单目相机标定：由图像像素坐标系距离到世界坐标系真实距离

宇智波洛必达

已于 2023-11-30 13:38:31 修改

阅读量4.2k

点赞数 11

文章标签：数码相机

于 2023-11-30 11:31:02 首次发布

本文链接：https://blog.csdn.net/ereqewe/article/details/134706836

版权

一、标定板拍摄图片

拍摄图片，之后放入matlab进行特征点提取，注意提取过程中可能世界坐标系下的原点不一样。一定要避免这种情况。

标定途径1：Matlab自带的APP：Camera Calibrator

把误差大的标定图片删掉，整个误差在0.2以下就行了。最后导出数据，matlab代码如下，其中K是内参矩阵（一定记得要转置）。根据你要最终测量的面，提取外参，R是旋转矩阵，t是平移向量。我这里第55张标定图片是把标定板贴在最终被侧面上测量的，所以我的外参矩阵选第55组就行。

K = cameraParams.IntrinsicMatrix'; % 内参矩阵
R = cameraParams.RotationMatrices(:,:,55);  % 指定表面的旋转矩阵
t = cameraParams.TranslationVectors(55,:);  % 指定表面的平移向量

标定途径2：matlab calibration toolbox

这个toolbox一般都需要自己下载安装（免费）。但是这个安装好之后，需要自己一张图一张图自己标定，我个人觉得这个非常麻烦，而且自己标定也不能保证精度。

标定途径3：matlab 代码直接计算参数
直接上代码

numImages = 55; %标定的图片总数
files = cell(1, 55);
path = 'E:\opencv_project\SPSI\spatial_phaseshift\1125\cc限';
counter=0;
% （因为我图片总共200张，命名是1-200，然后被我删掉了很多误差大的图，最后剩下55张，命名在1-200之间）
for i = 1:200 % 图片命名最大值
    currentFile = fullfile(path, sprintf('%dCamera.bmp', i));
    if exist(currentFile, 'file')
        counter = counter + 1;
        files{counter} = currentFile;
    end
end
% 对所有的标定图片进行角点检测
[imagePoints, boardSize] = detectCheckerboardPoints(files); 
squareSize = 5; % 标定板的小方格边长（mm）
worldPoints = generateCheckerboardPoints(boardSize, squareSize);

I = imread(files{1});
imageSize = [size(I, 1), size(I, 2)];
cameraParams = estimateCameraParameters(imagePoints, worldPoints, 'ImageSize', imageSize); %得到相机内参

% 显示误差
figure; showReprojectionErrors(cameraParams);
title("Reprojection Errors");

% 估算外参
im = imread(files{55}); % 输入要测量的最终表面的标定图
[imagePoints, boardSize] = detectCheckerboardPoints(im);

% 获取相机内参和外参
K = cameraParams.IntrinsicMatrix';
[R, t] = extrinsics(imagePoints, worldPoints, cameraParams);

二、使用内外参计算实际距离

matlab有自带的img2world2d函数，但是这个函数在Computer Vision工具包里面，这个工具包似乎只有正版matlab才能用。。。。。我们被制裁孩子的盗版matlab就用不了了。所以我分别写了一个matlab和Python的版本。

Matlab：

function worldPoints = img2world2d(imagePoints, camExtrinsics, camIntrinsics)
    % imagePoints: 输入的像素坐标，Nx2 的矩阵
    % camExtrinsics: 相机外参矩阵，3x4 的矩阵
    % camIntrinsics: 相机内参矩阵，3x3 的矩阵
    % 将图像坐标转换为归一化坐标
    normalizedPoints = [imagePoints, ones(size(imagePoints, 1), 1)] / camIntrinsics';
    % 添加深度信息
    normalizedPoints(:, 3) = 1;
    % 利用相机外参矩阵将相机坐标映射到世界坐标
    worldPointsHomogeneous = (camExtrinsics \ normalizedPoints')';
    % 转换为非齐次坐标
    worldPoints = worldPointsHomogeneous(:, 1:3) ./ worldPointsHomogeneous(:, 4);
end

Python：

def img2world2d(p, M, K):
    # 将图像坐标转换为归一化坐标
    ones_column = np.ones((1))
    normalizedPoints = np.dot(np.hstack((p, ones_column)) ,  np.linalg.inv(np.transpose(K)))
    normalizedPoints = normalizedPoints.reshape(-1, 1)
    M = np.delete(M,2,axis=1)
    worldPointsHomogeneous = np.linalg.solve(M,normalizedPoints)
    worldPoints = worldPointsHomogeneous[:2, :] / worldPointsHomogeneous[2, :].reshape(-1, 1)
    return worldPoints

目前已经实现了图片坐标到世界坐标的转化。输入两个像素点p1,p2，得到两个世界坐标点w1,w2，就可以利用范数求快速求距离了。