OpenCV實現(xiàn)相機標定

更新時間：2022年08月02日 08:48:57 作者：Ohayo33

這篇文章主要為大家詳細介紹了OpenCV實現(xiàn)相機標定，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下

本文實例為大家分享了OpenCV實現(xiàn)相機標定的具體代碼，供大家參考，具體內容如下

一、相機與針孔相機模型

1.相機模型

現(xiàn)代科技加持下的相機已經成為制造精密設計巧妙的消費品，相機的光學結構也比誕生之初復雜了許多
典型單反相機光學結構:

在眾多相機模型中，針孔相機又稱投影相機模型是相對簡單而常用的模型。簡單的說，針孔相機模型就是把相機簡化成單純的小孔成像，可想而知，這種簡化對于精度要求高的情況或者特殊鏡頭的相機是不適用的。
小孔成像原理：

2.引入透鏡

單純的小孔成像模型中沒有考慮鏡頭，現(xiàn)實條件下，由一片或多片透鏡組成的鏡頭才能讓利用了小孔成像原理的相機成像清晰的同時保持畫面亮度。所以我們需要向模型引入透鏡。
透鏡成像原理：

但是，新的問題也隨之而來：虛焦、畸變
一般我們稱之為徑向畸變,即光線在院里透鏡中的地方比靠近中心的地方更加彎曲。徑向畸變又分為中短焦距、近距離的桶形畸變和長焦距、遠距離會出現(xiàn)的枕形畸變。

二、相機參數(shù)

1.坐標系約定

我們約定三個坐標系

1、世界坐標系矩陣：X

2、攝像機坐標系：Xc,

3、圖像(像素)坐標系：x

4、相機矩陣：P

2.像平面到像素平面的投影

將三維空間中一點，過該點取一平面與像素平面平行，該平面就是像平面。設該三位點P，齊次坐標為X。投影為圖像點P’，平面坐標x。
針孔相機模型：

在針孔相機模型中，像素坐標和像坐標之間的關系：
λx = PX
其中，λ是三位點的逆深度。P為相機矩陣，可以分解為：
P = R[K|t]
R 是描述照相機方向的旋轉矩陣，t 是描述照相機中心位置的三維平移向量，內標定矩陣K 描述照相機的投影性質。標定矩陣僅和照相機自身的情況有關，通常可以寫成：

焦距f是像在平面到像素平面中心的距離。s是傾斜參數(shù)，α是縱橫比例參數(shù)。
在像素數(shù)組在傳感器上沒有偏斜且像素是正方形的時候，可以設 s = 0，α = 1。標定矩陣可以簡化為：

三、相機標定

實驗圖片如下：

代碼如下：

import cv2
import numpy as np
import glob

# 找棋盤格角點
# 閾值
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
#棋盤格模板規(guī)格
w = 7 ? #內角點個數(shù)，內角點是和其他格子連著的點
h = 7

# 世界坐標系中的棋盤格點,例如(0,0,0), (1,0,0), (2,0,0) ....,(8,5,0)，去掉Z坐標，記為二維矩陣
objp = np.zeros((w*h,3), np.float32)
objp[:,:2] = np.mgrid[0:w,0:h].T.reshape(-1,2)
# 儲存棋盤格角點的世界坐標和圖像坐標對
objpoints = [] # 在世界坐標系中的三維點
imgpoints = [] # 在圖像平面的二維點

images = glob.glob('picture/*.jpg')
for fname in images:
? ? img = cv2.imread(fname)
? ? gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
? ? # 找到棋盤格角點
? ? # 棋盤圖像(8位灰度或彩色圖像) ?棋盤尺寸 ?存放角點的位置
? ? ret, corners = cv2.findChessboardCorners(gray, (w,h),None)
? ? # 如果找到足夠點對，將其存儲起來
? ? if ret == True:
? ? ? ? # 角點精確檢測
? ? ? ? # 輸入圖像 角點初始坐標 搜索窗口為2*winsize+1 死區(qū) 求角點的迭代終止條件
? ? ? ? cv2.cornerSubPix(gray,corners,(11,11),(-1,-1),criteria)
? ? ? ? objpoints.append(objp)
? ? ? ? imgpoints.append(corners)
? ? ? ? # 將角點在圖像上顯示
? ? ? ? cv2.drawChessboardCorners(img, (w,h), corners, ret)
? ? ? ? cv2.imshow('findCorners',img)
? ? ? ? cv2.waitKey(1000)
cv2.destroyAllWindows()
#標定、去畸變
# 輸入：世界坐標系里的位置 像素坐標 圖像的像素尺寸大小 3*3矩陣，相機內參數(shù)矩陣 畸變矩陣
# 輸出：標定結果 相機的內參數(shù)矩陣 畸變系數(shù) 旋轉矩陣 平移向量
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)
# mtx：內參數(shù)矩陣
# dist：畸變系數(shù)
# rvecs：旋轉向量 （外參數(shù)）
# tvecs ：平移向量 （外參數(shù)）
print (("ret:"),ret)
print (("mtx:\n"),mtx) ? ? ? ?# 內參數(shù)矩陣
print (("dist:\n"),dist) ? ? ?# 畸變系數(shù) ? distortion cofficients = (k_1,k_2,p_1,p_2,k_3)
print (("rvecs:\n"),rvecs) ? ?# 旋轉向量 ?# 外參數(shù)
print (("tvecs:\n"),tvecs) ? ?# 平移向量 ?# 外參數(shù)
# 去畸變
img2 = cv2.imread('picture/6.jpg')
h,w = img2.shape[:2]
# 我們已經得到了相機內參和畸變系數(shù)，在將圖像去畸變之前，
# 我們還可以使用cv.getOptimalNewCameraMatrix()優(yōu)化內參數(shù)和畸變系數(shù)，
# 通過設定自由自由比例因子alpha。當alpha設為0的時候，
# 將會返回一個剪裁過的將去畸變后不想要的像素去掉的內參數(shù)和畸變系數(shù)；
# 當alpha設為1的時候，將會返回一個包含額外黑色像素點的內參數(shù)和畸變系數(shù)，并返回一個ROI用于將其剪裁掉
newcameramtx, roi=cv2.getOptimalNewCameraMatrix(mtx,dist,(w,h),0,(w,h)) # 自由比例參數(shù)

dst = cv2.undistort(img2, mtx, dist, None, newcameramtx)
# 根據(jù)前面ROI區(qū)域裁剪圖片
x,y,w,h = roi
dst = dst[y:y+h, x:x+w]
cv2.imwrite('calibresult.jpg',dst)

# 反投影誤差
# 通過反投影誤差，我們可以來評估結果的好壞。越接近0，說明結果越理想。
# 通過之前計算的內參數(shù)矩陣、畸變系數(shù)、旋轉矩陣和平移向量，使用cv2.projectPoints()計算三維點到二維圖像的投影，
# 然后計算反投影得到的點與圖像上檢測到的點的誤差，最后計算一個對于所有標定圖像的平均誤差，這個值就是反投影誤差。
total_error = 0
for i in range(len(objpoints)):
? ? imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)
? ? error = cv2.norm(imgpoints[i],imgpoints2, cv2.NORM_L2)/len(imgpoints2)
? ? total_error += error
print (("total error: "), total_error/len(objpoints))

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: