相机标定之相机外参

Alleviates

于 2025-04-07 16:52:26 发布

阅读量836

点赞数 9

文章标签：相机目标跟踪

本文链接：https://blog.csdn.net/Alleviatesusher/article/details/147047216

版权

确定相机外部参数需要几个点？

确定相机的外部参数（即相机的位姿，包括位置和方向）通常需要至少三个非共线的点。这三个点在三维空间中有明确的对应关系，可以通过它们的二维图像坐标和三维世界坐标来进行求解。

必须是至少三个非共线的点吗？

非共线性：如果选择的三点共线，它们在三维空间中只能定义一个方向，而无法确定相机的位姿（位置和朝向）。这样的点无法提供足够的信息来区分相机的旋转和位移。
自由度：相机的外部参数有六个自由度（平移的三个方向和旋转的三个角度）。三个非共线的点提供了足够的约束条件，使得可以唯一确定相机的位姿。

三组对应点(三维与二维对应点)就能将R、T求出来吗？

理论上，三个非共线的点可以用来求解相机的旋转矩阵 R和平移向量 T。具体步骤如下：

点的对应关系：假设你有三个点在世界坐标系中的位置P1,P2,P3 和它们在相机坐标系中的对应点C1,C2,C3。
建立方程：你可以建立以下关系：

Ci=RPi+T(i=1,2,3)

这意味着每个相机坐标系中的点 Ci都可以通过旋转 R和平移 T从世界坐标系中的点 Pi得到。
求解：通过这些方程，可以求解出 R和 T。通常需要使用一些优化方法（如最小二乘法）来最小化重投影误差，从而得到更准确的 R 和 T。
约束条件：需要注意的是，旋转矩阵 R必须是一个正交矩阵，且行列式为1，这为求解增加了约束条件。

那为什么用棋盘格标定相机时，拍这么多照片？

拍摄多张照片的原因主要有以下几点：

提高精度：多张照片能提供更多的特征点，从而增加计算外部参数（旋转矩阵 RR 和平移向量 TT）的精度。每张照片中的特征点都可以用来约束相机的位姿。
鲁棒性：在实际拍摄过程中，某些特征点可能由于光照、反射或其他因素而变得不清晰或不可用。通过多张照片，可以有效地减少这些不确定性带来的影响，确保算法能够找到足够的可靠特征点。
优化误差：通过多张照片，可以使用最小二乘法等优化算法来同时考虑所有照片中的特征点，从而最小化重投影误差。这种方法能够提高标定结果的稳定性和准确性。
多样性：不同的拍摄角度和距离可以提供不同的视角和信息，有助于更全面地捕捉相机的内外参数。
减少过拟合：虽然使用更多的点会增加计算的复杂性，但合理的选择和分布可以避免过拟合，确保标定结果的泛化能力。

如何使用已知标定板求解外参数？

1. 特征点提取

角点检测：使用计算机视觉库（如OpenCV）中的角点检测算法来提取棋盘格的角点位置。
亚像素精度：对检测到的角点进行亚像素级别的精确化处理，使用cv2.cornerSubPix函数。

2. 构建三维点集(靶标板的三维空间坐标已知)

三维点坐标：根据已知的标定板尺寸，构建对应的三维点坐标。对于棋盘格，通常以左下角为原点，其他角点的坐标可以按行列顺序计算。

3. 解决PnP问题

输入数据：将提取的二维图像点和对应的三维点集输入到PnP算法中。
求解外参：使用OpenCV的cv2.solvePnP函数，求解相机的旋转向量（R）和平移向量（T）。

4. 优化和验证

重投影误差：计算重投影误差，验证求解结果的准确性。可以通过将三维点投影到图像平面，比较与实际图像点的位置。
束调整：如果有多个视角的标定图像，可以使用束调整算法（如cv2.bundleAdjustment）进一步优化外参。

示例代码（Python + OpenCV）

import cv2
import numpy as np

# 定义棋盘格尺寸
chessboard_size = (9, 6)  # 内部角点数量
square_size = 0.025  # 每个方格的实际尺寸（米）

# 准备对象点
objp = np.zeros((chessboard_size[0] * chessboard_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2) * square_size

# 存储对象点和图像点
objpoints = []  # 3D点
imgpoints = []  # 2D点

# 读取图像并检测角点
images = [...]  # 读取的图像列表
for img in images:
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)
    if ret:
        objpoints.append(objp)
        imgpoints.append(corners)

# 计算相机外参
ret, rvec, tvec = cv2.solvePnP(objpoints[0], imgpoints[0], camera_matrix, dist_coeffs)

# 计算重投影误差（可选）
# ...

# 输出外参
print("Rotation Vector:\n", rvec)
print("Translation Vector:\n", tvec)