相机模型 |
您所在的位置:网站首页 › 焦距在数学中怎么表示 › 相机模型 |
问题: 1 广角/超广角与鱼眼摄像机,角度界限 2 畸变模型中radtan畸变模型与鱼眼畸变模型在小于150范围是否都时能适用. (同数据,拟合模型不同,,参数结果不同,不欠拟合和过拟合就可) 3 FOV畸变模型与鱼眼畸变模型中体视投影的关系. 鱼眼相机模型 (fisheye camera model) 模型介绍 等距投影 等立体角投影 正交投影 体视投影 线性投影 Kannala-Brandt 模型 去畸变过程 投影过程 反投影过程 雅可比计算 之前总结了一下针孔相机的模型,然后得到了比较积极的回复(其实是我到处求人关注的,虽然截至到目前才三个人),所以就再接再励,乘胜追击(也没得办法,夸下的海口,跪着也要做完),继续总结其他相机模型。 模型介绍鱼眼相机相较于针孔相机来说,视野更广,但畸变也更加严重,因此普通的针孔模型已不适用。鱼眼镜头的基本构造如图所示,经过多个镜头的折射,最终到达成像单元上。文章中所有图片均来自于网络,非本人所绘。 等距投影 r = f θ r=f*θ 等立体角投影 r = 2 f s i n ( θ /2 ) r=2*f*sin(θ/2) 正交投影 r = f s i n ( θ ) r=f*sin(θ) 体视投影 r = 2 f t a n ( θ/ 2 ) r=2*f*tan(θ/2) 线性投影 r = f t a n ( θ ) r=f*tan(θ) ![]() 同针孔模型一样,鱼眼模型也有畸变,那么怎么来用数学鱼眼描述这种畸变呢?观察各种投影方式,发现他们都是一个关于入射角 θ 的奇函数,因此鱼眼镜头的畸变也是对 θ的畸变,KB模型用只包含奇次项的多项式来描述畸变过程,其具体形式如下所示
对于鱼眼相机的去畸变过程可以采用解析的方式,因为从上述畸变公式中可以看到,畸变模型是一个多项式,理论上是存在解析解的。但本人使用的方法和针孔模型中类似,通过优化的方法进行去即便,代码如下 template void undistort(const Eigen::MatrixBase &p_d,const Eigen::MatrixBase &p_ud) const { EIGEN_STATIC_ASSERT_VECTOR_SPECIFIC_SIZE_OR_DYNAMIC(Eigen::MatrixBase, 2) Eigen::MatrixBase &y_ud = const_cast(p_ud); Eigen::MatrixBase &y_d = const_cast(p_d); y_ud.derived().resize(2); y_d.derived().resize(2); struct MLFunctor{ MLFunctor( const Eigen::Vector2d &imagePoint, double k1, double k2, double k3, double k4 ) : imagePoint_(imagePoint), _k1(k1), _k2(k2), _k3(k3), _k4(k4) { } int operator( )( const Eigen::VectorXd &x, Eigen::VectorXd &fvec ) const{ double theta = x[0]; double phi = x[1]; double theta2 = theta * theta; double theta4 = theta2 * theta2; double theta6 = theta4 * theta2; double theta8 = theta4 * theta4; double thetad = theta * ( 1 + _k1 * theta2 + _k2 * theta4 + _k3 * theta6 + _k4 * theta8); fvec[0] = thetad; fvec[1] = phi; fvec = fvec - imagePoint_; return 0; } int df( const Eigen::VectorXd &x, Eigen::MatrixXd &fjac ) const { double theta = x[0]; double theta2 = theta * theta; double theta4 = theta2 * theta2; double theta6 = theta4 * theta2; double theta8 = theta4 * theta4; fjac(0, 0) = 9 * _k4 * theta8 + 7 * _k3 * theta6 + 5 * _k2 * theta4 + 3 * _k1 * theta2 + 1; fjac(0, 1) = 0; fjac(1, 0) = 0; fjac(1, 1) = 1; return 0; } int values() const { return 2; } int inputs() const { return 2; } Eigen::Vector2d imagePoint_; double _k1; double _k2; double _k3; double _k4; }; Eigen::Vector2d target = y_d; MLFunctor func( target, m_k1, m_k2, m_k3, m_k4 ); Eigen::LevenbergMarquardt< MLFunctor > lm(func); double theta = y_d[0]; double phi = y_d[1]; Eigen::VectorXd res = Eigen::Vector2d(theta, phi); lm.minimize(res); y_ud = res; } 投影过程 多数情况下,都用BA算法来计算相机的内外参,这就需要知道雅可比矩阵,即投影误差对各待优化变量的偏导数组成的矩阵。所谓的投影误差,实际检测到点与投影到图像上的点之间的误差 e r r = p m − p err=pm−p 其中 pm表示检测到的角点。为了避免手撕公式,我使用了matlab直接来推导出结果,并且在推导公式时,没有考虑畸变项,因为公式太长了,懒得敲。 代码: syms fx fy x y z cx cy k1 k2 k3 k4 R = sqrt(x^2 + y^2 + z^2); xc = x / R; yc = y / R; zc = z / R; theta = acos(z); %thetad = theta + k1 * theta^3 + k2 * theta^5 + k3 * theta^7 + k4 * theta^9; thetad = theta; r = sqrt(xc^2 + yc^2); u = fx * (thetad * xc) / r + cx; v = fy * (thetad * yc) / r + cy; alphaE_alphaK = - [diff(u, fx), diff(u, fy), diff(u, cx), diff(u, cy); diff(v, fx), diff(v, fy), diff(v, cx), diff(v, cy)] alphaE_alphaP = -[diff(u, x), diff(u, y), diff(u, z); diff(v, x), diff(v, y), diff(v, z)] alphaP_alphaR = [1, 0, 0, 0, z, -y; 0, 1, 0, -z, 0, x; 0, 0, 1, y, -x, 0] alphaE_alphaP * alphaP_alphaR假设相机坐标系下归一化到球面的3D点坐标坐标为Ps=(xs,ys,zs) 1. 误差项关于内参的偏导数
2.误差项关于相机坐标系下点Ps的偏导 3.误差项在李代数上的扰动模型 根据链式法则可得 其中, ∂ P c/∂ δ ξ的推导后续会有专门篇幅进行总结,在这个先用起来再说。
在另一篇文章中我已经写过有关普通相机模型及其OpenCV标定实现,这篇文章将主要关注鱼眼相机模型及其OpenCV标定实现。 先看一张鱼眼相机拍摄出来的结果: 从图中可以看出很明显的畸变。对鱼眼相机标定,有时候也可以用普通相机的标定方法对其进行标定,但是却不能保证去畸变后的效果是最好的。因此对于Gopro等鱼眼镜头拍摄出来的图像去畸变,最好的方法就是采用鱼眼相机标定方法进行标定。 鱼眼相机模型 鱼眼相机的内参模型依然可以表示为: 这与普通镜头的成像模型没有区别。两者之间的区别主要体现在畸变系数,鱼眼相机的畸变系数为{ k1,k2,k3,k4},畸变系数不同,就导致鱼眼相机的投影关系也发生了变化,主要变化发生在考虑畸变情况下的投影关系转化: 设(X,Y,Z)为空间中一个三维点,它在成像平面内的成像坐标为(u,v),在考虑畸变的情况下, OpenCV实现鱼眼相机标定 利用opencv实现鱼眼相机的标定和普通相机标定的标定流程基本一致,具体流程如下: 1. 检测角点 cv::findChessboardCorners(InputArray image, Size patternSize, OutputArray corners, int flags=CALIB_CB_ADAPTIVE_THRESH+CALIB_CB_NORMALIZE_IMAGE} 获得棋盘标定板的角点位置,使用 cornerSubPix(InputArray image, InputOutputArray corners, Size winSize, Size zeroZone, TermCriteria criteria)获取角点更精细的检测结果 2. 初始化标定板上角点的三维坐标 3. 开始标定 double fisheye::calibrate(InputArrayOfArrays objectPoints, InputArrayOfArrays imagePoints, const Size& image_size, InputOutputArray K, InputOutputArray D, OutputArrayOfArrays rvecs, OutputArrayOfArrays tvecs, int flags=0, TermCriteria criteria=TermCriteria(TermCriteria::COUNT + TermCriteria:: EPS, 100, DBL_EPSILON)) 注意:K,D 分别表示内参矩阵和畸变系数向量,在定义时要定义为double型,这里推荐使用Matx33d和Vec4d数据类型,更为方便简单。objectPoints,imagePoints可以是float型,也可以是double型,但是再stereorectify中需要时double型。flags的可选项有很多,其中需要注意的是必须要指定CALIB_FIX_SKEW,代表求解时假设内参中fx=fy . 4.评定误差(可选项) 以上就是鱼眼相机标定的基本流程,部分代码片段如下: for (int i = 0; i != image_count; i++) { cout |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |