OpenCV 相机校正过程中，calibrateCamera函数projectPoints函数的重投影误差的分析

OpenCV 校正过程中，calibrateCamera函数的ret和重投影误差的分析

---

一、前言

本文主要是讲解Python利用OpenCV进行相机校正过程中，几个重点参数的分析。标定的过程就不再一一赘述了，很多博客和网站都在讲解怎么进行标定。本文章主要分析，标定过程中的误差计算公式，和对calibrateCamera( ) 和 projectPoints( ) 两个函数得到的误差不同的原因进行分析。

本文重点分析重投影误差的计算方式。准确描述OpenCV自带的函数，和各个文档，教程里面所说的重投影误差计算的流程进行分析和对比，描述官方的重投影误差和教程实现重投影误差的差别。 我认为OpenCV官方和其他大多数地方的教程，给的重新计算重投影误差的结果，其计算的表达式，也是不准确的。

正确的方法是相机校正的方法输出的重投影误差ret。使用的是RMS均方根误差。另外教程和博客，给的是MSE均方误差

二、calibrateCamera( )函数分析

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(x_world, y_voltage, (224, 224), None, None)

这里，ret表示的是重投影误差；mtx是相机的内参矩阵；dist表述的相机畸变参数；rvecs表示标定棋盘格世界坐标系到相机坐标系的旋转参数：rotation vectors，需要进行罗德里格斯转换；tvecs表示translation vectors，主要是平移参数。
其他几个参数，OpenCV的官网都进行了仔细分析，在这个网站上去仔细的看，每个参数对应的数学公式。https://docs.opencv.org/3.4/dc/dbb/tutorial_py_calibration.html

主要分析ret这个值，也就是retval，这个是重投影误差。

import numpy as np
import cv2 as cv2
import glob
# termination criteria
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
# prepare object points, like (0,0,0), (1,0,0), (2,0,0) ....,(6,5,0)
objp = np.zeros((6*7,3), np.float32)
objp[:,:2] = np.mgrid[0:7,0:6].T.reshape(-1,2)
# Arrays to store object points and image points from all the images.
objpoints = [] # 3d point in real world space
imgpoints = [] # 2d points in image plane.
images = glob.glob('*.jpg')
for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv.COLOR_BGR2GRAY)
    # Find the chess board corners
    ret, corners = cv2.findChessboardCorners(gray, (7,6), None)
    # If found, add object points, image points (after refining them)
    if ret == True:
        objpoints.append(objp)
        corners2 = cv2.cornerSubPix(gray,corners, (11,11), (-1,-1), criteria)
        imgpoints.append(corners)
        # Draw and display the corners
        cv2.drawChessboardCorners(img, (7,6), corners2, ret)
        cv2.imshow('img', img)
        cv2.waitKey(500)
cv2.destroyAllWindows()

# Calibration, Now that we have our object points and image points, we are ready to go for 
# calibration. We can use the function, cv.calibrateCamera() which returns the camera matrix, 
# distortion coefficients, rotation and translation vectors etc.
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)
print("ret:", ret)
print("Camera matrix : \n")
print(mtx)
print("dist : \n")
print(dist)
print("rvecs : \n")
print(rvecs)
print("tvecs : \n")
print(tvecs)

其中，这个ret也就是retval，表示的是重投影误差，是算法自动返回的，其表达式为：
$$Reppoints{x}^{\prime }=k[R|T]X.$$
其中，Reppoints x’是[Nx2]，表示的图像像素平面的2维坐标点，X是[Nx3]表示的3D世界坐标系下的3维坐标点。也就是棋盘格所构造的3D坐标系的大小。
$$ret=repro\_error=\sqrt{\frac{||x^{\prime }-x|{|}_2^2}{total\_points}}=\frac{||x^{\prime }-x|{|}_2}{\sqrt{total\_points}}$$
这就是cv2.calibrateCamera()返回的值中，ret也就是重投影误差的计算公式。求的是RMS均方根误差，对所有的点，求二范数，然后求平均再开根号，得到RMS误差。

其中，二范数用的是：cv2.norm(data1, data2, cv2.NORM_L2)计算得到:
$$norm(x,x^{\prime })=||x-x^{\prime }|{|}_2=\sqrt{||x-x^{\prime }|{|}_2^2}=\sqrt{(x_1-x_1^{\prime }{)}^2+...+(x_n-x_n^{\prime }{)}^2}$$

三、projectPoints()函数分析

imgpoints2, _ = cv.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)

1. 原始的计算方法，大多数教程和博客，以及OpenCV文档，给出的重投影误差计算方法。

对相机标定得到的参数，带回原始的投影公式，重新计算从3D世界坐标系投影到2D图像平面坐标系的新的图像像素值，然后计算重投影误差。其中，objpoints表示世界坐标系的坐标，也就是棋盘格的坐标系，rvecs，tvecs，mtx，dist就是相机标定得到的那些参数。

mean_error = 0
for i in range(len(objpoints)):
    imgpoints2, _ = cv.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)
    error = cv.norm(imgpoints[i], imgpoints2, cv.NORM_L2)/len(imgpoints2)
    mean_error += error
print( "total error: {}".format(mean_error/len(objpoints)) )

这里计算误差的方式，我们将得到的值和上面相机校正返回的值ret，不一样。因此，需要考虑，将这个官方给定的计算方式，进行重新计算。如果你不在意准确的值，就不用进行优化。

本文是准确的探索，重投影误差的计算方式。按照上面的算法流程，我们可以得到以下的计算重投影误差的公式：
$$repro\_error=\frac{||x^{\prime }-x|{|}_2}{total\_points}$$
很明显，均方误差的计算，按照上述的表达式，是不准确的。误差开根号，然后除以点数多少，只能说是每个点的平均欧式误差。MSE误差。

2. 校正之后的重投影误差计算方法或者代码。

因此，需要求得准确的均方根误差，我们应该是先求平方，求平均，在开根号。因此，需要将代码改为：

mean_error = 0
for i in range(len(objpoints)):
    imgpoints2, _ = cv.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)
    error = cv.norm(imgpoints[i], imgpoints2, cv.NORM_L2)
    total_error += error*error
print( "rms error: {}".format(np.sqrt(total_error/(len(objpoints)*len(imgpoints2)))))

上述的流程才是：
$$repro\_error=\sqrt{\frac{(||x-x^{\prime }|{|}_2^2}{total\_points}}$$

• 与我们的cv2.calibrateCamera()返回的值是一样的。

四、具体实验和算法对比

1. 相机校正返回的值
   

2. 函数的返回值
   其中的返回的误差项，真实值：ret 为 ret: 0.008683449668964258
   

3. 使用大多数教程和博客的算法来计算的误差值，是有差别的：
   

4. 参考代码给出的输出误差结果
   total error: 0.0018512112930950482

5. 按照自己修正的代码，来进行重投影误差计算：
   
   输出的重投影误差为：total error: 0.008683459017710442。

因此，和我们相机校正输出的=重投影误差是一样的。

五、参考附录

下面是原始C++函数，计算重投影误差的流程，我上面的公式就是按照这个算法来解释的：

static double computeReprojectionErrors(
        const vector<vector<Point3f> >& objectPoints,
        const vector<vector<Point2f> >& imagePoints,
        const vector<Mat>& rvecs, const vector<Mat>& tvecs,
        const Mat& cameraMatrix, const Mat& distCoeffs,
        vector<float>& perViewErrors )
{
    vector<Point2f> imagePoints2;
    int i, totalPoints = 0;
    double totalErr = 0, err;
    perViewErrors.resize(objectPoints.size());

    for( i = 0; i < (int)objectPoints.size(); i++ )
    {
        projectPoints(Mat(objectPoints[i]), rvecs[i], tvecs[i],
                      cameraMatrix, distCoeffs, imagePoints2);
        err = norm(Mat(imagePoints[i]), Mat(imagePoints2), NORM_L2);
        int n = (int)objectPoints[i].size();
        perViewErrors[i] = (float)std::sqrt(err*err/n);
        totalErr += err*err;
        totalPoints += n;
    }

    return std::sqrt(totalErr/totalPoints);
}

需要准确描述如何计算重投影误差的同学，需要仔细修改你的代码，因为RMS误差来描述的，是需要求平方差，然后求平均，再求平方根。

正确的方法是相机校正的方法输出的重投影误差，而不是大多数，包括OpenCV官方，给出的，都是不一样的，或者是不准确的重投影误差的计算函数。

参考网站：

1. https://stackoverflow.com/questions/29628445/meaning-of-the-retval-return-value-in-cv2-calibratecamera
2. https://docs.opencv.org/master/dc/dbb/tutorial_py_calibration.html

如果有用，记得点赞👍加收藏哦。！！！！