验证使用cv2.solvePnPRansac()求解相机外参

已于 2023-09-20 16:02:14 修改
阅读量641 收藏
点赞数
文章标签： 计算机视觉 opencv python
于 2023-09-20 15:08:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_55477961/article/details/133036712
版权

既然用cv2.calibrateCamera()求解得到的相机内参有可能会不满足实际情况，根据相机投影过程P_{img}=K[R|t]P_{obj}，如果固定相机内参为理论值，那么这样的话求出的相机外参应该会变化，但还是能保证可以实现重投影的过程。这里想的是参考opencv的cv2.solvePnP和cv2.solvePnPRansac()函数（前面已经发现cv2.calibrateCamera()只是会把传入的内参矩阵作为初始化的位置开始求解）。

opencv中的设置：

cv2.solvePnP(objectPoints, imagePoints, cameraMatrix, distCoeffs[, rvec[, tvec[, useExtrinsicGuess[, flags]]]]) → retval, rvec, tvec

cv2.solvePnPRansac(objectPoints, imagePoints, cameraMatrix, distCoeffs[, rvec[, tvec[, useExtrinsicGuess[, iterationsCount[, reprojectionError[, minInliersCount[, inliers[, flags]]]]]]]]) → rvec, tvec, inliers

具体可以参考https://blog.csdn.net/qq_30815237/article/details/87606687

测试了一下这两个函数的计算结果，对于某些角度和位移，发现虽然solvePnPRansac应该对异常值有更好的鲁棒性，但我这里输入的2D，3D点坐标的人为生成的理论值，理论上不应该出现差距这么大的结果，看来一下inliers发现有些点是不被计算在模型里面的，暂时没搞清楚原因。在用的时候需要考虑一下inliers的数量和输入点的数量的差距，还有重投影的误差。

Camera calibration With OpenCV — OpenCV 2.4.13.7 documentation

十一贰拾柒
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
OpenCV实战（24）——相机姿态估计
盼小辉丶的博客
05-17 7122
如果物体的 3D 结构是已知的，那么就可以预测物体如何投影到相机的传感器上，图像形成的过程由投影方程描述。当方程的大部分项已知时，就可以通过观察一些图像来推断其他元素 (2D 或 3D) 的值。相机姿态估计就是通过几个已知坐标的特征点，以及这些点在照片中的成像位置，求解出相机位于坐标系内的坐标与旋转角度。在本节中，我们将研究观察已知 3D 结构时的相机姿态估计问题。
cv2.GetAffineTransform求解仿射变换矩阵原理.pdf
08-19
opencv cv2.GetAffineTransform求解原理详解
OpenCV错误 ‘Too many values to unpack‘ with solvePnPRansac() - Pose Estimation
snail9610的博客
05-14 272
在进行姿态估计时，运行代码： corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) rvecs, tvecs, inliers = cv2.solvePnPRansac(objp, corners2, mtx, dist) 出现了 ValueError: too many values to unpack 的错误，这是因为cv2.solvePnPRansac返回了三个以上的值，所以使用如下代码可解决问题:
opencv: solvePnP和matlab: estimateWorldCameraPose 比较
weixin_55477961的博客
05-13 272
世界坐标系 corners_3d: N×3，数据类型np.float32，图像坐标系 corners_2d: N×2，数据类型np.float32，内参矩阵 K: 3×3，数据类型np.float32，畸变 dist一般设置为: np.zeros((1, 5))rvecs: 旋转向量，tvecs: 位移向量（这里我理解应该是和旋转矩阵中的位移保持一致的），然后转换为旋转矩阵的形式。记 Ro = gt_mat[:3, :3]，to = gt_mat[:3, 3:]
相机位姿估计
XLL的笔记
12-10 5726
相机位姿求解前言旋转角度欧拉角相机位姿求解旋转矩阵和旋转向量之间的转换 前言 这部分内容博主也不是很熟悉，写下这篇博文想记录下自己当时的求解过程，也想让看到的朋友一起讨论，看看我做的对不对。下面我就开始喽。 旋转角度 欧拉角 首先介绍一个欧拉角的概念。 任何一个旋转都可以表示为依次绕着三个旋转轴旋转三个角度的组合。这三个角称为欧拉角。对于在三维空间里的一个参考系，任何坐标系的取向，都可以用三个欧拉...
雷达相机融合（一）PNP（或pnp+g2o）标定雷达-相机（源码）
xx970829的博客
11-01 1367
目录PNPPNP+g2o 输入:image_get.txt，里面的数据为像素坐标(u,v) 输入:lidar_xyz.txt，里面的数据为雷达点（x,y,z） [注意：数据每行前面没有空格] 输入相机内参：camMat=(Mat_(3,3)<<1120.793247366556, 0, 404.6240125739656, 0, 1126.958397947255, 248.9162767468943, 0, 0, 1); PNP //******************************
学习OpenCV在SFM系统的使用
weixin_43825012的博客
02-03 2451
OpenCV构建SFM模型 在本章中，我们将讨论**运动结构（SfM）**的概念，或者更好地说，使用OpenCV API中的函数从通过相机运动拍摄的图像中提取几何结构来帮助我们。首先，让我们避免其他漫长的路实现目标，而限制只使用单摄像机（通常称为单目方法）和离散且稀疏的帧集（而不是连续的视频流）的方法。这两个约束将大大简化我们将在接下来的页面中绘制的系统，并帮助我们理解任何SfM方法的基本原理。 在本章中，我们将介绍以下内容： 运动恢复结构的概念 从一对图像估计相机运动 重建场景 从多个视图重建 重建的细
世界坐标系转换/相机标定/畸变矫正-Python
weixin_38252409的博客
09-26 249
PnP(Perspective-n-Point)是求解3D到2D点的对应方法。不论是相机和雷达的标定还是相机和相机的标定都可以使用PNP来解决，即通过不同坐标系下相同的点对求解变换矩阵。 这里相机多用棋盘格中的角点来实现点的提取。流行方法为张正友标定法，至于详细原理可点击我的博客https://www.cnblogs.com/tangjunjun/p/16240878.html...
3D视觉工坊-手眼标定（附opencv实现代码）
z504727099的博客
04-07 1万+
1.基本介绍 手眼标定两种形式 眼在手外 eye to hand 眼在手上 eye in hand 2.公式推导 眼在手上类似 3.方程AX=XB求解 4.opencv完成手眼标定 5.初学者易错点
Vins-Mono系列代码和理论解读＜五＞.位姿图Pose_graph理论和代码实现细节
tmfighting的博客
06-18 1519
快速了解vins-mono的位姿图优化理论和代码实现
相机姿态估计（一）--PnP
热门推荐
工作笔记
07-26 4万+
PnP（pespective-n-point）问题，就是已知的n个空间3D点与图像2D点对应的点对，计算相机位姿、或者物体位姿，二者是等价的。 有个通俗，但很有用的解释： 以下讨论中设相机位于点Oc，P1、P2、P3……为特征点。 Case1：当N=1时 当只有一个特征点P1，我们假设它就在图像的正中央，那么显然向量OcP1就是相机坐标系中的Z轴，此事相机永远是面对P1，于是相机可能的位...
相机外参对于激光雷达与相机标定精度影响
06-15
在计算机视觉和自动驾驶领域，相机和激光雷达（LiDAR）的联合使用是获取环境三维信息的关键技术。这两种传感器的精确校准，尤其是相机的外参，对于融合它们的数据至关重要。相机外参指的是相机相对于其他参考坐标系...
相机外参求解－采用不去畸变，去一次畸变，两次畸变来求证外参精度
06-12
在计算机视觉领域，相机外参是描述相机相对于世界坐标系的位置和姿态的重要参数，包括旋转矩阵R和平移向量t。相机的畸变是指由于镜头光学特性导致图像的失真，常见的是径向畸变和切向畸变。本话题主要探讨在使用...
相机旋转矩阵外参在线标定
06-13
总的来说，相机旋转矩阵外参在线标定是计算机视觉和自动驾驶技术中的关键技术，涉及到边缘检测、非线性优化和实时校正等多个方面。通过对这些知识点的深入理解和实践，我们可以提高系统的定位精度，从而提升整个系统...
Opencv根据标定后的位姿求外参01.pdf
01-26
### Opencv根据标定后的位姿求外参 在计算机视觉领域中，OpenCV（开源计算机视觉库）是一个广泛使用的库...通过上述步骤，我们可以有效地利用OpenCV计算出相机的外参，进而为后续的高级计算机视觉任务打下坚实的基础。
【计算机视觉】基本概念和应用
weixin_39372311的博客
07-23 1124
随着计算能力的提升和深度学习技术的发展，计算机视觉在近年来取得了飞速的进展，并在多个领域实现了广泛应用。图像分割分为语义分割和实例分割，前者关注每个像素的类别，后者关注每个实例的类别和位置。计算机视觉在增强现实（AR）和虚拟现实（VR）中也有重要应用，通过对现实世界的感知和理解，实现虚拟与现实的结合。在游戏、教育、医疗和工业等领域，AR和VR技术带来了新的应用体验和可能性。图像分析的目标是理解图像的内容和结构，为后续的高层次视觉任务提供支持。图像处理是计算机视觉的基础，包括图像的采集、预处理和增强等操作。
嵌入式C++、ROS 、OpenCV、SLAM 算法和路径规划算法：自主导航的移动机器人流程设计（代码示例）
最新发布
嵌入式极客小张
07-25 1569
在科技迅速发展的背景下，嵌入式自主移动机器人作为一个具有广泛应用前景的研究领域，吸引了众多开发者的关注。本文详细介绍了一个嵌入式自主移动机器人项目，重点阐述了其硬件与软件系统设计及代码实现。硬件部分采用ESP32、Raspberry Pi和Arduino作为嵌入式控制器，结合激光雷达、超声波传感器和摄像头等多种传感器，实现环境感知和数据采集。软件系统基于Raspberry Pi OS，主要使用Python进行高层逻辑控制，C/C++用于实时任务处理，并利用ROS框架支持机器人开发。
OpenCV 图像处理 轮廓检测基本原理
weixin_46999174的博客
07-25 2086
轮廓发现是图像处理中的一个重要步骤，用于检测物体的边界和形状。本文讲解了基本实现原理和代码实现
cv2.solvepnpransac使用p3p框架python代码
03-07
以下是一个使用cv2.solvePnPRansac函数和P3P框架的Python代码示例： ```python import cv2 import numpy as np # 3D点坐标 object_points = np.array([[, , ], [1, , ], [, 1, ], [, , 1]], dtype=np.float32) # 2D点坐标 image_points = np.array([[10, 10], [20, 10], [10, 20], [15, 15]], dtype=np.float32) # 相机内参矩阵 camera_matrix = np.array([[100, , 500], [, 100, 500], [, , 1]], dtype=np.float32) # 畸变系数 dist_coeffs = np.array([, , , ], dtype=np.float32) # 使用P3P算法求解相机位姿 retval, rvec, tvec, inliers = cv2.solvePnPRansac(object_points, image_points, camera_matrix, dist_coeffs, flags=cv2.SOLVEPNP_P3P) # 输出旋转向量和平移向量 print("Rotation vector:\n", rvec) print("Translation vector:\n", tvec) ``` 这段代码使用了cv2.solvePnPRansac函数和P3P算法来求解相机的位姿。其中，object_points是3D点的坐标，image_points是对应的2D点的坐标，camera_matrix是相机的内参矩阵，dist_coeffs是畸变系数。函数的返回值包括旋转向量rvec和平移向量tvec，以及inliers表示哪些点被认为是内点。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值