机器视觉学习——张正友标定法

相机标定

        相机标定的过程其实就是获取相机内外参的过程。相机内参一般可以从相机上的数据得知，但在实际使用过程中由于各种因素，相机的内参可能会发生改变，同时相机还存在枕形或桶形畸变，因此在使用相机进行测距时，需要先对相机进行标定获取内外参。

        目前的主流标定法是张正友标定法。张正友标定法在包含传统相机标定法方法简单、鲁棒性高的优点的情况下，它采用的平面标志物一般为规整的棋盘格或点阵图，这类平面标志物易于制作且成本低。

张正友标定法

        相机成像模型的公式可以写为：

        

        其中，s为尺度因子，A为含有5个参数的内参矩阵，可将上式变形为：

        张正友标定板假设模型的平面在世界坐标系的平面上，因此可以舍去，从而将相机成像模型的其次表达定义为：

        其中内参矩阵定义为：

        令，则公式可以表达为

        因为为单应性矩阵，单应性矩阵的意思是在采用齐次坐标系的情况下，其乘以任何一个常数k都只是影响尺度因子的变化，对矩阵本身表示的含义没有改变，通常情况下，将设置为1，因此单应性矩阵只有8个自由度，只需要求取8个参数即可，推导可得：

        棋盘格或点阵图上每个标记点可以提供两个式子。则只需要在一张图片中获取4个标记点，通过解线性方程组即可获得矩阵的解，若≥4个标记点，则可以采用最小二乘法获得齐次矩阵的解，结果更加精确。

        令，则。因为旋转矩阵为正交矩阵，有，。可得：

        由于矩阵为对称矩阵，所以未知数的个数只有6个，故定义，为内参的未知量。

        令，将上述约束写成这样的表达式：

        由于已知，则可以求。根据上述公式，可得两个约束条件：

        在实际情况下，拍摄n张不同方位的棋盘格图像，n个公式叠加形成：

        其中为的矩阵，则有：

        当拍摄图像数量为n=2时，只能求得两个相机内参数。

        当拍摄图像数量为n=3时，有唯一解。

        当拍摄图像数量为n>3时，则该方程组为超定方程，需要通过SVD分解（奇异值分解），从而求解出。精度较高，这里求得的为带有比例因子。

        求得，有：

        从而求得所有内参，则矩阵已知。

        由。可得：

        由正交的性质得。由此，相机外参也求得。