单目相机标定：由图像像素坐标系距离到世界坐标系真实距离 |
您所在的位置：网站首页 › vt图像距离怎么算 › 单目相机标定：由图像像素坐标系距离到世界坐标系真实距离 |
单目相机标定：由图像像素坐标系距离到世界坐标系真实距离
|
一、标定板拍摄图片
拍摄图片，之后放入matlab进行特征点提取，注意提取过程中可能世界坐标系下的原点不一样。一定要避免这种情况。 标定途径1：Matlab自带的APP：Camera Calibrator
把误差大的标定图片删掉，整个误差在0.2以下就行了。最后导出数据，matlab代码如下，其中K是内参矩阵（一定记得要转置）。根据你要最终测量的面，提取外参，R是旋转矩阵，t是平移向量。我这里第55张标定图片是把标定板贴在最终被侧面上测量的，所以我的外参矩阵选第55组就行。 K = cameraParams.IntrinsicMatrix'; % 内参矩阵 R = cameraParams.RotationMatrices(:,:,55); % 指定表面的旋转矩阵 t = cameraParams.TranslationVectors(55,:); % 指定表面的平移向量 标定途径2：matlab calibration toolbox这个toolbox一般都需要自己下载安装（免费）。但是这个安装好之后，需要自己一张图一张图自己标定，我个人觉得这个非常麻烦，而且自己标定也不能保证精度。 标定途径3：matlab 代码直接计算参数 直接上代码 numImages = 55; %标定的图片总数 files = cell(1, 55); path = 'E:\opencv_project\SPSI\spatial_phaseshift\1125\cc限'; counter=0; % （因为我图片总共200张，命名是1-200，然后被我删掉了很多误差大的图，最后剩下55张，命名在1-200之间） for i = 1:200 % 图片命名最大值 currentFile = fullfile(path, sprintf('%dCamera.bmp', i)); if exist(currentFile, 'file') counter = counter + 1; files{counter} = currentFile; end end % 对所有的标定图片进行角点检测 [imagePoints, boardSize] = detectCheckerboardPoints(files); squareSize = 5; % 标定板的小方格边长（mm） worldPoints = generateCheckerboardPoints(boardSize, squareSize); I = imread(files{1}); imageSize = [size(I, 1), size(I, 2)]; cameraParams = estimateCameraParameters(imagePoints, worldPoints, 'ImageSize', imageSize); %得到相机内参 % 显示误差 figure; showReprojectionErrors(cameraParams); title("Reprojection Errors"); % 估算外参 im = imread(files{55}); % 输入要测量的最终表面的标定图 [imagePoints, boardSize] = detectCheckerboardPoints(im); % 获取相机内参和外参 K = cameraParams.IntrinsicMatrix'; [R, t] = extrinsics(imagePoints, worldPoints, cameraParams); 二、使用内外参计算实际距离matlab有自带的img2world2d函数，但是这个函数在Computer Vision工具包里面，这个工具包似乎只有正版matlab才能用。。。。。我们被制裁孩子的盗版matlab就用不了了。所以我分别写了一个matlab和Python的版本。 Matlab： function worldPoints = img2world2d(imagePoints, camExtrinsics, camIntrinsics) % imagePoints: 输入的像素坐标，Nx2 的矩阵 % camExtrinsics: 相机外参矩阵，3x4 的矩阵 % camIntrinsics: 相机内参矩阵，3x3 的矩阵 % 将图像坐标转换为归一化坐标 normalizedPoints = [imagePoints, ones(size(imagePoints, 1), 1)] / camIntrinsics'; % 添加深度信息 normalizedPoints(:, 3) = 1; % 利用相机外参矩阵将相机坐标映射到世界坐标 worldPointsHomogeneous = (camExtrinsics \ normalizedPoints')'; % 转换为非齐次坐标 worldPoints = worldPointsHomogeneous(:, 1:3) ./ worldPointsHomogeneous(:, 4); endPython： def img2world2d(p, M, K): # 将图像坐标转换为归一化坐标 ones_column = np.ones((1)) normalizedPoints = np.dot(np.hstack((p, ones_column)) , np.linalg.inv(np.transpose(K))) normalizedPoints = normalizedPoints.reshape(-1, 1) M = np.delete(M,2,axis=1) worldPointsHomogeneous = np.linalg.solve(M,normalizedPoints) worldPoints = worldPointsHomogeneous[:2, :] / worldPointsHomogeneous[2, :].reshape(-1, 1) return worldPoints目前已经实现了图片坐标到世界坐标的转化。输入两个像素点p1,p2，得到两个世界坐标点w1,w2，就可以利用范数求快速求距离了。 distance = norm(w2-w1); 三、实验验证给被测面的标定图片（就是我标定第55张），标两个点，输入，计算实际的距离。我的标定板每个格子是5mm，所以真值大概是5*6=30mm。
最终计算结果是30.0177mm，竖着的也记得验证以下：
最终计算结果是299846mm，结果非常靠谱！！！赢！！！！！以后就可以在不改变被测面和相机的前提下，对这个被测面进行任意的检测了！！！ 四、参考的matlab官方demo：（直接是运行不了的，只能学习思路） Measuring Planar Objects with a Calibrated Camera - MATLAB & Simulink - MathWorks 中国 |
【本文地址】