相机标定2

🚀 相机标定 学习笔记

1. 标定方法

1.1 方法总览

• 传统相机标定法：已知尺寸标定板，多视角拍摄标定板，利用几何关系解参数。
• 张正友标定法：利用平面标定板，多视角拍摄标定板，利用数学优化方法解相机参数。
• 自标定法：不需要已知尺寸的标定板，通过图像序列中的几何约束进行标定。

1.2 原理解释

• 几何关系：通过建立标定板上的点与图像中对应点之间的线性方程组，求解相机的内参和外参。
• 数学优化方法：通过最小化重投影误差，优化相机的内参、外参和畸变参数。（非线性优化）

2. 张正友标定法

2.1 思路

• 从不同角度拍摄棋盘标定板：
  

• 图像坐标系：每张图像可以得到角点的像素坐标$(u,v)$

• 世界坐标系：固定于棋盘格标定板，对应的物理坐标为$（U,V,W）$

• 易得：

  • 棋盘格上每一点物理坐标满足：$W=0$
  • 每一个格子的大小已知，可计算每一个角点在世界坐标系下的物理坐标：$(U,V,W=0)$
  • 每一个角点的像素坐标：$(u,v)$

• 利用上述信息可获得内外参数矩阵、畸变参数。

2.2 步骤

• 求解内外参数矩阵
  1. 求内外参数矩阵的积
  2. 求内参矩阵$A$
  3. 求外参矩阵$(R1R2T)$
• 求解径向畸变参数
  1. 联立：图像坐标系（实际图像）和像素坐标系（理想图像）的转化关系、畸变公式
  2. 最小二乘法（求解多元线性方程组）

3. 求解内外参数矩阵

3.1 内外参数矩阵的积 $H$

• 首先给出无畸变的成像模型公式：
  
  其中：
  • 只有点的坐标是变量，其他均为定值。例如尺度因子 $Z$ 为定值

---

• 记 $H$ 为内外参数矩阵的积（有三列），则可写作：
  

• 利用上式1与Z的关系，可消除尺度因子 $Z$，得到：
  
  其中：

  • 每一个角点可以得到上式的两个约束方程，$H$是齐次矩阵，包含8个独立未知元素。
  • 任选四个角点可解出一个$H$的解
  • 选取超过四个角点，利用最小二乘法可求得最佳$H$

3.2 内参矩阵 $A$

• 当前已知：$H=A(R1R2T)$

• 所以：
  

• 旋转矩阵$R$的两列$R_1,R_2$单位正交：
  

• 因此有：
  

• 记 $A^{-T}{A}^{-1}=B$ ，则 $B$ 为对称矩阵，求得B即可求得A
  

• 记内参矩阵A为：
  

• 用A来表示B，可得矩阵B为对称阵，表示为：
  

• 为了求矩阵B，必须计算$H_i^{T}B{H}_j$，则：

• 若记：
  

• 则方程可化为：
  

• 因为$R_1,R_2$单位正交：
  
  

• 其中，矩阵v为：
  

• 由于矩阵 H 已知，矩阵 v 又全部由矩阵 H 的元素构成，因此矩阵 v 已知。

• 求得向量 b 即可得到矩阵B。

• 一张标定板图片可提供一个vb=0的约束关系，包含两个约束方程。

• 向量b一共有6个未知元素，3个图片即可求出向量b

• 超过3张图片可以利用最小二乘法得到最佳向量b，得到矩阵B
  

• 根据上式可得：
  

• 内参矩阵A：
  

• 同一个相机，相机的内参矩阵取决于相机的内部参数，无论标定板和相机的位置关系是怎么样的，相机的内参矩阵A不变。

3.3 外参矩阵 $(R1R2T)$

• 对于不同的图片，标定板和相机的位置关系已经改变（H已变），此时每一张图片对应的外参矩阵都是不同的。
  
• 根据上式即可求得外参矩阵。

---

• 需要指出，完整的外参矩阵为：
  
• 由于棋盘格上任意一点的物理坐标W=0，将旋转矩阵的R第三列R3消掉，因此R3在坐标转化中没有作用。
• R3使得R满足旋转矩阵的性质，即列与列之间单位正交，可通过R1和R2叉乘得到R3。

---

附录

本文所有参考链接如下，如有侵权联系删除：

1. 【知乎】相机标定之张正友标定法数学原理详解（含python源码）
2. 【秘塔搜索】相机标定的数学原理
3. 【CSDN】单目相机标定实现–张正友标定法