1. 单目标定代码解读:从理论到OpenCV实现
在计算机视觉和摄影测量领域,相机标定是获取相机内参和畸变参数的关键步骤。OpenCV作为最流行的计算机视觉库之一,其相机标定模块被广泛应用于各类项目中。本文将深入解析OpenCV中单目相机标定的核心代码实现,帮助读者理解算法原理和工程实践中的各种优化技巧。
1.1 单应矩阵求解的OpenCV实现
单应矩阵(Homography)描述了平面场景在不同视角下的投影变换关系。在OpenCV的实现中,单应矩阵求解经过了精心优化:
cpp复制Mat findHomography(InputArray _points1, InputArray _points2,
int method, double ransacReprojThreshold,
OutputArray _mask, const int maxIters,
const double confidence)
{
// 数据准备和校验
Mat points1 = _points1.getMat(), points2 = _points2.getMat();
int npoints = points1.checkVector(2);
CV_Assert( npoints >= 0 && points2.checkVector(2) == npoints );
// 核心计算部分
Mat H(3, 3, CV_64F);
if (method == 0) // 最小二乘法
{
// 构建A矩阵
Mat A(2*npoints, 9, CV_64F);
// 填充A矩阵
for( int i = 0; i < npoints; i++ )
{
double x1 = points1.at<double>(i,0);
double y1 = points1.at<double>(i,1);
double x2 = points2.at<double>(i,0);
double y2 = points2.at<double>(i,1);
A.at<double>(2*i,0) = 0;
A.at<double>(2*i,1) = 0;
A.at<double>(2*i,2) = 0;
A.at<double>(2*i,3) = -x1;
A.at<double>(2*i,4) = -y1;
A.at<double>(2*i,5) = -1;
A.at<double>(2*i,6) = y2*x1;
A.at<double>(2*i,7) = y2*y1;
A.at<double>(2*i,8) = y2;
A.at<double>(2*i+1,0) = x1;
A.at<double>(2*i+1,1) = y1;
A.at<double>(2*i+1,2) = 1;
A.at<double>(2*i+1,3) = 0;
A.at<double>(2*i+1,4) = 0;
A.at<double>(2*i+1,5) = 0;
A.at<double>(2*i+1,6) = -x2*x1;
A.at<double>(2*i+1,7) = -x2*y1;
A.at<double>(2*i+1,8) = -x2;
}
// SVD分解求解
Mat w, u, vt;
SVDecomp(A, w, u, vt, SVD::MODIFY_A | SVD::FULL_UV);
H = vt.row(8).reshape(0, 3);
}
else if (method == RANSAC) // RANSAC鲁棒估计
{
// RANSAC实现代码...
}
return H;
}
注意:OpenCV在实际实现中对单应矩阵进行了归一化处理,确保数值稳定性。当使用RANSAC方法时,还会进行内点/外点判断,提高鲁棒性。
1.2 焦距初始估计的工程优化
在张正友标定法中,初始焦距估计是关键步骤。OpenCV对此进行了多项工程优化:
- 简化假设:
- 假设γ=0(无倾斜因子)
- 假设主点(u0,v0)位于图像中心
这些假设虽然会引入一定误差,但在大多数常规相机情况下是合理的,可以显著简化计算过程。
-
数学推导优化:
原始方程:
[
B = \lambda A^{-T}A^{-1} = \lambda \begin{bmatrix}
\frac{1}{\alpha^2} & 0 & \frac{-u_0}{\alpha^2} \
0 & \frac{1}{\beta^2} & \frac{-v_0}{\beta^2} \
\frac{-u_0}{\alpha^2} & \frac{-v_0}{\beta^2} & \frac{u_0^2}{\alpha^2} + \frac{v_0^2}{\beta^2} + 1
\end{bmatrix}
]简化后只需估计:
[
b = \begin{bmatrix} B_{11} & B_{22} \end{bmatrix} = \begin{bmatrix} \frac{1}{\alpha^2} & \frac{1}{\beta^2} \end{bmatrix}
] -
OpenCV中的实现技巧:
cpp复制void cvInitIntrinsicParams2D( const CvMat* objectPoints,
const CvMat* imagePoints, const CvMat* npoints,
CvSize imageSize, CvMat* cameraMatrix,
int aspectRatio )
{
// 计算单应矩阵
cvFindHomography( objectPoints, imagePoints, &matH );
// 假设主点在图像中心
double cx = imageSize.width * 0.5;
double cy = imageSize.height * 0.5;
// 构建方程组
CvMat* L = cvCreateMat( 2*nimages, 2, CV_64FC1 );
CvMat* B = cvCreateMat( 2*nimages, 1, CV_64FC1 );
// 填充L和B矩阵
for( int i = 0; i < nimages; i++ )
{
// 从单应矩阵提取信息
double* h = matH->data.db + i*9;
// 构建方程
L->data.db[2*i] = h[0]*h[1];
L->data.db[2*i+1] = h[3]*h[4];
B->data.db[2*i] = -(h[0]*h[0] - h[1]*h[1]);
B->data.db[2*i+1] = -(h[3]*h[3] - h[4]*h[4]);
}
// 求解线性方程组
CvMat* b = cvCreateMat(
