OpenCV相机标定的示例分析

这篇文章将为大家详细讲解有关OpenCV相机标定的示例分析，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

我们提供的服务有：成都做网站、成都网站制作、成都外贸网站建设、微信公众号开发、网站优化、网站认证、孟州ssl等。为近1000家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务，是有科学管理、有技术的孟州网站制作公司

相机标定：简单的说，就是获得相机参数的过程。参数如：相机内参数矩阵，投影矩阵，旋转矩阵和平移矩阵等

什么叫相机参数？

简单的说，将现实世界中的人、物，拍成一张图像（二维）。人或物在世界中的三维坐标，和图像上对应的二维坐标间的关系。表达两种不同维度坐标间的关系用啥表示？用相机参数。

相机的成像原理

先来看一下，相机的成像原理：

如图所示，这是一个相机模型。将物体简化看成一个点。来自物体的光，通过镜头，击中图像平面（图像传感器），以此成像。d0是物体到镜头的距离，di时镜头到图像平面的距离，f是镜头的焦距。三者满足以下关系。

现在，简化上面的相机模型。

将相机孔径看成无穷小，只考虑中心位置的射线，这样就忽视了透镜的影响。然后由于d0远远大于di，将图像平面放在焦距处，这样物体在图像平面上成像为倒立的影像（没有透镜的影响，只考虑从中心的孔径进入的光线）。这个简化的模型就是针孔摄像机模型。然后，我们在镜头前，将图像平面放在焦距距离的位置，就可以简单获得一个笔直的图像（不倒立）。当然，这只是理论上的，你不可能将图像传感器从相机里拿出来，放在镜头前面。实际应用中，针孔摄像机应该是将成像后的图像倒过来，以获得正立的图像。
到此，我们获得了一个简化的模型，如下图：

h0是物体的高，hi是图像上物体的高，f是焦距（距离），d0是图像到镜头的距离。四者满足如下关系：

（1）

物体在图像中的高度hi，和d0成反比。也就是说，离镜头越远，物体在图像中越小，离得越近越大（好吧，这句话是废话）。
但通过这个式子，我们便能够预测三维中的物体，在图像（二维）中的位置。那么怎么预测？

相机标定

如下图所示，根据上面简化的模型，考虑三维世界中的一个点，和其在图像（二维）中的坐标关系。

（X，Y，Z）为点的三维坐标，（x，y）为其通过相机成像后在图像（二维）上的坐标。u0和v0是相机的中心点（主点)，该点位于图像平面中心（理论上是这样。但实际的相机会有几个像素的偏差）
现在只考虑y方向上，由于需要将三维世界中的坐标，转换为图像上的像素（图像上的坐标，实际上是像素的位置），需要求y方向上焦距等于多少个像素（用像素值表示焦距），Py表示像素的高，焦距f（米或毫米）。垂直像素表示的焦距为

根据式子（1），只考虑y方向。我们三维世界中得点，在图像（二维）中y的坐标。

同理，得到x的坐标。

现在，将上图中的坐标系的原点O，移动到图像的左上角。由于（x，y）是关于（u0，v0）的偏移，上面表示图像（二维）中点的坐标的式子不变。将式子以矩阵的形式重写，得。

其中，等式左边的第一个矩阵，叫做“相机内参数矩阵”，第二个矩阵叫（投影矩阵）。

更为一般的情况，开始时的参考坐标系不位于主点（中心点），需要额外两个参数“旋转向量”和“平移向量”来表示这个式子，这两个参数在不同视角中是不一样的。整合后，上述式子重写为。

校正畸变

通过相机标定，获得了相机参数后，可以计算两个映射函数（x坐标和y坐标），它们分别给出了没有畸变的图像坐标。将畸变的图像重新映射成为没有畸变的图像。

代码：

做相机标定时，一般用标定板(棋盘）拍摄一组图像，利用这些图像提取角点，通过角点在图像中得坐标和三维世界中的坐标（通常自定义3维坐标），计算相机参数。

std::vectorimageConers;
//提取标定图像角点，保存角点坐标（二维）
 cv::findChessboardCorners(image,
 boardSize, //角点数目如（6,4）六行，四列
 imageConers);

函数calibrateCamera完成相机标定工作。

cv::calibrateCamera(objectPoints,//三维坐标
 imagePoints, //二维坐标
 imageSize,//图像大小
 camerMatirx,//相机内参数矩阵
 disCoeffs,//投影矩阵
 rvecs, //旋转
 tvecs,//平移
flag //标记opencv提供几种参数，可以参看在线的opencv document
);

计算畸变参数，去畸变

//计算畸变参数
cv::initUndistortRectifyMap(camerMatirx, disCoeffs,
  cv::Mat(), cv::Mat(), image.size(), CV_32FC1, 
  map1, //x映射函数
  map2 //y映射函数
  );
//应用映射函数
cv::remap(image, //畸变图像
undistorted, //去畸变图像
map1, map2, cv::INTER_LINEAR);

现在整合代码。

示例：

标头.h

#include
#include
#include
#include
#include 
#include
#include
class CameraCalibrator
{
private:
  //世界坐标
  std::vector < std::vector> objectPoints;
  //图像坐标
  std::vector > imagePoints;
  //输出矩阵
  cv::Mat camerMatirx;
  cv::Mat disCoeffs;
  //标记
  int flag;
  //去畸变参数
  cv::Mat map1, map2;
  //是否去畸变
  bool mustInitUndistort;

  ///保存点数据
  void addPoints(const std::vector&imageConers, const std::vector&objectConers)
  {
    imagePoints.push_back(imageConers);
    objectPoints.push_back(objectConers);
  }
public:
  CameraCalibrator() :flag(0), mustInitUndistort(true){}
  //打开棋盘图片，提取角点
  int addChessboardPoints(const std::vector&filelist,cv::Size &boardSize)
  {
    std::vectorimageConers;
    std::vectorobjectConers;
    //输入角点的世界坐标
    for (int i = 0; i < boardSize.height; i++)
    {
      for (int j = 0; j < boardSize.width; j++)
      {
        objectConers.push_back(cv::Point3f(i, j, 0.0f));
      }
    }
    //计算角点在图像中的坐标
    cv::Mat image;
    int success = 0;
    for (int i = 0; i < filelist.size(); i++)
    {
      image = cv::imread(filelist[i],0);
      //找到角点坐标
      bool found = cv::findChessboardCorners(image, boardSize, imageConers);
      cv::cornerSubPix(image, 
        imageConers,
        cv::Size(5, 5),
        cv::Size(-1, -1),
        cv::TermCriteria(cv::TermCriteria::MAX_ITER + cv::TermCriteria::EPS,
        30, 0.1));
      if (imageConers.size() == boardSize.area())
      {
        addPoints(imageConers, objectConers);
        success++;
      }
      //画出角点
      cv::drawChessboardCorners(image, boardSize, imageConers, found);
      cv::imshow("Corners on Chessboard", image);
      cv::waitKey(100);
    }
    return success;
  }

  //相机标定
  double calibrate(cv::Size&imageSize)
  {
    mustInitUndistort = true;
    std::vectorrvecs, tvecs;
    //相机标定
    return cv::calibrateCamera(objectPoints, imagePoints, imageSize,
      camerMatirx, disCoeffs, rvecs, tvecs, flag);
  }
  ///去畸变
  cv::Mat remap(const cv::Mat &image)
  {
    cv::Mat undistorted;
    if (mustInitUndistort)
    {
      //计算畸变参数
      cv::initUndistortRectifyMap(camerMatirx, disCoeffs,
        cv::Mat(), cv::Mat(), image.size(), CV_32FC1, map1, map2);
      mustInitUndistort = false;
    }
    //应用映射函数
    cv::remap(image, undistorted, map1, map2, cv::INTER_LINEAR);
    return undistorted;
  }
  //常成员函数，获得相机内参数矩阵、投影矩阵数据
  cv::Mat getCameraMatrix() const { return camerMatirx; }
  cv::Mat getDistCoeffs()  const { return disCoeffs; }
};

源.cpp

#include"标头.h"
#include
#include
int main()
{
  CameraCalibrator Cc;
  cv::Mat image;
  std::vector filelist;
  cv::namedWindow("Image");
  for (int i = 1; i <= 22; i++)
  {
    ///读取图片
    std::stringstream s;
    s << "D:/images/chessboards/chessboard" << std::setw(2) << std::setfill('0') << i << ".jpg";
    std::cout << s.str() << std::endl;

    filelist.push_back(s.str());
    image = cv::imread(s.str(),0);
    cv::imshow("Image", image);
    cv::waitKey(100);
  }
  //相机标定
  cv::Size boardSize(6, 4);
  Cc.addChessboardPoints(filelist, boardSize);
  Cc.calibrate(image.size());

  //去畸变
  image = cv::imread(filelist[1]);
  cv::Mat uImage=Cc.remap(image);
  cv::imshow("原图像", image);
  cv::imshow("去畸变", uImage);
  //显示相机内参数矩阵
  cv::Mat cameraMatrix = Cc.getCameraMatrix();
  std::cout << " Camera intrinsic: " << cameraMatrix.rows << "x" << cameraMatrix.cols << std::endl;
  std::cout << cameraMatrix.at(0, 0) << " " << cameraMatrix.at(0, 1) << " " << cameraMatrix.at(0, 2) << std::endl;
  std::cout << cameraMatrix.at(1, 0) << " " << cameraMatrix.at(1, 1) << " " << cameraMatrix.at(1, 2) << std::endl;
  std::cout << cameraMatrix.at(2, 0) << " " << cameraMatrix.at(2, 1) << " " << cameraMatrix.at(2, 2) << std::endl;

  cv::waitKey(0);
}

实验结果：

看以看到，相机内参数矩阵为

172.654 、0、157.829
0、184.195、118.635
0 、0 、1

关于“OpenCV相机标定的示例分析”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。