19.内在摄像机校准——内联函数 测验，结合外在和内在校准参数，编写相同方程的其他方法，相机参数_2

目录

内联函数 测验

结合外在和内在校准参数

编写相同方程的其他方法

相机参数

总结

---

内联函数 测验

测验。这些内部函数具有以下特性：焦距、像素x大小、像素y大小、两个deg、偏移量和倾斜。这是六个。但是我们说过只有5个自由度。发生了什么事?

A) 因为 f 总是乘以像素的大小，这三个数字实际上只有两个自由度。

B) 在现代相机中，倾斜总是零，所以我们不再担心它了。

C) 在CCDs或CMOS相机中，长宽比被严格控制为1.0，所以我们也不再建模了。 

正如我所说，答案是A，对吧? 对于两个不同的标度，f 可以乘以 a 或者我们可以有两个不同的标度。但是这里没有三个数字。实际上只有两个。所以答案是A。

结合外在和内在校准参数

现在我们找到了内在矩阵。上次我们求出了外在矩阵。现在我们可以把它们结合起来得到从世界点到摄像机坐标到图像的摄像机总标定。我们在这里写下两个方程（如图1）。

 我们有一个内在的矩阵，p '等于K乘以摄像头中的这个点。我们的外在联系世界点，和摄像机点。w中的P是由外部矩阵变换的世界三维坐标（如图1），成为摄像机的三维坐标（如图2），也用于内在方程（intrinsic equation）。然后直接转换成像素（如图3）。

1

2

3

这里需要注意的一点是，我们的世界坐标系，是一个四维向量，它是齐次的。我们得到了四个向量，但是正如我们之前说的，对于K，我们不用3×4的，我们可以用3×3的，在这种情况下我们只用3D摄像机空间中点的x, y, z。我们不需要用整个x y z 1。也就是说这个K可以看成是3×4的或者3×3的（如图1）。当它是一个3×3矩阵时我们不需要在底部有1（如图2）。

1 2

所以，把这两个方程放在一起，我们得到的是，我们在这里取一个世界点（如图1），我们把它泵过我们的外部矩阵（如图2）。这是一个3×4矩阵（如图3），okay，

1 2

 3

它把我们从三维向量中提出来了。然后我们通过我们的内有矩阵（如图1），得到我们的齐次图像坐标（如图2）。这是一个三个向量。记得我们说过它是z乘以u, z乘以v（如图3），看这个。我的美国和vs看起来一样。除以z，然后把它转换回来。

 1 2

3

所以这整个东西可以写成一个矩阵M（如图4）。 M用某种语言进行校准。我不知道为什么叫M，但是我们叫它M。

编写相同方程的其他方法

只是想把它写出来，M用一种稍微不同的方式，因为这是我们解这个的时候要用到的方法。这里我们写出了相同的方程。你看，我们有通过M映射的世界坐标，给我们齐次像素坐标。我所做的，写在这里（如图1），我取了这个M矩阵，记住，它是一个3×4矩阵。我说过你可以把它想象成三个向量每个长度是4作为行变换（如图2），所以每一行都是一个向量。

1 2

 我还介绍了一些新的东西，我想我之前没有在这张幻灯片上展示过。记住，这是我们之前说过的，okay? 我使用s大小（如图1），而不是z，right，所以我们有s乘以u， s乘以v，和s。最后我们得到u和v（如图2），我们仅仅只是除以s。

1 2

 我把这里的小运算（如图绿色），但它只是一个乱涂乱画直线下方，有时下面两条直线。这就是所谓的投射相似（projectively similar）。

你会注意到这个向量和这个向量（如图1）完全相同除了一个比例因子，all right。左边的向量乘以s，得到右边的向量。记住，在齐次坐标中或者用投影，这两个向量本质上是相同的，因为当我用它们的值时，我除以左边，除以最后一个分量。这就是投影上的相似之处，这里也介绍了。那么，刚刚结束，我恢复u和v的方法是，我除以点积，世界上第一行和点p的向量的点积（如图2），除以第三行的点积，就是这个（如图3）。然后为了得到v的值，我做同样的事情，但是现在对于第二行，all right。

1 2

3 4

所以基本上，当我们要找的，当我们要做相机校准的时候，我们要找到那些m个元素（如图）。

相机参数

最后，我们可以讨论全相机参数或相机和校准矩阵。摄像机和它的矩阵M，有时叫做，这就是我在这里写的，正如我们所知，由几个参数来描述。它有来自世界原点的光学中心的变换T。我们得到了坐标系的旋转R。我们有一个焦距和方向，f 和 a，像素 或者 像素大小，sx sy。一个主点，就是偏移量x xc yc 或 cx cy。在这张幻灯片中，蓝色的参数叫做外特性，红色的是内特性（如图）。

我们可以把整个东西放在一起，我们想要得到一个矩阵。M是由所有参数的影响构成的（如图1），看起来像这样（如图2）。okay?

1

2

也就是说M是变换和旋转的组合（如图1），这是外在的。现在我们有了三维摄像机坐标系中的点。投影（如图2），这只是xyz的提取，然后通过内部函数将其泵入（如图3）。

1

2

3

这里有多少个自由度? 有11个。

内在函数5个（如图1），旋转函数3个（如图2），变换函数3个（如图3）。

1

2

3

我要把那些潦草的字迹擦掉。这个方程，这个M，这是整个相机校准矩阵。

总结

all right，这节内容到此结束。到目前为止，我们所做的就是推导出了如何将外部和内部结合起来形成一个单一的校准矩阵。这个矩阵从任意的世界坐标映射到一个像素值。你知道，世界上的某个x y z，紫外线最终会在图像中得到什么。all right?

下节内容我们要做什么? 下节内容最明显的事情是，如何找到这个矩阵，all right? 基本上，要求是，如果我给你空间中一些三维点的位置，我给你图像中这些点的位置，我应该能够恢复相机校准矩阵。这就是我们下次要做的。然后，几次之后，我们会说，如果我们对从世界坐标系到摄像机坐标系不太感兴趣，但是相反，我们感兴趣的是从一个摄像机坐标系到另一个摄像机坐标系，还记得立体坐标系吗? 我们如何进行校准呢? 但首先，我们从世界到图像。

---

代码是最为耐心、最能忍耐和最令人愉快的伙伴，在任何艰难困苦的时刻，它都不会抛弃你。