opencv 相机参数估计

### 关于OpenCV中单目相机参数校准 #### 单目相机参数概述 在计算机视觉领域，单目相机模型通常用于描述从三维世界到二维图像的投影过程。这个过程中涉及多个内部和外部参数。内参主要包括焦距\(f_x\)、\(f_y\)以及主点坐标\((c_x, c_y)\)，外参则指旋转矩阵和平移向量，用来表示摄像头相对于世界坐标的姿态[^1]。 #### 校准方法简介 对于单目相机来说，最常用的标定算法之一是由张正友提出的平面模板法。这种方法通过拍摄一组不同角度下的棋盘格图案来估计相机内外参数。具体而言，在每一张图片里找到角点位置后，利用这些数据拟合出最佳的畸变系数和其他几何属性[^2]。 #### Python代码示例 下面是一段基于Python语言并借助OpenCV库完成基本相机标定工作的脚本： ```python import cv2 import numpy as np import glob # 准备对象点，形如 (0,0,0), (1,0,0), (2,0,0) ....,(6,5,0) objp = np.zeros((6*7,3), np.float32) objp[:,:2] = np.mgrid[0:7,0:6].T.reshape(-1,2) # 存储所有图像的对象点和图像点 objpoints = [] # 3d point in real world space imgpoints = [] # 2d points in image plane. images = glob.glob('calibration_images/*.jpg') for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 查找棋盘格角落 ret, corners = cv2.findChessboardCorners(gray, (7,6),None) # 如果找到了，则添加对象点、图像点（细化后的） if ret == True: objpoints.append(objp) corners2 = cv2.cornerSubPix(gray,corners,(11,11),(-1,-1),criteria) imgpoints.append(corners2) ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None) ``` 此段程序读取指定文件夹内的多幅含有标准尺寸棋盘格的照片作为输入，并尝试从中提取特征点以计算最终所需的相机矩阵`mtx`及失真参数`dist`等重要信息。

### 使用 Opencv 根据单目相机标定参数进行双目相机参数计算 #### 单目相机标定的基础 在讨论如何利用单目相机的标定数据来辅助完成双目相机系统的标定时，首先要理解单目相机标定的过程及其产生的参数。通过张正友法或其他方法得到的单目相机内参矩阵（包括焦距、主点坐标）和畸变系数是后续处理的关键输入[^1]。 #### 双目相机系统的特点 对于双目视觉系统而言，除了各自独立的单目相机模型外，还需要考虑两台摄像机之间的相对位置关系——即它们的空间位姿变换（平移向量 t 和旋转矩阵 R）。这些额外的信息用于描述左/右摄像头间的几何关联，并最终影响立体匹配算法的效果及三维重建精度[^2]。 #### 计算过程概述 当已知两个单独校准过的单目相机时，可以通过如下方式估算出完整的双目配置： - **初始化内外参数**：加载或指定每只眼睛对应的内部属性文件； - **采集同步帧序列**：拍摄一系列含有特征模式（如棋盘格）的照片对； - **检测并配对角点**：识别各图中的标准图案，并建立跨视图对应关系； - **优化全局结构**：基于上述测量值求解最优姿态估计问题，从而获得准确的外部参数集{R|t}； - **验证与调整**：检查重投影误差是否满足预期水平，必要时重复以上步骤直至收敛满意为止。 #### Python 实现示例 下面给出一段简单的Python脚本来展示这一流程的具体操作： ```python import cv2 import numpy as np # 假设已经完成了单目的标定工作，这里读取之前保存的结果 left_camera_matrix = ... # 左侧相机内参矩阵 right_camera_matrix = ... # 右侧相机内参矩阵 dist_coeffs_left = ... # 左侧相机畸变系数 dist_coeffs_right = ... # 右侧相机畸变系数 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objp = np.zeros((6*9, 3), np.float32) objp[:, :2] = np.mgrid[0:9, 0:6].T.reshape(-1, 2)*25.0 # 设定实际尺寸单位为毫米 pattern_size = (9, 6) # 棋盘格大小 images_left = [...] # 存储左侧图像路径列表 images_right = [...] # 存储右侧图像路径列表 object_points = [] # 世界坐标系下的3D点集合 image_points_l = [] # 左侧图像平面内的2D点集合 image_points_r = [] # 右侧图像平面内的2D点集合 for img_path_l, img_path_r in zip(images_left, images_right): img_l = cv2.imread(img_path_l, 0) img_r = cv2.imread(img_path_r, 0) ret_l, corners_l = cv2.findChessboardCorners(img_l, pattern_size, None) ret_r, corners_r = cv2.findChessboardCorners(img_r, pattern_size, None) if ret_l and ret_r: object_points.append(objp) corners_subpix_l = cv2.cornerSubPix( img_l, corners_l, (11, 11), (-1, -1), criteria=criteria) image_points_l.append(corners_subpix_l) corners_subpix_r = cv2.cornerSubPix( img_r, corners_r, (11, 11), (-1, -1), criteria=criteria) image_points_r.append(corners_subpix_r) ret, _, _, _, _, rotation_vector, translation_vector, E, F = \ cv2.stereoCalibrate(object_points, image_points_l, image_points_r, left_camera_matrix, dist_coeffs_left, right_camera_matrix, dist_coeffs_right, gray.shape[::-1], flags=cv2.CALIB_FIX_INTRINSIC) print("Rotation Vector:\n", rotation_vector) print("Translation Vector:\n", translation_vector) ```