0. 写在前面
在3dmm中,重要的一步是对3d模型进行拍照。
这里引出问题:怎么给3d模型拍照?
下面解决这个拍照问题。
1. 相机模型
本节目标:
- 理解针孔相机的模型,内参与径向畸变参数。
- 理解一个空间点是如何投影到相机成像。
我们知道:
一张照片(二维):由多个像素组成,每个像素记录了色彩或亮度的信息。
一个物体(三维世界):物体反射或发出的光线,通过相机光心后,投影到相机的成像平面。
相机将三维世界中的坐标点(单位米)映射到二维图像平面(单位像素)的过程能够用一个几何模型进行描述。
这个模型有很多种,其中最简单的为针孔模型。事实上,真实的相机镜头是透镜,会使得光线投影到成像平面的过程会产生畸变。
那么总结一下,所谓相机模型实际是是:针孔相机模型+畸变模型。
在3dmm中我们暂不考虑畸变模型。
1.1 针孔相机模型 (Pinhole camera)
在小孔成像过程中,小孔模型将三维世界中的蜡烛投影到一个二维成像平面。
首先我们要先认识一下4种坐标:
- 世界坐标 (World reference system)
- 相机坐标 (camera coordinate)
- 归一化相机坐标 (normalized coordinate)
- 像素坐标 (pixel coordinate)
我们来品一下这张图><。
-
世界坐标 是我们客观存在的世界,它有自己的固有坐标。在这里我们定义三维空间的三个方向分别为: x w , y w , z w x_w, y_w, z_w xw,yw,zw
例子:
例子1: 长城。它就存在在那里,有它自己的坐标。
例子2: 3d模型。3d模型在计算机中是以点的坐标来存储的,这个坐标代表点在 x w , y w , z w x_w, y_w, z_w xw,yw,zw三个方向上的大小,比如一个点 B B B,它的存储形式是 ( 12 , 15 , 18 ) (12, 15, 18) (12,15,18)。这样的点有 n n n个,在3dmm中实际上有53215个这样的三维点,这些点组成了基本的人脸3d模型。 -
相机坐标 是从相机的角度去看世界,相机本身是这个坐标系的原点。
在这里我们定义在这个角度的三维空间的三个方向分别为: x c , y c , z c x_c, y_c, z_c xc,yc,zc
例子:
例子1: 小时候我总觉得门前的山特别高,后来长大之后回到老地方,发现这个山也没那么高嘛。山变了吗?山没变,是我看山的角度变了。
例子2: 正所谓【横看成岭侧成峰】,说的也是这回事。 -
归一化相机坐标 物理成像平面。在这里我们可以定义三维空间的三个方向分别为: x n , y n , z n x_n, y_n, z_n xn,yn,zn
原点 O ˊ \acute O Oˊ是相机坐标的 z c z_c zc轴与物理成像平面的交点。一般取 z n z_n zn的方向与 z c z_c zc方向相同,将点 P P P在针孔相机模型到物理成像平面的距离统一为 z n = f z_n = f zn=f,其中 f f f为焦距,这就相当于对相机坐标进行归一化。 -
像素坐标 水平方向是U,垂直方向是V,通过这个平面的,二维的UV坐标系。我们可以定位图象上的任意一个像素。
注意 这里的像素坐标的单位是像素,而上述3个坐标系的单位为米。
在这里我们定义二维空间的二个方向分别为:
u
,
v
u, v
u,v
1.2 计算过程
================== 计算过程(1) 从世界坐标到相机坐标 ==================
已知我们有一个点
P
P
P,它的世界坐标(我们常说的坐标)为:
P
w
=
[
x
w
y
w
z
w
]
P_w =\begin{bmatrix} x_w \\ y_w \\ z_w \end{bmatrix}
Pw=⎣⎡xwywzw⎦⎤
这个点
P
P
P,它在相机视角下的坐标为:
P
c
=
[
x
c
y
c
z
c
]
P_c=\begin{bmatrix} x_c \\ y_c \\ z_c \end{bmatrix}
Pc=⎣⎡xcyczc⎦⎤
我们知道 P w P_w Pw和 P c P_c Pc是同一点在不同坐标系下的表达方式,那么 P w P_w Pw和 P c P_c Pc之间是什么关系呢?其实是:
P w P_w Pw 旋 转 变 换 + 平 移 变 换 → \underrightarrow{旋转变换+平移变换} 旋转变换+平移变换 P c P_c Pc
这里需要引入一下齐次坐标的概念。
齐次坐标就是将一个原本是n维的向量用一个n+1维向量来表示,是指一个用于投影几何里的坐标系统,如同用于欧氏几何里的笛卡儿坐标一般。
比如从欧式坐标变换到齐次坐标时,即
欧
式
坐
标
→
齐
次
坐
标
欧式坐标 \rightarrow 齐次坐标
欧式坐标→齐次坐标:
(
x
,
y
)
=
[
x
y
z
]
(x, y) = \begin{bmatrix} x \\ y\\ z\\ \end{bmatrix}
(x,y)=⎣⎡xyz⎦⎤
(
x
,
y
,
z
)
=
[
x
y
z
1
]
(x, y, z) = \begin{bmatrix} x \\ y\\ z\\ 1 \\\end{bmatrix}
(x,y,z)=⎣⎢⎢⎡xyz1⎦⎥⎥⎤
从齐次坐标变换到欧式坐标时,即
齐
次
坐
标
→
欧
式
坐
标
齐次坐标 \rightarrow 欧式坐标
齐次坐标→欧式坐标:
[ x y w ] = ( x w , y w ) \begin{bmatrix} x \\ y\\ w\\ \end{bmatrix} = (\frac{x}{w}, \frac{y}{w}) ⎣⎡xyw⎦⎤=(wx,wy) [ x y z w ] = ( x w , y w , z w ) \begin{bmatrix} x \\ y\\ z\\ w \\ \end{bmatrix} = (\frac{x}{w}, \frac{y}{w},\frac{z}{w}) ⎣⎢⎢⎡xyzw⎦⎥⎥⎤=(wx,wy,wz)
接下来回到 P w P_w Pw 旋 转 变 换 + 平 移 变 换 → \underrightarrow{旋转变换+平移变换} 旋转变换+平移变换 P c P_c Pc。
(1)旋转变换
R
x
(
α
)
=
[
1
0
0
0
cos
α
−
sin
α
0
sin
α
cos
α
]
R_x(\alpha) = \begin{bmatrix}\ 1 & 0 &0 \\ 0 & \cos \alpha & -\sin \alpha \\ 0 &\sin \alpha &\cos \alpha \\ \end{bmatrix}
Rx(α)=⎣⎡ 1000cosαsinα0−sinαcosα⎦⎤
R
y
(
β
)
=
[
cos
β
0
sin
β
0
1
0
−
sin
β
0
cos
β
]
R_y(\beta) = \begin{bmatrix}\ \cos \beta& 0 & \sin \beta\\ 0 & 1 & 0 \\ - \sin \beta& 0 & \cos \beta\\ \end{bmatrix}
Ry(β)=⎣⎡ cosβ0−sinβ010sinβ0cosβ⎦⎤
R
x
(
γ
)
=
[
cos
γ
−
sin
γ
0
sin
γ
cos
γ
0
0
0
1
]
R_x(\gamma) = \begin{bmatrix}\cos \gamma & -\sin \gamma & 0\\ \sin \gamma & \cos \gamma & 0 \\ 0 & 0 & 1 \\ \end{bmatrix}
Rx(γ)=⎣⎡cosγsinγ0−sinγcosγ0001⎦⎤
此时:
R
=
R
x
(
α
)
R
y
(
β
)
R
x
(
γ
)
R = R_x(\alpha) R_y(\beta) R_x(\gamma)
R=Rx(α)Ry(β)Rx(γ)
(2)平移变换
T
=
[
T
x
T
y
T
z
]
T = \begin{bmatrix} T_x \\ T_y\\ T_z\\ \end{bmatrix}
T=⎣⎡TxTyTz⎦⎤
结合(1)(2),那么对于点
P
P
P(下角标
h
_h
h表示齐次坐标):
P
h
c
=
[
x
c
y
c
z
c
1
]
=
[
R
T
0
1
]
4
×
4
[
x
w
y
w
z
w
1
]
4
×
1
=
[
R
T
0
1
]
4
×
4
P
h
w
P_{hc} = \begin{bmatrix} x_c \\ y_c\\ z_c\\ 1 \\ \end{bmatrix} = \begin{bmatrix} R& T \\ 0 & 1 \\ \end{bmatrix}_{4\times4} \begin{bmatrix} x_w \\ y_w\\ z_w\\ 1\end{bmatrix} _{4\times1 } = \begin{bmatrix} R& T \\ 0 & 1 \\ \end{bmatrix}_{4\times4} P_{hw}
Phc=⎣⎢⎢⎡xcyczc1⎦⎥⎥⎤=[R0T1]4×4⎣⎢⎢⎡xwywzw1⎦⎥⎥⎤4×1=[R0T1]4×4Phw
================== 计算过程(2) 从相机坐标到像素坐标 ==================
由图可知:
△
O
O
ˊ
P
ˊ
△O \acute O \acute P
△OOˊPˊ与
△
O
P
ˊ
P
ˊ
ˊ
△O \acute P\acute {\acute P}
△OPˊPˊˊ相似,那么对于点
P
P
P在相机坐标下的表示
P
c
=
[
x
c
y
c
z
c
]
P_c = \begin{bmatrix} x_c \\ y_c\\ z_c \end{bmatrix}
Pc=⎣⎡xcyczc⎦⎤ 及在归一化相机坐标系里的表现
P
n
=
[
x
n
y
n
z
n
]
P_n = \begin{bmatrix} x_n \\ y_n\\ z_n \end{bmatrix}
Pn=⎣⎡xnynzn⎦⎤, (
z
n
=
f
z_n = f
zn=f):
x
n
=
f
x
c
z
c
x_n = f \frac{x_c}{z_c}
xn=fzcxc
y
n
=
f
y
c
z
c
y_n = f \frac{y_c}{z_c}
yn=fzcyc
接下来要从归一化相机坐标系继续变换到像素坐标系,归一化相机坐标系与像素坐标系之间,相差了一个缩放和原点的平移。
我们设像素坐标在
u
u
u轴上缩放了
α
\alpha
α倍,在
v
v
v轴上缩放了
β
\beta
β倍。同时,原点平移了
[
c
x
c
y
]
\begin{bmatrix} c_x \\ c_y \end{bmatrix}
[cxcy] ,那么像素坐标系下的
P
u
v
P_{uv}
Puv与归一化相机坐标系下的
P
n
P_n
Pn的关系为:
u
=
α
x
n
+
c
x
=
α
f
x
c
z
c
+
c
x
u = \alpha x_n + c_x = \alpha f \frac{x_c}{z_c} + c_x
u=αxn+cx=αfzcxc+cx
v
=
β
y
n
+
c
y
=
β
f
y
c
z
c
+
c
y
v = \beta y_n+ c_y =\beta f \frac{y_c}{z_c} + c_y
v=βyn+cy=βfzcyc+cy
我们设
α
f
=
f
x
\alpha f = f_x
αf=fx,
β
f
=
f
y
\beta f = f_y
βf=fy,得到:
u
=
f
x
x
c
z
c
+
c
x
u = f_x \frac{x_c}{z_c} + c_x
u=fxzcxc+cx
v
=
f
y
y
c
z
c
+
c
y
v = f_y\frac{y_c}{z_c} + c_y
v=fyzcyc+cy
上述内容总结一下,用齐次坐标来表示:
P
h
u
v
=
[
u
v
1
]
=
[
f
x
x
c
z
c
+
c
x
f
y
y
c
z
c
+
c
y
1
]
P_{huv} = \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = \begin{bmatrix} {f_x \frac{x_c}{z_c} + c_x} \\ f_y\frac{y_c}{z_c} + c_y \\ 1 \end{bmatrix}
Phuv=⎣⎡uv1⎦⎤=⎣⎡fxzcxc+cxfyzcyc+cy1⎦⎤
因为齐次坐标乘以非零常数后表达相同含义:
[ u v 1 ] = [ f x x c z c + c x f y y c z c + c y 1 ] = [ f x x c + c x z c f y y c + c y z c z c ] \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = \begin{bmatrix} {f_x \frac{x_c}{z_c} + c_x} \\ f_y\frac{y_c}{z_c} + c_y \\ 1 \end{bmatrix} = \begin{bmatrix} f_x x_c + c_x z_c \\ f_y y_c + c_y z_c\\ z_c \end{bmatrix} ⎣⎡uv1⎦⎤=⎣⎡fxzcxc+cxfyzcyc+cy1⎦⎤=⎣⎡fxxc+cxzcfyyc+cyzczc⎦⎤ = [ f x 0 c x 0 f y c y 0 0 1 ] [ x c y c z c ] = \begin{bmatrix} f_x & 0 &c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1\end{bmatrix}\begin{bmatrix} x_c \\ y_c \\ z_c \end{bmatrix} =⎣⎡fx000fy0cxcy1⎦⎤⎣⎡xcyczc⎦⎤
回忆一下的(1)部分的结果:
P
h
c
=
[
x
c
y
c
z
c
1
]
=
[
R
T
0
1
]
4
×
4
[
x
w
y
w
z
w
1
]
4
×
1
=
[
R
T
0
1
]
4
×
4
P
h
w
P_{hc} = \begin{bmatrix} x_c \\ y_c\\ z_c\\ 1 \\ \end{bmatrix} = \begin{bmatrix} R& T \\ 0 & 1 \\ \end{bmatrix}_{4\times4} \begin{bmatrix} x_w \\ y_w\\ z_w\\ 1\end{bmatrix} _{4\times1 } = \begin{bmatrix} R& T \\ 0 & 1 \\ \end{bmatrix}_{4\times4} P_{hw}
Phc=⎣⎢⎢⎡xcyczc1⎦⎥⎥⎤=[R0T1]4×4⎣⎢⎢⎡xwywzw1⎦⎥⎥⎤4×1=[R0T1]4×4Phw
这里的
P
c
h
P_{ch}
Pch是
P
c
P_c
Pc齐次坐标,为了将这一部分带入
[
u
v
1
]
\begin{bmatrix} u \\ v \\ 1 \end{bmatrix}
⎣⎡uv1⎦⎤,
[
u
v
1
]
=
[
f
x
x
c
z
c
+
c
x
f
y
y
c
z
c
+
c
y
1
]
\begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = \begin{bmatrix} {f_x \frac{x_c}{z_c} + c_x} \\ f_y\frac{y_c}{z_c} + c_y \\ 1 \end{bmatrix}
⎣⎡uv1⎦⎤=⎣⎡fxzcxc+cxfyzcyc+cy1⎦⎤
=
[
f
x
x
c
+
c
x
z
c
f
y
y
c
+
c
y
z
c
z
c
]
= \begin{bmatrix} f_x x_c + c_x z_c \\ f_y y_c + c_y z_c\\ z_c \end{bmatrix}
=⎣⎡fxxc+cxzcfyyc+cyzczc⎦⎤
=
[
f
x
0
c
x
0
f
y
c
y
0
0
1
]
[
x
c
y
c
z
c
]
= \begin{bmatrix} f_x & 0 &c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1\end{bmatrix}\begin{bmatrix} x_c \\ y_c \\ z_c \end{bmatrix}
=⎣⎡fx000fy0cxcy1⎦⎤⎣⎡xcyczc⎦⎤
                               
↑
\,\,\,\,\,\, \,\,\,\,\,\,\, \,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\uparrow
↑
我们称这个矩阵为内部参数
K
K
K,
=
[
f
x
0
c
x
0
0
f
y
c
y
0
0
0
1
0
]
3
×
4
[
x
c
y
c
z
c
1
]
4
×
1
=\begin{bmatrix} f_x & 0 &c_x & 0\\ 0 & f_y & c_y & 0 \\ 0 & 0 & 1 & 0 \end{bmatrix}_{3 \times 4} \begin{bmatrix} x_c \\ y_c \\ z_c \\ 1 \end{bmatrix}_{4 \times 1}
=⎣⎡fx000fy0cxcy1000⎦⎤3×4⎣⎢⎢⎡xcyczc1⎦⎥⎥⎤4×1
                               
↑
                   
             
↑
\,\,\,\,\,\, \,\,\,\,\,\,\, \,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\uparrow\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, \,\ \,\,\, \,\,\,\,\,\,\,\,\,\,\uparrow
↑ ↑
这可以写作
K
[
I
0
]
K \begin{bmatrix} I & 0 \end{bmatrix}
K[I0]
               
\,\,\,\,\,\, \,\,\,\,\,\,\,\,\,
是不是很眼熟,这不是
P
c
P_c
Pc的齐次坐标嘛!
= [ f x 0 c x 0 0 f y c y 0 0 0 1 0 ] 3 × 4 [ R T 0 1 ] 4 × 4 [ x w y w z w 1 ] 4 × 1 = \begin{bmatrix} f_x & 0 &c_x & 0\\ 0 & f_y & c_y & 0 \\ 0 & 0 & 1 & 0 \end{bmatrix}_{3 \times 4} \begin{bmatrix} R& T \\ 0 & 1 \\ \end{bmatrix}_{4\times4} \begin{bmatrix} x_w \\ y_w\\ z_w\\ 1\end{bmatrix} _{4\times1 } =⎣⎡fx000fy0cxcy1000⎦⎤3×4[R0T1]4×4⎣⎢⎢⎡xwywzw1⎦⎥⎥⎤4×1
= K [ I 0 ] [ R T 0 1 ] P h w =K\begin{bmatrix} I & 0 \end{bmatrix} \begin{bmatrix} R& T \\ 0 & 1 \\ \end{bmatrix}P_{hw} =K[I0][R0T1]Phw
= K [ R T ] P h w =K\begin{bmatrix} R & T \end{bmatrix} P_{hw} =K[RT]Phw
============================== 总结 ==============================
[ u v 1 ] = [ f x 0 c x 0 0 f y c y 0 0 0 1 0 ] 3 × 4 [ R T 0 1 ] 4 × 4 [ x w y w z w 1 ] 4 × 1 \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = \begin{bmatrix} f_x & 0 &c_x & 0\\ 0 & f_y & c_y & 0 \\ 0 & 0 & 1 & 0 \end{bmatrix}_{3 \times 4} \begin{bmatrix} R& T \\ 0 & 1 \\ \end{bmatrix}_{4\times4} \begin{bmatrix} x_w \\ y_w\\ z_w\\ 1\end{bmatrix} _{4\times1 } ⎣⎡uv1⎦⎤=⎣⎡fx000fy0cxcy1000⎦⎤3×4[R0T1]4×4⎣⎢⎢⎡xwywzw1⎦⎥⎥⎤4×1
即:
P
h
u
v
=
K
[
R
T
]
P
h
w
P_{huv} = K\begin{bmatrix} R & T \end{bmatrix} P_{hw}
Phuv=K[RT]Phw
当我们有一个3d模型的n个点的三维坐标,可以通过这个变换得到它的照片。
2. 例子 + 代码
比如以我们提到的点 B B B为例,它的世界坐标是 ( 12 , 15 , 18 ) (12, 15, 18) (12,15,18)。
================== 计算过程(1) 从世界坐标到相机坐标 ==================
(1)旋转变换
R
x
(
α
)
=
[
1
0
0
0
cos
α
−
sin
α
0
sin
α
cos
α
]
R_x(\alpha) = \begin{bmatrix}\ 1 & 0 &0 \\ 0 & \cos \alpha & -\sin \alpha \\ 0 &\sin \alpha &\cos \alpha \\ \end{bmatrix}
Rx(α)=⎣⎡ 1000cosαsinα0−sinαcosα⎦⎤
R
y
(
β
)
=
[
cos
β
0
sin
β
0
1
0
−
sin
β
0
cos
β
]
R_y(\beta) = \begin{bmatrix}\ \cos \beta& 0 & \sin \beta\\ 0 & 1 & 0 \\ - \sin \beta& 0 & \cos \beta\\ \end{bmatrix}
Ry(β)=⎣⎡ cosβ0−sinβ010sinβ0cosβ⎦⎤
R
x
(
γ
)
=
[
cos
γ
−
sin
γ
0
sin
γ
cos
γ
0
0
0
1
]
R_x(\gamma) = \begin{bmatrix}\cos \gamma & -\sin \gamma & 0\\ \sin \gamma & \cos \gamma & 0 \\ 0 & 0 & 1 \\ \end{bmatrix}
Rx(γ)=⎣⎡cosγsinγ0−sinγcosγ0001⎦⎤
此时:
R
=
R
x
(
α
)
R
y
(
β
)
R
x
(
γ
)
R = R_x(\alpha) R_y(\beta) R_x(\gamma)
R=Rx(α)Ry(β)Rx(γ)
def angle2matrix(angles):
'''
根据右手系三个旋转角,
得到三个旋转矩阵。
Args:
angles: [3,]. x, y, z angles
x: pitch. positive for looking down.
y: yaw. positive for looking left.
z: roll. positive for tilting head right.
Returns:
R: [3, 3]. rotation matrix.
'''
#np.deg2rad将角度变为弧度pi
x, y, z = np.deg2rad(angles[0]), np.deg2rad(angles[1]), np.deg2rad(angles[2])
# x
Rx=np.array([[1, 0, 0],
[0, cos(x), -sin(x)],
[0, sin(x), cos(x)]])
# y
Ry=np.array([[ cos(y), 0, sin(y)],
[ 0, 1, 0],
[-sin(y), 0, cos(y)]])
# z
Rz=np.array([[cos(z), -sin(z), 0],
[sin(z), cos(z), 0],
[ 0, 0, 1]])
R=Rz.dot(Ry.dot(Rx))
return R.astype(np.float32)
(2)平移变换
T
=
[
T
x
T
y
T
z
]
T = \begin{bmatrix} T_x \\ T_y\\ T_z\\ \end{bmatrix}
T=⎣⎡TxTyTz⎦⎤
结合(1)(2),那么对于点
P
P
P:
P
h
c
=
[
x
c
y
c
z
c
1
]
=
[
R
T
0
1
]
4
×
4
[
x
w
y
w
z
w
1
]
4
×
1
=
[
R
T
0
1
]
4
×
4
P
h
w
P_{hc} = \begin{bmatrix} x_c \\ y_c\\ z_c\\ 1 \\ \end{bmatrix} = \begin{bmatrix} R& T \\ 0 & 1 \\ \end{bmatrix}_{4\times4} \begin{bmatrix} x_w \\ y_w\\ z_w\\ 1\end{bmatrix} _{4\times1 } = \begin{bmatrix} R& T \\ 0 & 1 \\ \end{bmatrix}_{4\times4} P_{hw}
Phc=⎣⎢⎢⎡xcyczc1⎦⎥⎥⎤=[R0T1]4×4⎣⎢⎢⎡xwywzw1⎦⎥⎥⎤4×1=[R0T1]4×4Phw
def similarity_transform(vertices, s, R, t3d):
''' similarity transform. dof = 7.
3D: s*R.dot(X) + t
Homo: M = [[sR, t],[0^T, 1]]. M.dot(X)
Args:(float32)
vertices: [nver, 3].
s: [1,]. scale factor.
R: [3,3]. rotation matrix.
t3d: [3,]. 3d translation vector.
Returns:
transformed vertices: [nver, 3]
'''
t3d = np.squeeze(np.array(t3d, dtype = np.float32))
transformed_vertices = s * vertices.dot(R.T) + t3d[np.newaxis, :]
return transformed_vertices
值得注意的是:函数angle2matrix(angles)中从世界坐标到相机坐标的计算并没有用到齐次坐标。只在欧式坐标下计算,
P
c
=
R
3
×
3
[
x
w
y
w
z
w
]
+
[
T
x
T
y
T
z
]
P_c = R_{3 \times 3} \begin{bmatrix} x_w \\ y_w \\ z_w \end{bmatrix} + \begin{bmatrix} T_x \\ T_y \\ T_z \end{bmatrix}
Pc=R3×3⎣⎡xwywzw⎦⎤+⎣⎡TxTyTz⎦⎤这并没有关系,因为齐次坐标和非齐次坐标本质上并没有区别:
P
h
c
=
[
x
c
y
c
z
c
1
]
                        
P
c
=
[
x
c
y
c
z
c
]
P_{hc} = \begin{bmatrix} x_c \\ y_c\\ z_c\\ 1 \\ \end{bmatrix} \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, P_c = \begin{bmatrix} x_c \\ y_c\\ z_c\ \end{bmatrix}
Phc=⎣⎢⎢⎡xcyczc1⎦⎥⎥⎤Pc=⎣⎡xcyczc ⎦⎤只要在用的时候区分开就好。
我们之所以引入齐次坐标是为了直接计算 P h u v = K [ R T ] P h w P_{huv} = K\begin{bmatrix} R & T \end{bmatrix} P_{hw} Phuv=K[RT]Phw。
================== 计算过程(2) 从相机坐标到像素坐标 ==================
我们已经知道:
[ u v 1 ] = [ f x 0 c x 0 f y c y 0 0 1 ] [ x c y c z c ] \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = \begin{bmatrix} f_x & 0 &c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1\end{bmatrix}\begin{bmatrix} x_c \\ y_c \\ z_c \end{bmatrix} ⎣⎡uv1⎦⎤=⎣⎡fx000fy0cxcy1⎦⎤⎣⎡xcyczc⎦⎤
还原一下这个过程,相机坐标 → \rightarrow →归一化相机坐标 → \rightarrow →像素坐标。
(2.1) 相机坐标
→
\rightarrow
→归一化相机坐标
z
n
=
f
z_n = f
zn=f
x
n
=
f
x
c
z
c
x_n = f \frac{x_c}{z_c}
xn=fzcxc
y
n
=
f
y
c
z
c
y_n = f \frac{y_c}{z_c}
yn=fzcyc
我们可以假设物品的深度,远远小于物体与相机间的距离,比如两个点
i
,
j
i,j
i,j,两个点的
z
c
z_c
zc方向坐标
z
i
≈
z
j
z_i \approx z_j
zi≈zj,此时我们可以直接删去
z
c
z_c
zc方向坐标,且归一化时我们取
f
=
1
f = 1
f=1:
z
n
=
f
=
1
z_n = f = 1
zn=f=1
x
n
=
x
c
x_n = x_c
xn=xc
y
n
=
y
c
y_n = y_c
yn=yc
这样的映射也称为平行映射(orthographic project).
def orthographic_project(vertices):
return vertices.copy()
这里的代码虽然保留 z c z_c zc,计算上其实我们只取 x c , y c x_c, y_c xc,yc。
(2.2) 归一化相机坐标 → \rightarrow →像素坐标
设归一化相机坐标 → \rightarrow →像素坐标时无缩放, 归一化相机坐标的圆心 O ˊ \acute O Oˊ落在像素为 ( w , h ) (w,h) (w,h)的2d照片的中心,此时 O ˊ \acute O Oˊ在像素坐标系下的坐标为 ( w / 2 , h / 2 ) (w/2, h/2) (w/2,h/2)
那么对于点 B B B:
u = f x x c z c + c x = x c + w / 2 u = f_x \frac{x_c}{z_c} + c_x = x_c + w/2 u=fxzcxc+cx=xc+w/2 v = f y y c z c + c y = − y c + h / 2 − 1 v = f_y\frac{y_c}{z_c} + c_y = -y_c + h/2 - 1 v=fyzcyc+cy=−yc+h/2−1
def to_image(vertices, h, w):
'''
Args:
vertices: [nver, 3]
h: height of the rendering
w : width of the rendering
Returns:
projected_vertices: [nver, 3]
'''
image_vertices = vertices.copy()
# move to center of image
image_vertices[:,0] = image_vertices[:,0] + w/2
image_vertices[:,1] = image_vertices[:,1] + h/2
# flip vertices along y-axis.
image_vertices[:,1] = h - image_vertices[:,1] - 1
return image_vertices
至此,得到三维点 B B B在照片里的像素坐标。