单目摄像头测距——单应性

之前在做车道线识别项目的时候，同事提出来用摄像头测距。大致研究了一下，理论上是无法测距的，因为想用2维信息(像素坐标系)还原3维信息(世界坐标系)，不加条件是不可能的，但是如果假设测量的点在地面上，就是用2维信息还原2维信息，还是有得搞。

预备知识：像素坐标系——图像坐标系——相机坐标系——世界坐标系，这4个坐标系的关系：相机的内参矩阵 M 将相机坐标系和像素坐标系联系起来，相机的外参矩阵 W 将世界坐标系和相机坐标系联系起来，(这里注意一点，一般说的相机的内参包括内参矩阵和畸变系数，这里说的是针孔相机模型(pin-hole)，所以不考虑畸变系数)；相机的外参矩阵其实就是旋转 R 和平移 t ，其中 R 是3x3旋转矩阵，t 是1x3的平移向量。理论上，世界坐标系中一点Q，在内外参矩阵的作用下，可以计算出在像素坐标系中的位置q。可以参考这篇文章，写的比较详细、明白，虽然是左手系。
https://blog.csdn.net/chentravelling/article/details/53558096

上图

如图所示。令世界坐标系的原点和相机坐标系的原点(摄像头的中心)在同一垂线上，这样平移向量t中就有2个0；令世界坐标系和相机坐标系是平行的，因为这样旋转矩阵R 就是单位矩阵I ，(虽然是y轴指向地面有点奇怪，这是因为要照顾像素坐标系u、v的缘故)。采用Learning OpenCV3一书中的记号

这里先忽略s，它只是计算出后面乘积之后提取出来的系数，为了让左边的向量的第三个分量变为1；u，v是像素值；M是相机的内参矩阵；W是3x4的外参矩阵，前三列是旋转矩阵，第四列是平移向量，其中h是相机离地高度；Xw，Yw，Zw是世界坐标系下的坐标。由于假设R=I，t=[0 ,h, 0]的转置，并且Q在地面上，所以Yw=0。接下来就是解这个简单的方程组

Z就是点Q在z轴方向的距离，X是x轴的距离。h和X、Z的单位是一样的，可以是米也可以是毫米。此外，
称为单应性矩阵。
下一步就是写代码，再做个实验验证一下这个简易的算法。