Python计算机视觉———照相机标定

一、针孔照相机模型

1.1概念
针孔照相机模型 （有时称为射影照相机模型）是计算机视觉中广泛使用的照相机模型。对于大多数应用来说，针孔照相机模型简单，并且具有足够多精确度。这个名字来源于一种类似暗箱机的照相机。该照相机从一个小孔采集射到暗箱内部的光线。针孔相机模型就是把相机简化成小孔成像，在这种模型下，物体的空间坐标和图像坐标之间是线性的关系，因此对相机参数的求解就归结到求解线性方程组上。而相机标定就是确定相机的内部参数和外部参数

1.2 坐标转换
摄像机标定简单来说是从世界坐标系转换为相机坐标系，再由相机坐标系转换为图像坐标系的过程，也就是求最终的投影矩阵P PP的过程

相机将三维世界中的坐标点（单位：米）映射到二维图像平面（单位：像素）


以上面两张坐标图为例：左边是相机坐标系，转为右边的图像坐标，是一个小孔成像的模型。

C CC 点表示camera centre，即相机的中心点，也是相机坐标系的中心点
Z ZZ 轴表示principal axis，即相机的主轴
p pp 点所在的平面表示image plane，即相机的像平面，也就是图片坐标系所在的二维平面
p pp 点表示principal point，即主点，主轴与像平面相交的点
C CC 点到 p pp 点的距离，也就是右边图中的 f ff 表示focal length，即相机的焦距
像平面上的 x xx 和 y yy 坐标轴是与相机坐标系上的 X XX 和 Y YY 坐标轴互相平行的；
相机坐标系是以 X XX，Y YY， Z ZZ（大写）三个轴组成的且原点在 C CC 点，度量值为米（m）；
像平面坐标系是以 x xx，y yy（小写）两个轴组成的且原点在 p pp 点，度量值为米（m）；
图像坐标系一般指图片相对坐标系，在这里可以认为和像平面坐标系在一个平面上，不过原点是在图片的角上，而且度量值为像素的个数（pixel）；

将三维世界中的点转化为像平面坐标系中的点，就需要进行相机坐标系到像平面坐标系的转换，我们可以得到转换公式：
可表示为矩阵计算：
或者：
像主点偏移

畸变现象
摄像机校准一般采用小孔成像模型，理想的小孔模型是线性模型，但是由于存在镜头畸变等原因，线性模型通常要加上一些内部参数，变成非线性模型。
相机的成像过程实质上是坐标系的转换。首先空间中的点由 “世界坐标系” 转换到 “像机坐标系”，然后再将其投影到成像平面 ( 图像物理坐标系 ) ，最后再将成像平面上的数据转换到 图像像素坐标系。但是由于透镜制造精度以及组装工艺的偏差会引入畸变，导致原始图像的失真。镜头的畸变分为径向畸变和切向畸变两类：
图像径向畸变：沿着透镜半径方向分布的畸变，产生原因是光线在原理透镜中心的地方比靠近中心的地方更加弯曲，这种畸变在普通廉价的镜头中表现更加明显，径向畸变主要包括桶形畸变和枕形畸变两种。
图像切向畸变：由于透镜本身与相机传感器平面（成像平面）或图像平面不平行而产生的，这种情况多是由于透镜被粘贴到镜头模组上的安装偏差导致。

二、照相机标定

那么可以利用这些来进行最终的任务相机标定，简单的过程可以描述为通过标定板，得到 n 个对应的世界坐标三维点 X i X_iX i​ 和对应的图像坐标二维点 x i x_ix i，这些三维点到二维点的转换都可以通过上面提到的相机内参 K KK ，相机外参 R RR 和 t tt，以及畸变参数 D DD 经过一系列的矩阵变换得到。

最小二乘求解标定参数

优点:

• 所有的相机参数集中在一个矩阵中，便于求解
• 通过矩阵可以直接描述世界坐标中的三维点，到二维图像平面中点的映射关系。
  缺点：
• 无法得知具体的内参数和外参数 ⟶ \longrightarrow⟶ QR分解
• 求解出的11个未知量，比待标定参数（9-10个）更多。带来了参数不独立/相关的问题

张正友标定算法
”张正友标定”是指张正友教授1998年提出的单平面棋盘格的摄像机标定方法。文中提出的方法介于传统标定法和自标定法之间，但克服了传统标定法需要的高精度标定物的缺点，而仅需使用一个打印出来的棋盘格就可以。同时也相对于自标定而言，提高了精度，便于操作。

基本步骤

1. 打印一张棋盘格A4纸张（黑白间距已知），并贴在一个平板上
2. 针对棋盘格拍摄若干张图片（一般10-20张）
3. 在图片中检测特征点（Harris特征）
4. 利用解析解估算方法计算出5个内部参数，以及6个外部参数
5. 根据极大似然估计策略，设计优化目标并实现参数的refinement

三、