【双目视觉探索路6】整体代码结构分析与作业完成（未完待续）

上一节的程序实现了立体视觉实现过程的所有步骤，现在对整体框架进行分析学习

书中框架结构介绍

书:Learning OpenCV3

第一步：读取左右图像对

目的：寻找亚像素精度的circles

方法：调用stereoCalibrate()标定

需求：相机矩阵_M以及畸变矢量_D

输出：_R,_T,_E,_F

第二步：评估精度

方式：图像上的点距离另一张图像上的极线到底有多远。

调用函数 undistortPoints()以及computeCorrespondEpilines()

第三步：计算校正图像

方式

Hartley-> cv::stereoRectifyUncalibrated()

如果使用这一步，代码还需要计算基础矩阵或者直接调用立体标定得到的基础矩阵

然后调用cv::remap()计算校正图像。

本实例中通过划线，表明了校正图像之间的联系。

Bouguet->stereoRectify()

第四步：计算视差图

这一部分通过StereoSGBM()寻找标定/非标定的校正立体图像对的视差图。

例子中给了水平放置以及垂直放置相机的校正实例。

但是垂直放置只能通过非标定校正算法，除非你通过代码对图像进行了转换

StereoCalib开放接口

接口参数表

static void StereoCalib(const char *imageList, int nx, int ny,
	bool useUncalibrated)

在主程序中，使用了StereoCalib函数，使用形式为

	StereoCalib(board_list, board_w, board_h, true);

其中board_list为包含了标定板名称的txt文件；board_w,board_h为棋盘格的方格数目，最后一个参数为校正的形式（使用标定校正（Bouguet's algorithm)还是非标定校正(Hartely's algorithm)）

StereoCalib内部分析

工作流程

程序的流程为双目立体视觉成像的流程：

单目标定（获取内外参）->双目标定（相机之间的转换矩阵）->校正（输出行对准图像）->立体匹配（输出深度图）

立体校正的两种方法

前面几篇文章只是泛泛的提了一下立体校正，本文由于是进一步深入的应用，将对涉及的两种校正方法:Bouguet算法以及Hartely算法进行原理上的梳理。

资料来源:

Learning OpenCV3

Hartely算法(Hartley's algorithm)

本文研究的主程序对useUncalibrate赋值为true，进入程序中则自动选择非标定校正算法；这里采用的非标定校正算法就是Hartley算法。

Hartley算法通过将极点匹配到无穷远的方法寻找单应性，可以减少两立体图像之间的视差。这种方法绕过了计算相机的内参，从而不用进行点的匹配，因此算法复杂度较低。基础矩阵可由stereoCalibrate()获得。

优点：通过简单的观察场景中的点，可以实现在线立体标定（online stereo calibrate）

缺点：由于避开了图像的内参调用；我们无法了解图像的尺度因子，比如棋盘格到底是距离我们100cm还是100m。

函数

Bouguet算法(Bouguet's algorithm)

Bouguet算法就是标定算法，其输入参数为两相机之间的R/T矩阵。立体矫正在Bouguet算法的实现原理是：在最大化公共视场区域的同时，最小化重投影畸变。

由于目前我的数学基础还不扎实，以及目前这部分是为了用；这两种算法的原理在后续继续深入研究时将进行补充。

函数

本文调用函数汇总

stereoCalibrate

本函数实现立体标定，输出R、T、E、F矩阵

stereoRectifyUncalibrated