双目立体视觉---外参自标定

所谓外参自标定的方法,是不用固定的标定板,在拍摄实际场景的两张图像时,进行摄像机的外参自标定,从而获取当时两个摄像机位置之间的Rotation和Translation,以上是假定摄像机的内参是固定不变的,仅仅修正外参来达到对标定的实时改善。

步骤如下:

1. 利用摄像机内参进行畸变校正。

2.将两幅畸变校正后的图作为输入,使用OpenCV中的光流法提取匹配特征点对,points1和points2.

3.利用特征点对points1和points2,以及内参矩阵K,解算出本质矩阵E。

 cv::Mat E = cv::findEssentialMat(points1, points2, K, CV_RANSAC);

4.利用本质矩阵E解算出两个摄像机之间的Rotation和Translation,也就是两个摄像机之间的外参。

 cv::Mat R1, R2;
    cv::decomposeEssentialMat(E, R1, R2, t);

    R = R1.clone();
    t = -t.clone();

 

  • 1
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 9
    评论
双目立体视觉标定中,通常通过摄像机标定来获得相机的内参和参。对双目系统进行标定的目标是确定每个摄像机的内参矩阵(相机矩阵)和参矩阵(旋转矩阵和平移向量)。 以下是双目立体视觉标定结果的一般标准: 1. 内参矩阵(相机矩阵): - 焦距(fx,fy):表示摄像机的焦距,通常以像素为单位。 - 主点(cx,cy):表示光学中心点的像素坐标。 2. 畸变系数: - 径向畸变系数(k1,k2,k3):表示径向畸变的程度,通常用多项式模型来拟合。 - 切向畸变系数(p1,p2):表示切向畸变的程度。 3. 参矩阵: - 旋转矩阵(R):表示将左相机坐标系下的点转换到右相机坐标系下的旋转关系。 - 平移向量(T):表示将左相机坐标系下的点转换到右相机坐标系下的平移关系。 标定结果的准确性和稳定性对于双目立体视觉系统的性能至关重要。一般来说,标定结果应满足以下标准: - 相机矩阵的焦距应在合理范围内,能够准确地估计摄像机的视场和尺度。 - 主点的坐标应接近图像中心,表明摄像机的光学中心估计准确。 - 畸变系数应尽可能小,表示摄像机的畸变效果较小。 - 旋转矩阵和平移向量应准确反映了左右相机之间的几何变换关系。 在实际应用中,可以使用一些评估指标来评价标定结果的质量,如重投影误差、立体匹配误差等。较好的标定结果应具有较低的重投影误差和立体匹配误差。 需要注意的是,标定结果的标准可以根据具体应用的需求而有所不同。在特定的双目立体视觉应用中,可能需要进一步的优化和调整以满足特定的要求。
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Ai智享

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值