双目三维重建和误差估计

应用场景：

双目测距的精度和基线长度（两台相机之间的距离）有关，两台相机布放的距离越远，测距精度越高。
但问题是：往往在实际应用中，相机的布放空间是有限的，最多也只有几米或几十米的基线长度，这就导致双目测距在远距离条件下的精度大打折扣。

所以，双目测距一般用于近距离的高精度测量，而远距离测距一般用脉冲式的激光测距机。
图像测量方法的优点是近距离精度高，但是图像质量受外界光照等条件制约太大，且由于相机性能往往不够稳定，加上算法相对复杂些，这些都会限制它的应用。

---

在相机标定后，我们就可以用得到的相机内参矩阵、畸变矩阵、两相机相对位置变换矩阵进行三维重建了。用数学方法进行空间变换很容易得到图像坐标（在两相机拍摄的同一帧图像上对应点坐标）与三维坐标（相对某一相机建模的三维坐标）之间的关系，原理参考https://blog.csdn.net/tiemaxiaosu/article/details/51734667#commentsedit

用 OpenCV goodFeaturesToTrack()函数得到角点坐标，取得左右相机同一帧图像对应点AB的像素坐标。

再计算得到空间两点AB双目三维空间计算距离和实际测量距离，得到三维建模测距误差，三维建模代码如下：

Point2f xyz2uv(Point3f worldPoint,float intrinsic[3][3],float translation[1][3],float rotation[3][3]);
Point3f uv2xyz(Point2f uvLeft,Point2f uvRight);

//左相机内参数矩阵
float leftIntrinsic[3][3] = {294.0911635717881,	 0,		310.6171586702577,
                             0,	295.3905526589596,		256.4320568139868,
                             0,			 0,				1};

//左相机旋转矩阵
float leftRotation[3][3] = {1,	        0,		0,
                            0,		1,		0,
                            0,		0,		1};
//左相机平移向量
float leftTranslation[1][3] = {0, 0, 0};

//右相机内参数矩阵
float rightIntrinsic[3][3] = {293.27225104276044,0,335.4364278875495,