python计算机视觉- 相机模型与参数标定

相机投影模型

针孔相机模型

针孔照相机模型是计算机视觉中广泛使用的照相机模型。该照相机从一个小孔采集射到暗箱内部的光线，在针孔照相机模型中，在光线投影到图像平面之前，从唯一一个点经过，即照相机中心C。如下图所示：


据$x=\frac{fX}{Z}$以及$y=\frac{fY}{Z}$可推出：

像主点偏移

内参矩阵

畸变现象

• 图像径向畸变
  透镜质量原因
  光线在远离透镜中心的地方比靠近中心的地方更加弯曲
• 桶状畸变
  
• 枕形畸变
  

畸变矫正

外参矩阵

两类参数

• 相机内部参数/内方位元素: 焦距、像主点坐标、畸
  变参数
• 相机外部参数/外方位元素: 旋转、平移

相机标定

• 同步标定内部参数和外部参数，一般包括两种策
  略:

1. 光学标定: 利用已知的几何信息(如定长棋盘格)实
   现参数求解。
2. 自标定: 在静态场景中利用 structure from
   motion估算参数。

线性回归 (最小二乘)

• 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：
  无法直接得知具体的内参数和外参数
  求解出的11个未知量，比待标定参数（9个）更多。带来了参数不独立/相关的问题
  对噪声/误差敏感
  高精度的标定板难以制作

非线性优化

用概率的视角去看最小二乘问题
• 特征点投影方程:

• 给定{(ui,vi)}，标定参数矩阵 M 的似然函数为：

• 给定{(ui,vi)}，标定参数矩阵 M 似然函数的对数为:

相应求解策略: 牛顿方法、高斯-牛顿方法、Levenberg-Marquardt算法等

标定过程

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角点）
4. 根据角点位置信息及图像中的坐标，求解Homographic矩阵
5. 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
6. 根据极大似然估计策略，设计优化目标并实现参数的refinement

相机标定优点：
• 仅需要平面标定板，拍摄若干张图片
• 标定板中的模式十分灵活，可以是棋盘格，也可以是其他几何结构已知的图形
• 实验结果表明具有很好的标定精度
• 具有很强的灵活性

实验过程

具体代码：

import cv2
import numpy as np
import glob

# 找棋盘格角点
# 阈值
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
#棋盘格模板规格
w = 11  #内角点个数，内角点是和其他格子连着的点
h = 8

# 世界坐标系中的棋盘格点,例如(0,0,0), (1,0,0), (2,0,0) ....,(8,5,0)，去掉Z坐标，记为二维矩阵
objp = np.zeros((w*h,3), np.float32)
objp[:,:2] = np.mgrid[0:w,0:h].T.reshape(-1,2)
# 储存棋盘格角点的世界坐标和图像坐标对
objpoints =