相机模型与标定（学习笔记）

最新推荐文章于 2024-05-20 16:49:59 发布

duganlx

最新推荐文章于 2024-05-20 16:49:59 发布

阅读量768

点赞数 1

分类专栏：机器视觉文章标签： opencv 计算机视觉 slam 学习笔记

本文链接：https://blog.csdn.net/qq_40626497/article/details/105359064

版权

19 篇文章 4 订阅

订阅专栏

相机中有四个坐标系，分别是{world}、{camera}、{image}、{pixel}

在这里插入图片描述
关系

从{world}到{camera}
- 设某点在{world}中的坐标P_w=(x_w, y_w, z_w)^T，在{camera}中的坐标为P_c=(x_c, y_c, z_c)^T，则：
  - R为正交旋转矩阵
  - T为平移矩阵
从{camera}到{image}
- 设空间点X_c在{camera}下：P_c=(x_c, y_c, z_c)^T，其像点m在{image}的齐次坐标为m=(x_p, y_p, 1)^T。由图中相似三角形可得：
  
  写成矩阵表示：
- 实际中，主点可能不在图像坐标系原点，若主点在图像坐标系中的坐标为P=(x₀, y₀, 1)^T，则
从{image}到{pixel}
- 假设一个像素的长和宽分为为dx，dy，设像素坐标Pix=(u, v, 1)^T，则
- 结合{camera}到{image}的变换，则{camera}到{pixel}的变换矩阵K为：
  
  其中，f_x=f/dx，f_y=f/dy，称为相机在u轴和v轴方向上的尺度因子。相机主点为：(u₀, v₀)^T=(u₀/dx, v₀/dy)^T
从{world}到{pixel}
- 四个坐标系的变换过程：
- 矩形表示为：
  - 其中K为内参
  - 外参：

例：
在这里插入图片描述

设三维世界坐标点为M=[X, Y, Z, 1]T，二维相机平面像素坐标为m=[u, v, 1]T，所以标定用的棋盘格平面到图像平面的单应性关系为sm=A[R, t]M，其中

不妨设棋盘格位于Z=0，定义旋转矩阵R的第i列为r_i，则有：
在这里插入图片描述

令H=[h₁, h₂, h₃]=λ[r₁, r₂, t]，于是空间到图像的映射可改为：sm=HM，其中H是描述Homographic矩阵，H是一个齐次矩阵，所以有8个未知数，至少需要8个方程，每对对应点能提供两个方程，所以至少需要四个对应点，就可以算出世界平面到图像平面的单应性矩阵H。

外部参数可通过Homography求解，由H=[h₁, h₂, h₃]=λ[r₁, r₂, t]可推出
在这里插入图片描述

由r₁和r₂正交，且r₁和r₂的模相等，可以的得到如下约束：
在这里插入图片描述

则B中未知量可表示为6D 向量b，b=[B₁₁ B₁₂ B₂₂ B₁₃ B₂₃ B₃₃]^T

设H中的第i列为h_i，则h_i=[h_i1 h_i2 h_i3]^T，根据b的定义，可以推导出如下公式
在这里插入图片描述
即

内部参数可通过如下公式计算（cholesky分解）：
在这里插入图片描述

上述的推导结果是基于理想情况下的解，但由于可能存在高斯噪声，可以使用最大似然估计进行优化。

关注

专栏目录