CV11-三维重建2

最新推荐文章于 2024-06-02 05:19:05 发布

长命百岁️

最新推荐文章于 2024-06-02 05:19:05 发布

阅读量651

点赞数 3

分类专栏：计算机视觉文章标签：几何学计算机视觉线性代数

本文链接：https://blog.csdn.net/qq_52852138/article/details/122492123

版权

计算机视觉专栏收录该内容

11 篇文章 4 订阅

订阅专栏

相机标定

用于计算相机内参
在这里插入图片描述
基于已知三维几何的参照物，基于定标盒，定标版可以得到一组三维到二维的对应点

基于定标盒

得到 $P$ ，之后分解为 $K, R, t$
在这里插入图片描述
缺点：制作不方便，三维坐标难以保证精确

基于定标板（张正友方法）

$X$ 为将相机坐标系中的三维点（只不过在这里 $Z = 0$ ）
在这里插入图片描述
我们对上述式子进行简化，利用 $H$ 来表示整个变换。 $H$ 可以利用点对来求解

我们已知 $H$ 之后，如何求得 $K$ 呢？我们这里主要关注相机的内参，因为相机的外参随相机位置的变化而变化
在这里插入图片描述

$h_1 = Kr_1,h_2 = Kr_2$ => $r_1=K^{-1}h_1,r_2=K^{-1}h_2$ 。利用正交单位向量的性质得到两个式子。

令 $B = K^{-T}K^{-1}$ ，上面得到的两个式子可以转换成如下形式
在这里插入图片描述
因为我们已知了 $H$ , 也就是说 $h_1,h_2$ 是已知的，我们如何求 $B$ 呢？

我么可以将 $h_i^TBh_j$ 写成 $v_{ij}^Tb$ 的形式，这样我们就实现了已知参数和未知参数的分离。这里 $B$ 是对称矩阵，因此真正需要求解的参数只有 6 个
在这里插入图片描述
于是，我们可以利用已知参数和位置参数分离的形式，将上面得到的两个式子，转化成如下形式。这样我们就可以利用Ab = 0 的形式了求解了

需要三个 H 来列出 6 个式子，求解 6 个未知数

具体求解过程
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZvIFRn8I-1642137039169)(C:\Users\nishiyu\AppData\Roaming\Typora\typora-user-images\image-20211226164755322.png)]$

总结

在这里插入图片描述
到这里我们已经解决了两个问题，即相机外参和内参的求解

立体匹配

如果相机光轴平行

$x_r$ ， $x_l$ 分别是 $p$ 在两个相机的成像面中的坐标，一个在光心左边，一个在光心右边。 $x_r-x_l$ 是视差，这表明，左右图像中对应像素的位移，与深度成反比
在这里插入图片描述
利用视差可以将一幅图转换成另一个相机拍的图（注意到这里只有 $x$ 坐标之间有差别）

相机光轴平行，左右图像在 $y$ 方向是对齐的，只需要进行1维匹配

相机光轴不平行

在这里插入图片描述

立体图像矫正

变换左右图像，使 $y$ 轴平行且对齐。其实就是得到相机光轴平行的效果
在这里插入图片描述
具体实现方式：保持光心不变，将图像都重投影到平行于基线的某个平面上

利用极线约束，缩小搜索范围

概念回顾
当我们知道基础矩阵 $F$ 和一个点的坐标后，可以确定这个点的对应点所在的直线方程。这里的 $l_1,l_0$ 表示的都是极线的参数

在这里插入图片描述
当我们得到极线方程后，同样也可以求出极点

左相机图像平面所有极线都经过极点 $e_0$ ，也就是说 $x_j^TFe_0 = 0$ 恒成立，无论 $x_j$ 取什么值。因此 $Fe_0=0$ 。同理， $F^Te_1=0$
在这里插入图片描述
因为进行了极线约束，因此我们在立体匹配的时候进行一维搜索就行了

效果（利用窗口来搜索）

在这里插入图片描述

我们想要一个窗口窗口足够大，以便有足够的强度变化，但是又要足够小，以只包含具有相同视差的像素。

立体匹配与图像匹配的区别

立体匹配是用来计算深度的，图像是不同相机拍的，一般差异不大。（也有人为控制的原因）

一般的图像匹配没有太多的限制
在这里插入图片描述

深度相机分类

双目相机

结构光相机

一共有三个摄像头：一个用来投射投影，一个用来测量深度，另一个是常规摄像机
在这里插入图片描述
好处是将结构化的光投射到物体上，简化了特征匹配问题

激光相机

利用光的飞行时间来测距
在这里插入图片描述
光学三角测量

发射一束激光
扫描物体表面
这是一个非常精确的结构光扫描

三种类型深度相机的对比

在这里插入图片描述

长命百岁️

关注

3
点赞
踩
1

收藏

觉得还不错? 一键收藏
打赏
0
评论
CV11-三维重建2

相机标定用于计算相机内参基于已知三维几何的参照物，基于定标盒，定标版可以得到一组三维到二维的对应点基于定标盒得到 PPP ，之后分解为 K,R,tK,R,tK,R,t缺点：制作不方便，三维坐标难以保证精确基于定标板（张正友方法）XXX 为将相机坐标系中的三维点（只不过在这里 Z=0Z=0Z=0）我们对上述式子进行简化，利用 HHH 来表示整个变换。HHH 可以利用点对来求解我们已知 HHH 之后，如何求得 KKK 呢？我们这里主要关注相机的内参，因为相机的外参随相机位置的变化而变
复制链接

扫一扫