图案是棋盘格图案，如下图：

5.1 单应性矩阵

对于2D标定平面，抑或称为标定板，不妨假设，平面上点的增广齐次向量$[X,Y,Z,1]$满足$Z=0$，同时对于旋转矩阵$\textbf{R}$的每一列表示为一个列向量记为$\textbf{r}_i$，则根据相机的投影方程：

$$s\left[ \begin{matrix} u \\ v \\ 1 \end{matrix} \right] = \textbf{A}[\textbf{r}_1 \ \ \textbf{r}_2 \ \ \textbf{r}_3 \ \ \textbf{t}] \left[ \begin{matrix} X \\ Y \\ 0 \\ 1 \end{matrix} \right] = \textbf{A}[\textbf{r}_1 \ \ \textbf{r}_2 \ \ \textbf{t}] \left[ \begin{matrix} X \\ Y \\ 1 \end{matrix} \right] \tag{1}$$

因为点$[X,Y]^T$仍表示的是三维空间点坐标，只是由于标定使用平面的特殊性，将$Z=0$省略，因此我们仍然使用统一的$\textbf{M}$符号表示，与其对应$\tilde{\textbf{M}} = [X,Y,1]^T$表示该点的其次向量，则公式$(1)$可简记为：

$$s\tilde{\textbf{m}} = \textbf{H}\tilde{\textbf{M}} \ \ \text{with } \textbf{H} = \textbf{A} [\textbf{r}_1 \ \ \textbf{r}_2 \ \ \textbf{t}] \tag{2}$$

$\textbf{H}$被称为单应性矩阵（Homography matrix）。

5.2 内参约束条件

对于单应性矩阵$\textbf{H}$，我们也将其按照列向量的方式表示：$\textbf{H} = [\textbf{h}_1 \ \ \textbf{h}_2 \ \ \textbf{h}_3]$， 则有：

$$[\textbf{h}_1 \ \ \textbf{h}_2 \ \ \textbf{h}_3] = \lambda \textbf{A}[\textbf{r}_1 \ \ \textbf{r}_2 \ \ \textbf{t}] \tag{3}$$

其中，$\lambda$是一个任意的系数，因为$\textbf{r}_1,\textbf{r}_2$是正交向量，因此有：

$$\textbf{r}_1^T\textbf{r}_2 = \textbf{h}_1^T\textbf{A}^{-T}\textbf{A}^{-1}\textbf{h}_2 = 0 \tag{4}$$

$$\textbf{r}_1^T\textbf{r}_1 = \textbf{h}_1^T\textbf{A}^{-T}\textbf{A}^{-1}\textbf{h}_1 = \textbf{r}_2^T\textbf{r}_2 = \textbf{h}_2^T\textbf{A}^{-T}\textbf{A}^{-1}\textbf{h}_2 \tag{5}$$

对于一个单应性矩阵，公式$(4,5)$是两个内参的基本约束。单应性矩阵有9个元素，但可以由8个独立不相关的元素表示，也就是说投影变换有8个自由度，而我们只有6个外参元素（3个旋转元素和3个平移元素），因此两个内参约束条件的意义就在于此。在原理简介（三）中，我们已经了解到$\textbf{A}^{-T}\textbf{A}^{-1}$描述的就是IAC（Image of the absolute conic），后文将对此进行解释。

5.3 几何解释

现在让我们来分析公式$(4,5)$与绝对圆锥曲线的关系。在像空间坐标系中，存在下面的等式：

[r3r