张正友标定法理解

本文参考王坤峰老师《计算机视觉》的课上PPT，如有错误，欢迎指正！

一、内参矩阵

针孔摄像机示意图如下：

由相似三角形（标黄色）可得：
使用齐次坐标：（可理解为上式的u，v等式最后一行还有个1=1，然后三个式子左右均乘上一个Z，那么1=1就变成了Z=Z，用w代替左边的Z，即为下式中的w=Z）

不过这是一个理想的情况，即相机图像平面平行于XY平面，其原点在主轴与像平面的交点。

假设图像平面的原点与Z轴与图像平面相交的点不重合。在这种情况下，我们需要将Pc平移到期望的原点。（向模型中添加新的参数）

如上图，A点为理想情况，A’为现在要考虑的偏移情况。偏移的x轴的分量为tu，y轴的分量为tv，那么此时u=f * X / Z + tu，v=f * Y /Z + tv。使用齐次坐标可得：

在上式中，单位为英寸。而在相机图像中，我们需要用像素为单位。
为此，我们需要知道相机中的分辨率或像素密度。
如果像素是正方形的，u和v两个方向上
有相同分辨率。
然而，对于更一般的模型，我们假设在u和v方向上分辨率分别为mu和mv。因此，为了以像素为单位来测量，它的u和v坐标应该分别乘以mu和mv。
即为：

进一步转换：

上式中的K仅取决于相机内部参数，如焦距、主轴、像素大小和分辨率。这些参数被称为摄像机的内参。

如果图像平面不是一个标准矩形，即像平面轴彼此不正交（剪切变换），则K还包括一个扭曲参数s作为

二、外参矩阵

现在，考虑这样一种情况：相机的投影中心不在（0，0，0），主轴不在Z轴上，图像平面虽然仍然与主轴正交，但也不平行于XY平面。在这种情况下，我们必须首先使用一个变换矩阵，使得相机的投影中心与（0，0，0）重合，主轴与Z轴重合，像平面的u轴与X轴对齐（或像平面的v轴与Y轴对齐），即像平面平行于XY平面。

这个转换首先是通过一个平移变换将投影的中心移动到原点，然后通过一个旋转变换来对齐主轴和Z轴。

设这个平移矩阵为T(Tx, Ty, Tz)。让主轴与Z轴重合的旋转
矩阵由3×3旋转矩阵R给出，子矩阵相乘得到3×4变换矩阵

E被称为外参矩阵。注意，由于现在使用了平移，我们也必须使用齐次坐标表示
P。所以，P到Pc的完整变换矩阵为：

其中，3×4矩阵C通常被称为相机标定矩阵。这里，P用四维齐次坐标（X, Y, Z, 1）表示，由CP导出的Pc使用三维齐次坐标（u, v, w）。

因此，通过对三维齐次坐标进行归一化，即（u/w, v/w, 1），可以得到相机像平面上投影的精确二维位置。

内参矩阵自由度为5（2个为投影中心的位置，2个为像素在两个方向上的大小，1个扭曲因子）。
而外参矩阵有6个自由度（平移和旋转各3个）。
因此，C有11个自由度。这可以表明，C的右下角元素将永远是1。

三、张正友标定法

张正友标定法标定相机的内外参数的思路如下：
1）求解内参矩阵与外参矩阵的积
2）求解内参矩阵
3）求解外参矩阵

1、求解内参矩阵与外参矩阵的积

将世界坐标系固定于棋盘格上，则棋盘格上任一点的物理坐标W=0，因此，原单点无畸变的成像模型可以化为下式。其中，R1，R2为旋转矩阵R的前两列。为了简便，将内参矩阵记为 A。

对于不同的图片，内参矩阵A为定值；对于同一张图片，内参矩阵A，外参矩阵（R1，R2，T）为定值；对于同一张图片上的单点，内参矩阵A，外参矩阵（R1，R2，T），尺度因子 Z 为定值。

将A（R1，R2，T）记为矩阵H，H即为内参矩阵和外参矩阵的积，记矩阵H的三列为（H1，H2，H3），则有：

利用上式，消去尺度因子Z：

此时，尺度因子 Z已经被消去，因此上式对于同一张图片上所有的角点均成立。

（u,v）是像素坐标系下的标定板角点的坐标， （U,V）是世界坐标系下的标定板角点的坐标。

通过图像识别算法，我们可以得到标定板角点的像素坐标（u,v）,又由于标定板的世界坐标系是人为定义好的，标定板上每一个格子的大小是已知的，我们可以计算得到世界坐标系下的(U,V)。

由这里的 H 是齐次矩阵，有8个独立未知元素。每一个标定板角点可以提供两个约束方程(u,U,V的对应关系、v,U,V的对应关系提供了两个约束方程)，因此，当一张图片上的标定板角点数量等于4时，即可求得该图片对应的矩阵H。

当一张图片上的标定板角点数量大于4时，利用最小二乘法回归最佳的矩阵H。

2、求解内参矩阵
已知了矩阵H=A(R1 R2 T)，接下来需要求解相机的内参矩阵A。

利用R1，R2作为旋转矩阵 R的两列，存在单位正交的关系，即：

则由 H和R1，R2的关系，可知：

代入：

另外，上述两个约束方程中均存在矩阵A的转置乘矩阵A的逆，将它记为B，则B为对称矩阵。

先试图求解出矩阵B， 通过矩阵B再求解相机的内参矩阵A。

同时，为了简便，记相机内参矩阵Ａ：

可得B：

注意：由于B为对称阵，上式出现了两次B12, B13, B23。

再次转化：

因此，为了求解矩阵B，必须计算
这里i可以为1，2；j可以为1，2

简记为：

则：

此时，通过R1，R2单位正交得到的约束方程可化为：

转化：


由于矩阵 H已知，矩阵v又全部由矩阵 H 的元素构成，因此矩阵v已知。

此时，只要求解出向量 b，即可得到矩阵B。
每张标定板图片可以提供一个 v * b =0 的约束关系，该约束关系含有两个约束方程。

但是，向量b有6个未知元素。因此，单张图片提供的两个约束方程是不足以解出来向量b的。

因此，只要取3张标定板照片，得到3个 v * b =0 的约束关系，即6个方程，即可求解向量b。

当标定板图片的个数大于3时（事实上一般需要15到20张标定板图片），可采用最小二
乘拟合最佳的向量 b，并得到矩阵B。

根据矩阵B的元素和相机内参的对应关系（如上式），可得到：

求得内参矩阵：

3、求解外参矩阵

外参矩阵反映的是标定板和相机的位置关系。对于不同的图片，标定板和相机的位置关系已经改变，此时每一张图片对应的外参矩阵都是不同的。

在关系：A （R1 R2 T）= H中，已经求解得到了矩阵H（对于同一张图片相同，对于不同的图片不同）、矩阵A（对于不同的图片都相同）。

通过公式： （R1 R2 T）= A^(-1) H. ，即可求得每一张图片对应的外参矩阵 (R1 R2 T)

由于张正友标定板将世界坐标系的原点选取在棋盘格上，则棋盘格上任一点的物理坐标W=0,将旋转矩阵的R的第三列R3消掉，因此R3在坐标转化中并没有作用。但是 R3要使得R满足
旋转矩阵的性质，即列与列之间单位正交，因此可以通过向量 R1，R2的的叉乘，即R3=R2 x R1，计算得到R3.

此时，相机的内参矩阵和外参矩阵均已得到。

4、标定相机的畸变参数

张正友标定法仅仅考虑了畸变模型中影响较大的径向畸变。

径向畸变公式（2阶）如下：

(r^2 = x^2 +y^2)

像素坐标和图像坐标的转化关系为:

其中， (u,v)为理想的无畸变的像素坐标。由于角度接近于90°，则上式近似为：

可得畸变后的像素坐标：

代入径向畸变公式（2阶）则有：

即为：

上式中的
可以通过识别标定板的角点获得，每一个角点可以构造两个上述等式。有m幅图像，每幅图像上有n个标定板角点，则将得到的所有等式组合起来，可以得到个mn未知数为的

约束方程，将约束方程系数矩阵记为 D ，等式右端非齐次项记为 d ，可将其记着矩阵形式： Dk=d

则使用最小二乘法可求得：

此时，相机的畸变矫正参数已经标定好。
上述公式推导的时候以2阶径向畸变为例，但实际上更高阶的径向畸变同理，只是需要的约束方程个数更多而已。