相机模型 - 坐标系转换

最新推荐文章于 2024-09-10 17:04:53 发布

SJTU 路子

最新推荐文章于 2024-09-10 17:04:53 发布

阅读量798

点赞数 14

文章标签：数码相机计算机视觉

本文链接：https://blog.csdn.net/qq_34826149/article/details/141870396

版权

世界坐标系 $O - X_w - Y_w)$ -> 相机坐标系 $O - X_c - Y_c)$ -> 图像坐标系 $O - X_i - Y_i)$ -> 像素坐标系 $(O - U - V)$
像素坐标系 $(O - U - V)$ -> 图像坐标系 $O - X_i - Y_i)$ -> 相机坐标系 $O - X_c - Y_c)$ -> 世界坐标系 $O - X_w - Y_w)$

世界坐标系 $O - X_w - Y_w)$ <-> 相机坐标系 $O - X_c - Y_c)$

相机的外参矩阵：描述世界坐标系下的点，经过旋转和平移，转换成相机坐标系的矩阵。
世界坐标系 -> 相机坐标系：利用外参先旋转后平移
$\left[ \begin{matrix} X_c\\ Y_c\\ Z_c\end{matrix} \right] = R_x R_yR_z \left[ \begin{matrix} X_w\\ Y_w\\ Z_w\end{matrix} \right] + \left[ \begin{matrix} T_x\\ T_y\\ T_z\end{matrix} \right]$
相机的外参矩阵由旋转矩阵 $R_xR_yR_z$ 和平移矩阵 $\left[\begin{matrix} T_x\\ T_y\\ T_z\end{matrix}\right]$ 共同组成。假设世界坐标系通过分别绕着X, Y, Z分别沿着右手法则方向旋转 $\alpha$ , $\beta$ , $\gamma$ 得到相机坐标系，对应的旋转矩阵分别为 $R_x$ , $R_y$ , $R_z$ .
我们可以得知旋转矩阵
$R_x = \left[ \begin{matrix} 1 & 0 & 0\\ 0 & \cos(\alpha) & \sin(\alpha) \\ 0 & -\sin(\alpha) & \cos(\alpha) \end{matrix} \right], R_y = \left[ \begin{matrix} \cos(\beta) & 0 & \sin(\beta) \\ 0 & 1 & 0 \\ -\sin(\beta)& 0 & \cos(\beta) \end{matrix} \right], R_y = \left[ \begin{matrix} \cos(\gamma) & \sin(\gamma) & 0 \\ -\sin(\gamma) & \cos(\gamma) & 0 \\ 0 & 0 & 1 \end{matrix} \right],$
相机坐标系 -> 世界坐标系: 利用外参先平移后旋转
$\left[ \begin{matrix} X_w\\ Y_w\\ Z_w\end{matrix} \right] = (R_x R_yR_z)^{(-1)} (\left[ \begin{matrix} X_c\\ Y_c\\ Z_c\end{matrix} \right] - \left[ \begin{matrix} T_x\\ T_y\\ T_z\end{matrix} \right])$

相机坐标系 -> 图像坐标系

在这里插入图片描述

假设相机坐标下的点 $P_c(x_c, y_c, z_c)$ , 焦距为 $f_c$ , 物理成像平面上的点 $P_i(x_i, y_i)$ 。由小孔成像原理知道，点 $P_c$ 经过相机的光心O投影到物理成像平面点 $P_i$ 。由像素三角形可以得到:
$\frac{x_c}{x_i} = \frac{y_c}{y_i} = \frac{z_c}{f_c} => x_i = \frac{f_c}{z_c}x_c, y_i = \frac{f_c}{z_c}y_c$
写成矩阵形式为
$z_c\left[ \begin{matrix} x_i\\ y_i\\ 1\end{matrix} \right] = \left[ \begin{matrix} f_c & 0 & 0\\ 0 & f_c & 0\\ 0 & 0 & 1\end{matrix} \right] \left[ \begin{matrix} x_c\\ y_c\\ z_c \end{matrix} \right]$
从上面可以知道，如果已知相机焦距，相机坐标系的点到图像坐标系的点是可以转换的，也就是已知 $P_c$ 和 $f_c$ 可以得到 $P_i$ . 而图像坐标系的点到相机坐标系的点是没法转换，也就是已知 $P_i$ 和 $f_c$ 没法直接得到 $P_c$ 。缺少深度信息，图像坐标系上的点映射到相机坐标系是一条射线。

图像坐标系 <-> 像素坐标系

图像坐标系还是在物理空间，单位还是m. 像素坐标系的单位是像素个数。分辨率R是指单位距离内存在的像素个数。通常情况下像素坐标系用平面O-U-V表示. 像素坐标系的通常定义是原点位于图像的左上角，u轴向右与图像坐标系X轴平行，v轴向下与图像坐标系Z轴平行。图像坐标系和像素坐标系存在缩放和原点平移关系。假设图像坐标系上的点 $P_i(x_i, y_i)$ , 像素坐标系上的点 $P (u, v)$ 。像素坐标在u轴上缩放了 $R_x$ 倍, 在v轴缩放了 $R_y$ 倍，同时原点平移了 $\left[c_x, c_y \right]^T$ .
$\left[ \begin{matrix} u\\ v \end{matrix} \right]= \left[\begin{matrix} R_x & 0 \\ 0 & R_y\end{matrix}\right] \left[\begin{matrix} x_i \\ y_i \end{matrix}\right] + \left[\begin{matrix} c_x \\ c_y \end{matrix}\right]$
从上面可以得知，图像坐标系上的点到像素坐标系上的点经过了缩放和平移过程。
相机内参矩阵：描述相机坐标系上的点，通过缩放和平移，转换成像素坐标系上的点的矩阵。
结合相机坐标系 -> 图像坐标系 -> 像素坐标系，可以得到：

$z_c\left[ \begin{matrix} u\\ v\\ 1\end{matrix} \right] = \left[ \begin{matrix} f_x & 0 & c_x\\ 0 & f_y & c_y\\ 0 & 0 & 1\end{matrix} \right] \left[ \begin{matrix} x_c\\ y_c\\ z_c \end{matrix} \right] = K\left[ \begin{matrix} x_c\\ y_c\\ z_c \end{matrix} \right]$
上面的K即是相机内参, $f_x = R_xf_c, f_y = R_yf_c$ .

总体而言世界坐标到像素坐标的转换为
$z_c\left[ \begin{matrix} u\\ v\\ 1\end{matrix} \right] = \left[ \begin{matrix} f_x & 0 & c_x\\ 0 & f_y & c_y\\ 0 & 0 & 1\end{matrix} \right] \left[ \begin{matrix} x_c\\ y_c\\ z_c \end{matrix} \right] = K\left[ \begin{matrix} x_c\\ y_c\\ z_c \end{matrix} \right] = K\left[R_x R_yR_z \left[ \begin{matrix} X_w\\ Y_w\\ Z_w\end{matrix} \right] + \left[ \begin{matrix} T_x\\ T_y\\ T_z\end{matrix} \right]\right]$