本文主要是在前两篇博客的基础上做的更新，对双目摄像机做标定，并用作测量。理论基础知识请参考：
《相机参数标定（camera calibration）及标定结果如何使用》
https://blog.csdn.net/Aoulun/article/details/78768570
《第二更，相机参数标定基础：从小孔成像开始到单双目标定》
https://blog.csdn.net/Aoulun/article/details/104780993
关于单目相机标定的具体实践，可以参考我的另外一篇博客
《第三更，单目相机标定实践（完整过程）》
https://blog.csdn.net/Aoulun/article/details/104789585
本文所有代码和图片均已上传，可正常使用，关注公众号下载。如果您觉得本文对您帮助很大可关注公众号分享，或者打赏作者，您的支持是我持续创作的动力。
我们隔壁村是出名的高科技应用示范村，远近闻名。比如说，在家家户户安装太阳能发电设备，不仅解决了居民供电问题，还把多余的电卖出去，创收。又比如说，最先引进大数据创新应用，以解决农民工就业问题。效果怎么样暂且不说，但是这种向前言看起的精神的就值得学习。话说回来，隔壁村的村主任姓周，名建国。平时去他们村串门，都是周主任喊话。这次周主任听说我修好了我们村口的摄像头，特地找到我，聊了聊他们村的科技引进项目。其中一个重大课题就是解决村里巡逻车的自动测距问题。测什么距离呢？测量房屋建筑距离路边的距离。为什么要测这个距离，其实主要还是为了美丽乡村建设，要有新的气象。周主任问我有没有兴趣接下来。做成了之后，将会把我的大名贴在村口显眼的位置，已告天下。我思考了0.8932秒，果断接下了这个活。我做这个的目的就是为了出名。
双目标定
一、实验条件
二、实验内容
三、实验步骤
四、实验代码及图片
五、实验结果
01实验条件
主要的实验器材都在下面这两幅图中了
主要的实验器材在如下清单中显示
02实验内容
主要的实验内容包括：
1.搭建整个实验平台，观察摄像机拍照情况
2.标定网络摄像机，求取相机参数
3.求取两个相机的位置关系参数
4.构建三维深度图像
5.向周主任汇报
03实验步骤
（3.1）搭建实验平台
首先，我按照某康网络相机拍照的基本流程，搭建了平台。
摄像机采用电源适配器通电，两个摄像机目视平行放置。
数据传输采用1米长网线跟笔记本电脑链接。
根据某康开放的API，自己搭建了一个相机连接采集MFC窗口，窗口具有预览功能。
点击预览按钮，左侧窗口可以实时预览我老家农家小院储物间的内景。
单击抓图按钮，保存图像。由于我在代码里把路径写死了，所以，没有配置路径的窗口。
（3.2）标定相机
标定板的实际尺寸参考如下图所示。实际长度是，每个单元格的长度是2厘米。
（3.2.1）拍摄标定图片
我从拍摄的所有图片中，挑选了20幅作为标定用图。左边相机产生的图如下所示
右边相机标定图如下所示
很明显，左右两个相机的分辨率是不一样的。
（3.2.2）图片预处理
就像我们在前一篇博客种介绍的那样《第三更，单目相机标定实践（完整过程）》，把左右两边的图像都同时缩放到相同的分辨率。
相应的，把待矫正图片也做尺寸缩小处理。
（3.2.3）标定参数求取
具体理论内容可以参考另外两篇博客
《相机参数标定（camera calibration）及标定结果如何使用》
《第二更，相机参数标定基础：从小孔成像开始到单双目标定》
这里只说一说具体的步骤，详细的代码会在第四章贴出来。
这一部分可以参考《第三更，单目相机标定实践（完整过程）》，里面有详细过程。本博客一会把详细代码贴出来。
(a)读取所有标定图
采用cv2.imread(img_path)方法，非常之简单。
(b)寻找角点
寻找角点，采用cv2.drawChessboardCorners(),也是现成的。大家可以看下我的找角点结果，非常完美。
先看左边
再看右边
(c)计算参数矩阵
我们带着问题来看计算过程。
问：为什么需要拍摄那么多图片，一张不行吗？
博主在另外两篇博客当中也提到，根据张征友标定法，只需要求得B矩阵和H矩阵就可以换算出参数矩阵。而B矩阵和H矩阵的求解是通过最大似然估计来优化得到的。详细可参考：
https://www-users.cs.umn.edu/~hspark/CSci5980/zhang.pdf
那么优化过程必然是需要多幅图像共同作用的。在上面的文献中，作者给出了多少图像是合适的，这里不再赘述。
将上面步骤产生的所有角点都组合起来，作为函数输入，可以实现求解：
cv2.calibrateCamera()
返回结果中，就包含内参和畸变参数。
另外，标定的过程，实际上就是一个矩阵关系的转换过程。什么意思呢？
举个例子，根据实际的标定板模样，我在电脑里假定了一个多长多宽的假想标定板图像，而标定的过程就是，所有拍摄到的图像中的标定板，都应该往我假定的标定板靠。如果对不上，那么就有系数上的关系，这个系数上的关系就是我们要标定的参数。
这个理解在程序中也有体现。
（d）求取双相机关系矩阵
根据我们在理论那一章的总结，这一步主要是求取相机之间的关系矩阵，包括，旋转R，平移T，本质矩阵E和基础矩阵F。
cv2.stereoCalibrate()
需要注意的是，里面的最后一个参数flag，当去不同的值，其结果也不一样。这不是本文的重点，可自行上网搜索。
（3.3）矫正及距离求解
在矫正和距离求解的时候，首先对图像做畸变矫正。这个画面很美，无法直视。不过放大了看，该水平的，还是水平了。我想主要是因为两个相机不一样，导致的吧，后续会深入研究一下。
（3.4）求取距离深度图
这里主要用到两个函数
cv2.StereoBM_create().compute()
这个函数主要是用作立体匹配，具体的匹配算法可以参考其他博客，本文主要偏重于实验。
cv2.reprojectImageTo3D()
这个函数主要是根据上面函数产生的匹配差异图，生成3维的深度图。而我们需要的就是Z轴的坐标。先看个效果
我也看不到这是个啥东西。
（3.5）向村支书汇报
看到上面的效果，我陷入了深思。我到底该如何向周主任汇报呢？
首先让我想到的是配一个激光测距仪。
方便实惠。
周主任万一懂技术怎么办？
我再次陷入了沉思。
04实验代码及图片
代码已经上传到了公众号，可以关注下载。
环境的搭建，可以参考另外的博客。我是在tensorflow的环境下跑的。
《深度学习完全攻略！（连载六：CUDA10.1+tensorflow+VS+anaconda3安装）》
博主已经将，所有的图片都上传到了公众号。大家可以下载自己实验研究。
import argparse
from argparse import RawTextHelpFormatter
import numpy as np
import cv2
# 分别找左右两幅图的角点
def stereo_calib_find_corners(imgL, imgR, rlt_dir_L, rlt_dir_R, img_idx, col, row):
grayL = cv2.cvtColor(imgL, cv2.COLOR_BGR2GRAY)
retL, cornersL = cv2.findChessboardCorners(grayL,(col,row), None)
print("retL = ", retL)
#为了得到稍微精确一点的角点坐标，进一步对角点进行亚像素寻找
corners2L = cv2.cornerSubPix(grayL, cornersL, (5,5), (-1, -1), (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_COUNT, 10, 0.001))
if retL == True:
#保存角点图像
sav_pathL = rlt_dir_L + "\\" + str(img_idx) + "_corner.jpg"
cv2.drawChessboardCorners(imgL, (col,row), corners2L, retL)
cv2.imwrite(sav_pathL, imgL)
grayR = cv2.cvtColor(imgR, cv2.COLOR_BGR2GRAY)
retR, cornersR = cv2.findChessboardCorners(grayR,(col,row), None)
print("retR = ", retR)
#为了得到稍微精确一点的角点坐标，进一步对角点进行亚像素寻找
corners2R = cv2.cornerSubPix(grayR, cornersR, (5, 5), (-1, -1), (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_COUNT, 10, 0.001))
if retR == True:
#保存角点图像
sav_pathR = rlt_dir_R + "\\" + str(img_idx) + "_corner.jpg"
cv2.drawChessboardCorners(imgR, (col,row), corners2R, retR)
cv2.imwrite(sav_pathR, imgR)
return (retL, corners2L, retR, corners2R)
def stereo_calib_calibrate(img_dir_L,img_dir_R,row_num,col_num,calib_img_num, square_sz):
w = 1440
h = 1080
all_cornersL = []
all_cornersR = []
patterns = []
#标定相机,先搞这么一个假想的板子，标定就是把图像中的板子往假想的板子上靠，靠的过程就是计算参数的过程
#比如说(0,0,0), (1,0,0), (2,0,0) ....,(6,5,0)
pattern_points = np.zeros((7*6, 3), np.float32)
pattern_points[:, :2] = np.mgrid[0:7, 0:6].T.reshape(-1, 2)
pattern_points *= square_sz
for i in range(1,calib_img_num+1):
img_pathL = img_dir_L + "\\" + str(i) + ".jpg"
img_pathR = img_dir_R + "\\" + str(i) + ".jpg"
print (img_pathL)
print (img_pathR)
#读取图像
imgL = cv2.imread(img_pathL)
imgR = cv2.imread(img_pathR)
# 把图像搞成统一大小1440*1080
imgLL=cv2.resize(imgL,(w,h))
imgRR=cv2.resize(imgR,(w,h))
#提取角点
rlt_dir_L = img_dir_L + "\\corners"
rlt_dir_R = img_dir_R + "\\corners"
retl, cornersl, retr, cornersr = stereo_calib_find_corners(imgLL, imgRR, rlt_dir_L, rlt_dir_R, i, col_num, row_num)
#合并所有角点
all_cornersL.append(cornersl)
all_cornersR.append(cornersr)
patterns.append(pattern_points)
rmsL, cameraMatrixL, distCoeffsL, rvecsL, tvecsL = cv2.calibrateCamera(patterns, all_cornersL, (w, h), None, None)
rmsR, cameraMatrixR, distCoeffsR, rvecsR, tvecsR = cv2.calibrateCamera(patterns, all_cornersR, (w, h), None, None)
#计算两个相机之间的关系矩阵模型
flags = 0
flags |= cv2.CALIB_FIX_FOCAL_LENGTH
stereocalib_criteria = (cv2.TERM_CRITERIA_MAX_ITER + cv2.TERM_CRITERIA_EPS, 1, 1e-5)
ret, Ml, dl, Mr, dr, R, T, E, F = cv2.stereoCalibrate( patterns,
all_cornersL,
all_cornersR,
cameraMatrixL,
distCoeffsL,
cameraMatrixR,
distCoeffsR,
(w, h),
criteria=stereocalib_criteria,
flags=flags)
print('Intrinsic_mtx_l', Ml)
print('dist_l', dl)
print('Intrinsic_mtx_r', Mr)
print('dist_r', dr)
print('R', R)
print('T', T)
print('E', E)
print('F', F)
camera_model = dict([('Ml', Ml), ('Mr', Mr), ('dl', dl),
('dr', dr), ('rl', rvecsL),
('rr', rvecsR), ('R', R), ('T', T),
('E', E), ('F', F)])
return camera_model
def stereo_calib_correct(crct_img_L_dir, crct_img_R_dir, corct_img_num, cameraModel, rlt_dir):
w = 1440
h = 1080
for i in range(1,corct_img_num):
img_pathL = crct_img_L_dir + "\\" + str(i) + ".jpg"
img_pathR = crct_img_R_dir + "\\" + str(i) + ".jpg"
print (img_pathL)
print (img_pathR)
#读取图像
imgL = cv2.imread(img_pathL)
imgR = cv2.imread(img_pathR)
# 把图像搞成统一大小1440*1080
imgLL=cv2.resize(imgL,(w,h))
imgRR=cv2.resize(imgR,(w,h))
grayL = cv2.cvtColor(imgLL, cv2.COLOR_BGR2GRAY)
grayR = cv2.cvtColor(imgRR, cv2.COLOR_BGR2GRAY)
#极线矫正，也就是把两幅图的极线搞成水平，就像在博客中描述的那样，把任意位置的像平面，搞成两个平行的像平面
Rl, Rr, Pl, Pr, Q, validPixROIl, validPixROIr = cv2.stereoRectify(cameraModel['Ml'], cameraModel['dl'], cameraModel['Mr'], cameraModel['dr'], (w,h), cameraModel['R'], cameraModel['T'])
'''
mapl_1, mapl_2 = cv2.initUndistortRectifyMap(cameraModel['Ml'], cameraModel['dl'], Rl, Pl, (w,h), cv2.CV_32FC1)
mapr_1, mapr_2 = cv2.initUndistortRectifyMap(cameraModel['Mr'], cameraModel['dr'], Rr, Pr, (w,h), cv2.CV_32FC1)
rltl = cv2.remap(grayL, mapl_1, mapl_2, cv2.INTER_LINEAR)
rltr = cv2.remap(grayR, mapr_1, mapr_2, cv2.INTER_LINEAR)
'''
newcameramtxL,roiL = cv2.getOptimalNewCameraMatrix(cameraModel['Ml'], cameraModel['dl'],(w,h),1,(w,h))
newcameramtxR,roiR = cv2.getOptimalNewCameraMatrix(cameraModel['Mr'], cameraModel['dr'],(w,h),1,(w,h))
dstL = cv2.undistort(grayL, cameraModel['Ml'], cameraModel['dl'], None, newcameramtxL)
dstR = cv2.undistort(grayR, cameraModel['Mr'], cameraModel['dr'], None, newcameramtxR)
#保存极限图
recPath = rlt_dir + "\\e_line.jpg"
rlt = np.concatenate((dstL, dstR), axis=1)
rlt[::40, :] = 0
cv2.imwrite(recPath, rlt)
#生成深度图
stereo = cv2.StereoBM_create(numDisparities=16, blockSize=15)
disparity = stereo.compute(grayL, grayR) #用原始图像
disp = cv2.normalize(disparity, disparity, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)
# 将图片扩展至3d空间中，其z方向的值则为当前的距离
threeD = cv2.reprojectImageTo3D(disparity.astype(np.float32)/16., Q)
cv2.imwrite(rlt_dir + "\\depth.jpg", disp)
return 1
if __name__ == "__main__":
parser = argparse.ArgumentParser(description="读取标定的图片并保存结果",formatter_class=RawTextHelpFormatter)
parser.add_argument("--img_dir_L",help="左边相机标定图片路径",type=str,metavar='', default="D:\\newdata\\cam_L")
parser.add_argument("--img_dir_R",help="右边相机标定图片路径",type=str,metavar='', default="D:\\newdata\\cam_R")
parser.add_argument("--crct_img_L_dir",help="测试图像路径",type=str,metavar='',default="D:\\newdata\\corct_L")
parser.add_argument("--crct_img_R_dir",help="测试图像路径",type=str,metavar='',default="D:\\newdata\\corct_R")
parser.add_argument("--rlt_dir",help="测试图像路径",type=str,metavar='',default="D:\\newdata\\rlt")
parser.add_argument("--row_num",help="每一行有多少个角点，边缘处的不算",type=int,metavar='',default="7")
parser.add_argument("--col_num",help="每一列有多少个角点，边缘处的不算",type=int,metavar='',default="6")
parser.add_argument("--calib_img_num",help="多少幅图像",type=int,metavar='',default="20")
parser.add_argument("--corct_img_num",help="多少幅图像",type=int,metavar='',default="2")
parser.add_argument("--square_sz",help="标定板放个尺寸，单位毫米",type=int,metavar='',default="20")
args=parser.parse_args()
# 标定相机
cameraModel = stereo_calib_calibrate(args.img_dir_L,args.img_dir_R,args.row_num,args.col_num,args.calib_img_num, args.square_sz)
#矫正图片
ret = stereo_calib_correct(args.crct_img_L_dir, args.crct_img_R_dir, args.corct_img_num, cameraModel, args.rlt_dir)
05实验结果
这篇文章偏重于实现，并没有过多的深入研究。而网上很多关于双目标定的文章也大体上差不多，有些比本文做的更详细。
由于本文的实验素材的限制，并不能得到好的结果，但，大致流程是可以用的。如果您有兴趣，可以用自己的图片，直接跑实验即可。
关于标定，到这里就结束了。希望您理解，并知道怎么做了。但是，这里面有很多知识点需要掌握。如果可能，博主会继续考虑更新立体匹配的知识点。
扫一扫
241
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
