3D视觉(三)：双目摄像头的标定与校正

最新推荐文章于 2024-10-13 15:23:03 发布
最新推荐文章于 2024-10-13 15:23:03 发布
阅读量3.8w 收藏 515
点赞数 44
分类专栏： 计算机视觉图像处理 文章标签： 3d 计算机视觉 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Twilight737/article/details/121855926
版权

3D视觉(三)：双目摄像头的标定与校正

对于双目摄像头而言，除了需要分别标定左目摄像头的内参矩阵K1、畸变系数D1、右目摄像头的内参矩阵K2、畸变系数D2，还需要标定左右目对应的旋转矩阵R和平移向量T。当双目摄像头固定在一个平面上时，旋转矩阵R可近似为一个单位阵，平移向量T的欧式范数即为基线长度b。

在这里插入图片描述
我们可以把两个相机都看作针孔相机，它们是水平放置的，意味着两个相机的光圈中心都位于x轴上，两者之间的距离称为双目相机的基线b，它是双目相机的重要参数。通过粗略测量可看出，这里基线b的长度在0.06m-0.07m之间，后面标定得到的估计结果为0.0696m。

文章目录

一、双目相机模型

双目相机一般由左目和右目两个水平放置的相机组成。当然也可以做成上下两目，但日常见到的主流双目都是做成左右的。两个相机的光圈中心都位于x轴上，它们的距离称为双目相机的基线 Baseline，记作b。

在这里插入图片描述
考虑一个空间点P ，它在左目和右目各成一像，记作 PL、PR。由于相机基线的存在，这两个成像位置是不同的。理想情况下，由于左右相机只有在x轴上才有位移，因此P的成像也只有在图像的u轴上才有差异。我们记它在左侧的坐标为uL，在右侧的坐标为uR。

根据三角形P-PL-PR和三角形P-OL-OR的相似关系，可以得到：

在这里插入图片描述
稍加整理可以得到：
在这里插入图片描述
这里d为左右图的横坐标之差，也称视差disparty。根据视差，在f和b已知的情况下，我们可以估计目标点离相机的深度距离。视差与深度距离成反比，视差越大，距离越近。另外由于视差最小为 一个像素，于是双目的深度存在一个理论上的最大值。可以看到，当基线越长时，双目最大能测到的距离就会变远；反之，小型双目器件则只能测量很近的距离。

虽然由视差计算深度的公式很简洁， 但视差d本身的计算却比较困难，我们需要确切地知道左眼图像某个像素出现在右眼图像的哪一个位置（即对应关系）。此外如果想计算每个像素的深度，其计算量与精度都将成为问题，并且只有在图像纹理变化丰富的地方才能计算视差。

二、双目相机标定流程

第1步：准备一张棋盘格，粘贴于墙面，并用直尺测量黑白方格的真实物理长度。

第2步：调用双目摄像头，分别从不同角度拍摄得到一系列棋盘格图像。

第3步：利用左目图片数据集，进行左目相机标定，得到左目内参矩阵K1、左目畸变系数向量D1。

第4步：利用右目图片数据集，进行右目相机标定，得到右目内参矩阵K2、右目畸变系数向量D2。

第5步：将左右目测量得到的参数K1、K2、D1、D2作为输入，再同时利用左右目一一对应好的棋盘格图片，调用stereoCalibrate函数，输出左右目的旋转矩阵R、平移向量T。

第6步：基于测量得到的K1、K2、D1、D2、R、T，进行双目视觉的图像校正。

备注：需要用直尺测量黑白方格的真实物理长度，因为我们会将真实世界的棋盘格3D坐标，以相同的尺度(米为单位)，存储于object_points容器中，这样求解得到的平移向量T才会有意义，它的尺度才会和真实世界尺度相对应。然后我们会借助OpenCV棋盘格检测函数，将每张图片对应的棋盘格坐标索引，对应存储于left_img_points、 right_img_points容器中。在得到一系列对应好的2D、3D坐标点后，就可通过线性方程求解参数估计。

三、实验过程

准备一张棋盘格，内点size分别是6和4，直尺测量黑白方格的长度为0.0405米。

在这里插入图片描述
分别从不同角度拍摄得到200张棋盘格图像，将左目、右目图片对应存储在1和2文件夹中：

在这里插入图片描述
先对左目摄像头进行标定，得到内参矩阵K1、畸变系数向量D1：

在这里插入图片描述
再对右目摄像头进行标定，得到内参矩阵K2、畸变系数向量D2：

在这里插入图片描述
将K1、K2、D1、D2作为输入参数，进行双目视觉标定，得到左、右目摄像头对应的旋转矩阵R、平移向量T：

在这里插入图片描述最后进行双目视觉图像校正，原始双目图像为：

在这里插入图片描述
校正后的双目图像为：

在这里插入图片描述
可以看出，经过校正后图像不光被去畸变，而且被投影到了与相机平行的角度。

四、源码

双目视觉标定：

#include <opencv2/core/core.hpp>
// core是OpenCV的主要头文件，包括数据结构，矩阵运算，数据变换，内存管理，文本和数学等功能
#include <opencv2/calib3d/calib3d.hpp>
// calib3d模块主要是相机校准和三维重建相关的内容，包括基本的多视角几何算法，单个立体摄像头标定，物体姿态估计，立体相似性算法，3D信息的重建等
#include <opencv2/highgui/highgui.hpp>
// highgui模块，高层GUI图形用户界面，包括媒体的I/O输入输出、视频捕捉、图像和视频的编码解码、图形交互界面的接口等内容
#include <opencv2/imgproc/imgproc.hpp>
// imgproc模块，图像处理模块，包括线性和非线性的图像滤波、图像的几何变换、特征检测等

#include <stdio.h>
#include <iostream>

#include "opencv2/imgcodecs/legacy/constants_c.h"
// OpenCV4.5.3版本，解决未定义标识符"CV_LOAD_IMAGE_COLOR"
#include <opencv2/imgproc/types_c.h>
// OpenCV4.5.3版本，解决未定义标识符"CV_L2"


using namespace std;
using namespace cv;

// obj_points中每个元素都是一个小vector，每个小vector存储的每个元素都是opencv的cv::Point3f数据结构
vector< vector< Point3f > > object_points;
// image_points1、imagePoints2中每个元素都是一个小vector，每个小vector存储的每个元素都是opencv的cv::Point2f数据结构
vector< vector< Point2f > > imagePoints1, imagePoints2;

// corners1是一个小vector，存储左目图片中检测出的所有的棋盘格内点索引
// corners2是一个小vector，存储右目图片中检测出的所有的棋盘格内点索引
vector< Point2f > corners1, corners2;

// left_img_points, right_img_points的作用和image_points1、imagePoints2相同
// 这里重复赋值一次，是为了保证两个容器存储的样本数相同，正好一一对应
vector< vector< Point2f > > left_img_points, right_img_points;

// img表示rgb图像，gray表示对应的灰度图
Mat img1, img2, gray1, gray2;


/*
 * board_width： 棋盘格宽方向上的内点数量，此处为9
 * board_height： 棋盘格高方向上的内点数量，此处为6
 * num_imgs： 图片数量
 * square_size： 黑白格真实世界中的边长，单位为米，此处为0.02423米
 * leftimg_dir： 左目图片存储文件夹位置，此处为"../calib_imgs/1/"
 * rightimg_dir： 右目图片存储文件夹位置，此处为"../calib_imgs/1/"
 * leftimg_filename： 左目相机拍摄的图片名称，此处为"left"
 * rightimg_filename： 右目相机拍摄的图片名称，此处为"right"
 * extension： 图片后缀，此处为"jpg"
 */

void load_image_points(int board_width, int board_height, int num_imgs, float square_size,
                       char* leftimg_dir, char* rightimg_dir,
                       char* leftimg_filename, char* rightimg_filename, char* extension) {

  Size board_size = Size(board_width, board_height);
  int board_n = board_width * board_height;
  int all = 0;
  
  for (int k = 1; k <= num_imgs; k++) {
      
    char left_img[1000], right_img[1000];
    
    // 该函数包含在stdio.h的头文件中，函数功能与printf函数的功能基本一样，将结果输出到指定的字符串中
    // ../calib_imgs/1/left1.jpg
    // ../calib_imgs/1/right1.jpg
    sprintf(left_img, "%s%s%d.%s", leftimg_dir, leftimg_filename, k, extension);
    sprintf(right_img, "%s%s%d.%s", rightimg_dir, rightimg_filename, k, extension);

    cout << left_img << endl;
    cout << right_img << endl;
    
    img1 = imread(left_img, CV_LOAD_IMAGE_COLOR);
    img2 = imread(right_img, CV_LOAD_IMAGE_COLOR);
    
    if(img1.data==nullptr | img2.data==nullptr)
    {
        continue;
    }
//     cv::imshow("b",  img1 - img2);
//     cv::waitKey(0);
    cvtColor(img1, gray1, CV_BGR2GRAY);
    cvtColor(img2, gray2, CV_BGR2GRAY);

    bool found1 = false, found2 = false;

    // 棋盘格检验
    found1 = cv::findChessboardCorners(img1, board_size, corners1);
    found2 = cv::findChessboardCorners(img2, board_size, corners2);
    
    // 必须要求左目图像、右目图像都检测到棋盘格
    if(!found1 || !found2){
      cout << "棋盘格未能找到!" << endl;
      continue;
    } 
    
    all = all + 1;
    cout << "The total: " << all << endl;
    
    if (found1)
    { 
      // 进一步refine检测到的网格内点的坐标精度 
      cv::cornerSubPix(gray1, corners1, cv::Size(5, 5), cv::Size(-1, -1), cv::TermCriteria(CV_TERMCRIT_EPS | CV_TERMCRIT_ITER, 30, 0.1));
      
      // 作图，可视化
      drawChessboardCorners(img1, board_size, corners1, found1);
      cv::imshow("left", img1);
      cv::waitKey(10);
    }
    
    if (found2)
    { 
      // 进一步refine检测到的网格内点的坐标精度
      cv::cornerSubPix(gray2, corners2, cv::Size(5, 5), cv::Size(-1, -1), cv::TermCriteria(CV_TERMCRIT_EPS | CV_TERMCRIT_ITER, 30, 0.1));
      
      // 作图，可视化
      cv::drawChessboardCorners(img2, board_size, corners2, found2);
      cv::imshow("right", img2);
      cv::waitKey(10);
    }
    
    // 将棋盘格真实3D坐标点，依次append进入obj中，这里需要将索引乘以棋盘格边长(0.02423米)，以固定真实世界尺度
    vector< Point3f > obj;
    for (int i = 0; i < board_height; i++)
      for (int j = 0; j < board_width; j++)
        obj.push_back(Point3f((float)j * square_size, (float)i * square_size, 0));
    
    if (found1 && found2) {
      cout << "第"  << k << "张图像，左右目均已经检测到棋盘格内点!" << endl;
      imagePoints1.push_back(corners1);
      imagePoints2.push_back(corners2);
      object_points.push_back(obj);
    }
  }
  
  // 这里重复赋值一次，是为了保证两个容器存储的样本数相同，正好一一对应
  for (int i = 0; i < imagePoints1.size(); i++) {
    vector< Point2f > v1, v2;
    for (int j = 0; j < imagePoints1[i].size(); j++) {
        
      v1.push_back(Point2f((double)imagePoints1[i][j].x, (double)imagePoints1[i][j].y));
      v2.push_back(Point2f((double)imagePoints2[i][j].x, (double)imagePoints2[i][j].y));
        
    }
    left_img_points.push_back(v1);
    right_img_points.push_back(v2);
  }
}


int main(int argc, char const *argv[])
{
  int board_width = 6;
  int board_height = 4;
  int num_imgs = 200;
  float square_size = 0.0405;
  char* leftimg_dir = "../calib_imgs/1/";
  char* rightimg_dir = "../calib_imgs/2/";
  char* leftimg_filename = "left";
  char* rightimg_filename = "right";
  char* extension = "jpg";
  
  // 将一系列2D观测坐标和3D观测坐标，对应存储到object_points, image_points中
  load_image_points(board_width, board_height, num_imgs, square_size,
                   leftimg_dir, rightimg_dir, leftimg_filename, rightimg_filename, extension);
  

  // 这是根据calib_left.cpp、calib_right.cpp标定得到的内参矩阵K1、K2，和畸变系数向量D1、D2

  double K_left[3][3] = {662.3562273563088, 0, 312.6263091035918, 0, 662.9296902690498, 258.9996285827844, 0, 0, 1};    
  Mat K1 = cv::Mat(3, 3, cv::DataType<double>::type, K_left);

  double d_left[1][5] = {0.06966962838870275, 0.02054263655123773, 0.001252584212211826, 0.002089077085379777, -0.4096320330693385};   
  Mat D1 = cv::Mat(1, 5, cv::DataType<double>::type, d_left);

  double K_right[3][3] = {647.3402626821477, 0, 298.8766921846282, 0, 647.739941990085, 259.9519313557778, 0, 0, 1};    
  Mat K2 = cv::Mat(3, 3, cv::DataType<double>::type, K_right);

  double d_right[1][5] = {0.02272045036297292, -0.5565235313790773, 0.007380600944678045, -0.007607934580409265, 1.30443069011335};   
  Mat D2 = cv::Mat(1, 5, cv::DataType<double>::type, d_right);
  
  // 左目摄像头和右目摄像头之间的旋转矩阵R、平移向量T，E是本质矩阵，F是基础矩阵
  Mat R, F, E;
  Vec3d T;
  
  cout << "相机左目、右目参数：" << endl;
  cout << K1 << endl;
  cout << D1 << endl;
  cout << K2 << endl;
  cout << D2 << endl;
  
  // 双目相机标定，object_points, left_img_points, right_img_points, K1, D1, K2, D2, img1.size都是传入参数，R, T, E, F是输出结果
  stereoCalibrate(object_points, left_img_points, right_img_points, K1, D1, K2, D2, img1.size(), R, T, E, F);
  
  cout << "双目标定结果：" << endl;
  cout << R << endl;
  cout << T << endl;
  cout << E << endl;
  cout << F << endl;

  // 还可以进一步进行双目校正
  cv::Mat R1, R2, P1, P2, Q;
  stereoRectify(K1, D1, K2, D2, img1.size(), R, T, R1, R2, P1, P2, Q);
  
  cout << "进一步双目校正结果：" << endl;
  cout << R1 << endl;
  cout << P1 << endl;
  cout << R2 << endl;
  cout << P2 << endl;

  return 0;
}



// [0.9997826605620699, 0.004051019540949904, 0.02045044938645102;
//  -0.004074743115292153, 0.999991072656389, 0.001118515117933302;
//  -0.02044573569166274, -0.001201602348328341, 0.9997902420227071]

// [-0.0676242, -0.0119106, -0.0116169]

双目视觉校正：

#include <opencv2/core/core.hpp>
// core是OpenCV的主要头文件，包括数据结构，矩阵运算，数据变换，内存管理，文本和数学等功能
#include <opencv2/calib3d/calib3d.hpp>
// calib3d模块主要是相机校准和三维重建相关的内容，包括基本的多视角几何算法，单个立体摄像头标定，物体姿态估计，立体相似性算法，3D信息的重建等
#include <opencv2/highgui/highgui.hpp>
// highgui模块，高层GUI图形用户界面，包括媒体的I/O输入输出、视频捕捉、图像和视频的编码解码、图形交互界面的接口等内容
#include <opencv2/imgproc/imgproc.hpp>
// imgproc模块，图像处理模块，包括线性和非线性的图像滤波、图像的几何变换、特征检测等

#include <stdio.h>
#include <iostream>

#include "opencv2/imgcodecs/legacy/constants_c.h"
// OpenCV4.5.3版本，解决未定义标识符"CV_LOAD_IMAGE_COLOR"


using namespace std;
using namespace cv;


int main(int argc, char const *argv[])
{
    
  Mat img1 = imread("../calib_imgs/1/left0.jpg", CV_LOAD_IMAGE_COLOR);
  Mat img2 = imread("../calib_imgs/2/right0.jpg", CV_LOAD_IMAGE_COLOR);
  cv::imshow("left1.jpg", img1);
  cv::imshow("right1.jpg", img2);
  cv::waitKey(0);
  
  // 这些是根据calib_left.cpp、calib_right.cpp、calib_stereo.cpp得到的参数
  // K1、K2是左目、右目的内参矩阵，D1、D2是左目、右目的畸变系数向量
  // R、T是左目摄像头和右目摄像头之间的旋转矩阵、平移向量
    
  double K_left[3][3] = {662.3562273563088, 0, 312.6263091035918, 0, 662.9296902690498, 258.9996285827844, 0, 0, 1}; 
  Mat K1 = cv::Mat(3, 3, cv::DataType<double>::type, K_left);

  double d_left[1][5] = {0.06966962838870275, 0.02054263655123773, 0.001252584212211826, 0.002089077085379777, -0.4096320330693385};       
  Mat D1 = cv::Mat(1, 5, cv::DataType<double>::type, d_left);
  
  double K_right[3][3] = {647.3402626821477, 0, 298.8766921846282, 0, 647.739941990085, 259.9519313557778, 0, 0, 1};    
  Mat K2 = cv::Mat(3, 3, cv::DataType<double>::type, K_right);

  double d_right[1][5] = {0.02272045036297292, -0.5565235313790773, 0.007380600944678045, -0.007607934580409265, 1.30443069011335};   
  Mat D2 = cv::Mat(1, 5, cv::DataType<double>::type, d_right);
  
  double R_stereo[3][3] = {0.9997826605620699, 0.004051019540949904, 0.02045044938645102,-0.004074743115292153, 0.999991072656389, 0.001118515117933302,-0.02044573569166274, -0.001201602348328341, 0.9997902420227071};  
  Mat R = cv::Mat(3, 3, cv::DataType<double>::type,  R_stereo);
  
  Vec3d T = {-0.0676242, -0.0119106, -0.0116169};
  
  cout << "双目相机参数：" << endl;
  cout << K1 << endl;
  cout << D1 << endl;
  cout << K2 << endl;
  cout << D2 << endl;
  cout << R << endl;
  cout << T << endl;
  
  // 进一步进行双目校正，这里stereoRectify函数必须接受double类型的Mat，否则会报错：
  // -205:Formats of input arguments do not match) All the matrices must have the same data type in function 'cvRodrigues2'
  cv::Mat R1, R2, P1, P2, Q;
  stereoRectify(K1, D1, K2, D2, img1.size(), R, T, R1, R2, P1, P2, Q);
  
  cout << "进一步双目校正结果：" << endl << endl;
  cout << R1 << endl;
  cout << P1 << endl;
  cout << R2 << endl;
  cout << P2 << endl;
  
  // 进行图像校正
  cv::Mat lmapx, lmapy, rmapx, rmapy;
  cv::Mat imgU1, imgU2;

  cv::initUndistortRectifyMap(K1, D1, R1, P1, img1.size(), CV_32F, lmapx, lmapy);
  cv::initUndistortRectifyMap(K2, D2, R2, P2, img2.size(), CV_32F, rmapx, rmapy);
  cv::remap(img1, imgU1, lmapx, lmapy, cv::INTER_LINEAR);
  cv::remap(img2, imgU2, rmapx, rmapy, cv::INTER_LINEAR);
  
  cv::imshow("left.jpg", imgU1);
  cv::imshow("right.jpg", imgU2);
  cv::waitKey(0);
  
  imwrite("left.jpg", imgU1);
  imwrite("right.jpg", imgU2);

  return 0;
}

五、项目链接

如果代码跑不通，或者想直接使用我自己制作的数据集，可以去下载项目链接：
https://blog.csdn.net/Twilight737

X_Student737
关注
专栏目录
MATLAB/OpenCV--基于棋盘格/对称圆点/非对称圆点--相机标定教程
m0_51729073的博客
11-11 1万+
前言 整个标定过程包括如下步骤： 1、打印一张标定图片（棋盘格/对称圆点/非对称圆点），把它贴在一个平面上，作为标定物。 2、通过调整标定物或摄像机的方向，为标定物拍摄一些不同方向的照片。 3、从照片中提取棋盘格角点/圆点。 4、估算理想无畸变的情况下，五个内参和六个外参。 5、应用最小二乘法估算实际存在径向畸变下的畸变系数。 6、应用极大似然法，优化估计，提升估计精度。 标定图像获取 一、棋盘格图像 （1）在matlab命令行窗口中输入以下代码，即可打开matlab内置的棋盘格图像。 ope
双目视觉立体标定与校正代码opencv
01-16
运用opencv对双目视觉系统进行标定和校正，精度很高
双目摄像头标定拍照源码
12-23
该代码利用opencv3.2+Python3.5实现了双摄像头视频实时显示与拼接——方便双摄像头的安装调试，还实现了当按下键盘K键时左右摄像头同时拍照并保存。
双目标定的原理
最新发布
weixin_74923758的博客
10-13 1234
虽然亮度问题解决了，但是新的问题又来了：由于透镜的制造工艺，会使成像产生多种形式的畸变，于是为了去除畸变（使成像后的图像与真实世界的景象保持一致），人们计算并利用畸变系数来矫正这种像差。=0，由于标定板的世界坐标系是人为事先定义好的，标定板上每一个格子的大小是已知的，我们可以计算得到每一个角点在世界坐标系下的物理坐标 (张正友标定法利用如下图所示的棋盘格标定板，在得到一张标定板的图像之后，可以利用相应的图像检测算法得到每一个角点的像素坐标 (相机标定的第二个目的就是获得相机的畸变参数，如上式中的。
双目相机标定
05-24
张正友标定法基于opencv源代码 编译通过 没有问题 还有自己拍的待标定图片 可以直接使用
双目视觉相机标定
04-19
本资源对双目视觉相机进行标定，获取目标的世界坐标和图像坐标系，求解M矩阵，得出相机内外参数
双目视觉之相机标定
嵌入式与人工智能
07-07 5593
双目视觉之相机标定 目录 一、三大坐标系 1.1 图像坐标系到像素坐标系 1.2 世界坐标系到摄像机坐标系 1.3 摄像机坐标系到图像坐标系 1.4 总结 二、图片矫正 2.1 径向畸变 2.2 切向畸变 三、张氏标定法 四、使用opencv实现单目标定 去年三四月份实验室做了一个机器人与视觉识别系统的项目，主要就是利用双目摄像头进行物体空间坐标定位，然后利用机器人进行抓取物体。当时我才研一，还是个菜鸡，项目主要是几个学长负责做的，我也就是参与打打酱油，混混经验。现在过了一年多了，机器人一直在实验室放着，空
python 倒数两列_相机标定之张正友标定法数学原理详解（含python源码）
weixin_39637397的博客
10-22 1143
一、相机标定的目的我们首先要明白两个问题：1、相机是如何成像的？2、相机标定的目的是什么？1、相机是如何成像的呢？相机成像系统中，共包含四个坐标系：世界坐标系、相机坐标系、图像坐标系、像素坐标系。对于这四个坐标系中之间的关系还不太明白成像原理的同学需要先查一查学习一下。这四个坐标系之间的转化关系为：其中， 为在世界坐标系下一点的物理坐标， 为该点对应的在像素坐标系下的像素坐标， 为尺度因子。...
双目视觉立体标定与校正
10-26
使用VS2013和OpenCV3.0，对左右两幅相机得到的棋盘格标定图像进行立体标定和立体校正，为立体匹配和三维重建打下基础；使用VS2013和OpenCV3.0，对左右两幅相机得到的棋盘格标定图像进行立体标定和立体校正，为立体匹配和三维重建打下基础
双目视觉标定与校正.zip
12-10
calib_imgs文件夹：存储拍摄得到的左右目图片，左目棋盘格图片存于文件夹1，右目棋盘格图片存于文件夹2。 calib_left.cpp：进行左目...undistort_rectify.cpp：进行双目校正。 环境配置：c++代码、OpenCV 4.5.3环境。
双目标定和校正，双目标定和校正
04-19
在计算机视觉和自动驾驶等领域，双目标定和校正是一项至关重要的技术。双目标定，顾名思义，是指对图像中的两个目标进行精确的位置和姿态估计。这通常涉及到摄像头和其他传感器（如激光雷达）的数据融合，以提高定位...
双目摄像头测量距离标定工具
01-05
双目摄像头测量距离标定工具是一种在计算机视觉领域中用于实现立体视觉的软件工具。它主要依赖于双目视觉原理，通过两个摄像机同时捕捉同一场景的图像，然后利用视差来计算物体的距离，实现三维空间信息的获取。在3D...
双目摄像头标定与校正技术详解与实践
资源摘要信息:"双目视觉标定与校正.zip" 在深入研究双目视觉标定与校正技术之前，首先要对双目视觉系统的相关概念有所了解。双目视觉系统是由两个摄像头组成的，其模仿人类的双眼视觉，通过模拟人类视差原理来实现...
相机标定和双目相机标定标定原理推导及效果展示
小张的技术分享博客
10-20 9977
参考了一些大佬的文章，整理了一下相机标定和双目标定的原理和推导。
opencv生成摄像头标定的黑白方格
浪子四方
04-27 3412
opencv生成摄像头标定的黑白方格
评论 32
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值