【计算机视觉】 摄像机标定

摄像机标定

齐次坐标

齐次坐标,将欧氏空间的无穷远点,与投影空间中有实际意义的消失点,建立起映射关系

把齐次坐标转化为笛卡尔坐标的方法:是前面n-1个坐标分量分别除以最后一个分量即可

image-20221204123738060

一些解释和性质:

image-20221204123928555

img

比较好的理解:

表达一个点比一个向量需要额外的信息。如果我写出一个代数分量表达(1, 4, 7),谁知道它是个向量还是个点!

如果用齐次坐标————上面的(1, 4, 7)如果写成(1,4,7,0),它就是个向量;如果是(1,4,7,1),它就是个点。因此可以用齐次坐标很好的将向量和点统一起来表示。

详见:https://blog.csdn.net/wonengguwozai/article/details/126123349

线性变换

线性变换包括:欧式变换Euclidean、仿射变换affine和透视变换projective。

欧式变换Euclidean

欧式变换保持了长度和角度平移旋转是欧式变换。也叫刚体变换。

平移

将一个点从一个位置转换到另一个位置

image-20221204144606996

其中:

image-20221204144503649

推广到三维:

旋转

image-20221204160006245

推广到三维:

image-20221204160039937

仿射变换affine

仿射变换保持了长度和角度比值,仿射变换的例子是剪切缩放

缩放

image-20221204160230100

剪切

image-20221204160252458

透视变换projective

透视变换可以来实现有限范围的点变换为无穷远点,将图像投影到一个新的视平面(也叫投影变换)

image-20221204160551432

图像成像

针孔透视

针孔模型中,光线通过一个无限小的孔,并且在成像平面上呈现出倒像。

**透视投影:**将三维物体的信息映射到二维平面上。

image-20221204161745792

弱透视

弱透视投影:平面中的所有线段都以相同的放大倍数进行投影。

相机事实上成像在后面,然后取倒像

image-20221204161841404

摄像机镜头

Snell定律

image-20221204162230448

薄透镜

image-20221204162328694

厚透镜

image-20221204162344794

z是镜到cmos的距离,Z是物体到镜的距离

相机的视野

相机的视野:即实际投影到相机视网膜上的景物部分,不仅由焦距定义,还取决于视网膜的有效面积(例如,相机中可曝光的胶片面积,或数码相机中的传感器面积)。

球形像差

简单地说:就是大光圈进光亮大造成虚化。

标准答案:

球形像差,顾名思义是由于透镜的球形表面造成的像差。实际上,球面镜不能将所有光线聚焦在同一点,透过镜片边缘进入的光线会偏离焦点形成像差。尤其在大光圈的时候,有较多光线可以通过镜片。最明显就是一些光点会虚化成一团光,这是由于边缘位置进入的光线与中心聚焦的偏差较大所致。

色差

不同波长(颜色)的光线由于折射系数的差异(色散),在通过透镜时将发生不同程度的折射然后与光轴相交于不同的位置,并在同一图像平面上形成不同的模糊圈(横向色差)。

摄像机的几何标定

内参矩阵

在u和v方向上分辨率分别为mu和mv,tu和tv是平移量。

image-20221204163348061

外参矩阵

相机的投影中心不在(0,0,0),主轴不在Z轴上,图像平面虽然仍然与主轴正交,但也不平行于XY平面。

设这个平移矩阵为T(Tx, Ty, Tz)。让主轴与Z轴重合的旋转矩阵由3×3旋转矩阵R给出,子矩阵(RT是平移矩阵)相乘得到3×4变换矩阵。

image-20221204164900311

E被称为外参矩阵

相机标定矩阵

image-20221204165051674

张正友标定法

image-20221204170055552

1.求解内参矩阵和外参矩阵的积H

image-20221204171818688

image-20221204170443815

当一张图片上的标定板角点数量等于4时,即可求得该图片对应的矩阵H 。当一张图片上的标定板角点数量大于4时,利用最小二乘法回归最佳的矩阵H 。

最小二乘法:简单地说就是通过n组X(u,v)和Y(U,V),求解八个参数。

https://blog.csdn.net/W1995S/article/details/118153146

2.求解内参矩阵

image-20221204175704911

image-20221204175733225

3.求解外参矩阵

image-20221204175824030

4、标定相机的畸变参数

image-20221204181321248

r为图像像素点到图像中心点的距离,即 image-20221204181517165

在这里,x->u y->v

image-20221204181808329

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

半山乱步

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