左右两张图像经过rectification后,会前向共面,也就是它们的主光轴平行,见“三角测量的前提的假设”。
该处理的源代码对应于opencv的sample的stereo_calib.cpp。
基本处理过程分为两个部分,1)获取进行rectification所需要的map1和map2。 2)对每张图像基于是left camera还是right camera分别进行remap。
第二部分非常简单,类似于单目camera的UndistortRectify的remap操作,省略。
第一部分的处理如下:
- 从图片列表中读取图像。
- cvtColor,把图像转换成灰度图;
- 基于灰度图像,使用findChessboardCorners, 获取corners
- 基于灰度图,使用cornerSubPix,获取更精确的corners
- 基于左右camera,把每张图的Corner points 放入分别放入左右images points,二维向量,第一维对应于图像,第二维对应于图像内的corners points;
- 基于图像的数量构造obj points ;
- 调用initCameraMatrix2D函数,基于3D object的points和2D image points的对应关系,获取左右camera matrix。
- 调用stereoCalibrate函数,进行stereo 标定
- 遍历所有图像,调用undistortPoints函数和computeCorrespondEpilines函数和函数fabs来计算标定的epipolar的误差。
- 调用stereoRectify函数,获取左右image plane的和、投影矩阵和和用于3维重建的矩阵Q。后面会调用stereoRectifyUncalibrated函数更新左右image plane的和、投影矩阵和。
- 如果使用的是HARTLEY'S METHOD,调用findFundamentalMat函数,计算基本矩阵。
- 果使用的是HARTLEY'S METHOD,调用stereoRectifyUncalibrated函数,计算用于rectification的单应性矩阵,并基于单应性矩阵获取左右image plane的和,并更新投影矩阵和。
- 调用initUndistortRectifyMap函数,获取左右image plane对应的undistortion map。
- 结束。
demo的输入参数:
- -w=6,board_width,棋盘的x-axis有6个Corner;
- -h=9,board_height,棋盘的y-axis有9个Corner;
- Inputdata=stereoFrames/path.yml,它的左右图像必须成对出现,因此,它的组织形式按seq方式组织如下:
%YAML:1.0
---
image:
- "/data_1/songqing/opencv/example/image/stereoFrames/Color_0.bmp"
- "/data_1/songqing/opencv/example/image/stereoFrames/IR_gain0x0_exp0x0_1.bmp"
- "/data_1/songqing/opencv/example/image/stereoFrames/Color_10.bmp"
- "/data_1/songqing/opencv/example/image/stereoFrames/IR_gain0x0_exp0x0_11.bmp"
- square size,默认为1;
我使用了HARTLEY'S METHOD,如果使用BOUGUET’S METHOD,出来的结果是错误的,应该是我右边的摄像头有光斑导致的。
用网上使用的棋盘图像,使用HARTLEY'S METHOD和BOUGUET’S METHOD都能得到正确的结果。
原有的程序输出的结果有:
- extrinsics.yml:包含stereo 标定的旋转矩阵R,left camera的,right camera,平移矩阵T,leftcamera的投影矩阵,rightcamera的,重映射矩阵Q。
- intrinsics.yml:左右两个camera的camera 内参和畸变相关系数。
我进行图像验证的输入和输出如下:
输入的图像如下:
输出的图像如下: