OpenCV单目视觉：方形标定板角点检测与点云生成

OpenCV单目视觉：方形标定板角点检测与点云生成

在计算机视觉中，相机标定是一个重要的任务，它用于确定相机的内部参数（如焦距、主点）和外部参数（如相机的位置和朝向）。其中，角点提取是相机标定的关键步骤之一，它通过检测标定板上的角点来精确定位相机的位置。本文将介绍使用OpenCV库进行单目相机视觉标定中方形标定板角点提取的方法，并通过生成点云展示标定结果。

1. 导入所需库
   为了开始我们的任务，首先需要导入OpenCV库以及其他一些辅助库。

import cv2
import numpy as np
from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

2. 读取图像并灰度化
   接下来，我们将读取包含标定板的图像，并将其转换为灰度图像。

image = cv2.imread('calibration_image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

3. 检测角点
   利用OpenCV提供的findChessboardCorners函数，我们可以检测方形标定板上的角点。

pattern_size = (9, 6)  # 方形标定板内角点数目
ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)

4. 亚像素精确化
   为了提高角点的精确度，我们可以使用亚像素级别的精确化方法。

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)

5. 绘制角点
   为了可视化标定结果，我们可以在原始图像上绘制检测到的角点。

cv2.drawChessboardCorners(image, pattern_size, corners, ret)
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.show()

6. 生成点云
   最后，我们将使用标定结果生成点云，以展示相机的外部参数估计。

obj_points = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32)
obj_points[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2)
image_points = corners.reshape(-1, 2)

# 构建相机矩阵
camera_matrix = np.eye(3)
camera_matrix[0, 2] = image.shape[1] / 2
camera_matrix[1, 2] = image.shape[0] / 2

# 进行相机标定
_, rvec, tvec, inliers = cv2.solvePnPRansac(obj_points, image_points, camera_matrix, None)

# 生成点云
point_cloud = np.zeros((len(inliers), 3), np.float32)
for i, inlier in enumerate(inliers):
    point_cloud[i] = np.dot(cv2.Rodrigues(rvec)[0].T, (obj_points[inlier] - tvec).T).T

# 可视化点云
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(point_cloud[:, 0], point_cloud[:, 1], point_cloud[:, 2])
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()

通过上述步骤，我们成功实现了使用OpenCV进行方形标定板角点提取和点云生成的任务。这对于相机标定和三维重建等计算机视觉应用非常有用。