内参标定算法以及验证

目的

1. 标定出像素坐标系和相机坐标系的转换关系
2. 验证该关系误差

利用数据

1. 大约二十张不同姿态棋盘格图片

算法原理

2.像素到相机坐标系转换关系（再到世界）

• 像素转图像坐标系、图像坐标系到相机坐标系
  像素和图像坐标系如下图（dx，dy为每像素占x多少）
  
  
• 图像坐标系到相机坐标系如下图（单孔成像模型）
  
  
• 像素到相机坐标系
  
• 像素到世界用旋转平移矩阵（没什么好说的，下面说一下应用）
  1.构建把A转换到B的矩阵
  旋转矩阵：先建立B坐标系的xyz单位向量，利用xyz单位向量建立3*3的旋转矩阵（第一列是x），然后在再求逆才是把A转换到B的旋转矩阵（还没手动推导证明）。
  平移向量：A坐标系的原点在B中的坐标（还没手动推导证明）
  2.利用A转换到B的矩阵求B转换到A的矩阵
  利用分块矩阵求逆得
  

3 求解内参矩阵

刚体变换和内参相乘应该是44的，但是因为像素坐标系z=0，所以先求解33的矩阵（单应矩阵）。
由

得到

考虑方程的自由度，由于上述关系中的h乘任意相同的k都不改变关系式，那么都除以h33也没问题，所以h33=1，那么自由度只剩下8个。

那么只需要四对点则能求出单应矩阵,然后转换成Ax=0，x向量各元素既是我们要求的各元素，使用svd对矩阵进行分解，最小的特征值就是解

7.2 单应矩阵求解内参外参

利用


得到

令

得到

使用svd求得b。
再用cholesky分解得到内参（只知道分解两个上下三角矩阵）

7.3 进行最大似然估计

由于数据存在噪声，求得的结果有误差，采用最大似然估计进行优化，优化步骤：

1. 我们希望利用结果得到的点和真实点误差越小越好，建立函数
   
   希望它服从正太分布，因为该概率密度函数在等于0时概率最大

极大似然估计函数

希望其取得最大值
则求下式最小值

使用多参数非线性系统优化问题的Levenberg-Marquardt算法[2]进行迭代求最优解。

知识点补充

1.牛顿法

牛顿法的优点是收敛速度快，缺点是需要求矩阵的逆，计算量比较大

2.梯度法

梯度下降实际上只利用了一阶导数，也就是梯度带来的信息，因为如此，我们将会看到在某些情况下，梯度下降是一种效率很低的，极端情况下甚至无效的优化方法

3. 高斯-牛顿法

详情网址
就是在牛顿法上 不需要计算hessian矩阵了，利用雅可比矩阵可以得到hessian矩阵

4.LM算法