张正友相机标定算法解读

Posted rainbow70626

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了张正友相机标定算法解读相关的知识,希望对你有一定的参考价值。

张正友标定算法解读

  一直以来想写篇相机标定方面的东西,最近组会上也要讲标定方面东西,所以顺便写了。无论是OpenCV还是matlab标定箱,都是以张正友棋盘标定算法为核心实现的,这篇PAMI的文章《A Flexible New Technique for Camera Calibration》影响力极大,张正友是浙江大学的机械系出身,貌似现在是微软的终身教授了。我就简单的介绍下算法的核心原理,公式的推理可能有点多。

一 基本问题描述:空间平面的三维点与相机平面二维点的映射。

假设空间平面中三维点:(齐次坐标,世界坐标系)。

  相机平面二维点:(齐次坐标,相机坐标系)。

那么空间中的点是如何映射到相机平面上去呢?我们用一个等式来表示两者之间关系:

(1)

注:A为相机内参矩阵,R,t分别为旋转和平移矩阵,s为一个放缩因子标量。

我们把等式(1)再简化下:

(2)

因为张正友算法选取的是平面标定,所以令z=0,所以平移向量只有r1,r2即可。H就是我们常说的单应性矩阵,在这里描述的是空间中平面三维点和相机平面二维点之间的关系。因为相机平面中点的坐标可以通过图像处理的方式(哈里斯角点,再基于梯度搜索的方式精确控制点位置)获取,而空间平面中三维点可以通过事先做好的棋盘获取。所以也就是说每张图片都可以计算出一个H矩阵。

二 内参限制

我们把H矩阵(3*3)写成3个列向量形式,那么我们把H矩阵又可写成:

(3)

注:lamda是个放缩因子标量,也是s的倒数。

那么现在我们要用一个关键性的条件:r1和r2标准正交。

正交:(4)

单位向量(模相等): (5)

这个两个等式是非常优美的,因为它完美的与绝对二次曲线理论联系起来了,这里就不展开了。

三 相机内参的求解

我们令:

(6)

我们可知B矩阵是个对称矩阵,所以可以写成一个6维向量形式:

(7)

我们把H矩阵的列向量形式为:

(8)

那么根据等式(8)我们把等式(4)改写成:

(9)

(10)

最后根据内参数限制条件(等式(4)(5)):

(11)

即,(12)

V矩阵是2*6矩阵,也就是说每张照片可建立起两个方程组,6个未知数。根据线性代数知识可知,解6个未知数需至少6个方程组,所以也就是说我们至少需要三张照片就求解未知数。b矩阵的解出,相机内参矩阵A也就求解出,从而每张图像的R,t也就根据等式(1)迎刃而解。

四 参数优化

因为初始的参数已经求解,所以我们将每张图像的控制点根据求解的参数重投影回三维空间,最小化与真实值的差异,其实就是建立非线性最小化模型:

(13)

这里用的是Levenberg-Marquardt迭代算法。

至此,整个流程走完,至于相机畸变系数的求解本文也不具体展开了。

以上是关于张正友相机标定算法解读的主要内容,如果未能解决你的问题,请参考以下文章

张正友标定算法原理详解

SLAM入门之视觉里程计:相机标定 张正友经典标定法详解

OpenCV实现张正友相机标定源代码

学习(1)相机标定之张正友标定法数学原理详解(含python源码)

张正友相机标定Opencv实现以及标定流程&&标定结果评价&&图像矫正流程解析(附标定程序和棋盘图)

机器视觉1. 张正友平面标定[转]