@huanghaian 2020-04-28T21:26:58.000000Z 字数 1811 阅读 1549

标定

3D视觉

1 张正友标定法

论文：A Flexible New Technique for Camera Calibration

1 小孔模型

假设2d图片上投影点坐标为 $m=[u,v]^T$ ,3d世界上坐标为 $M=[X,Y,Z]^T$ ，为了方便采用齐次方程计算，换成齐次坐标， $\widetilde m=[u,v,1]^T$ , $\widetilde M=[X,Y,Z,1]^T$ ,小孔模型可以表示为：
image.png-6.1kB
s表示任意尺度，原因是2d平面上任意一点在3d平面上都是一条线，具有尺度不定性，故s无法估计。

R，t是旋转矩阵和平移向量，是世界坐标系到相机坐标系的转换矩阵。A是相机内参矩阵，
image.png-7.1kB

其中，γ描述两个像轴偏度的参数，一般都是接近0，或者直接设置为0也行。α和β是在图像u和v轴上的比例因子，就是焦距mm单位，(u0，v0)是主点坐标，主点存在的原因是像素坐标系(u,v)坐标和图片坐标系(x,y)存在坐标轴原点的平移。通常主点坐标是图片分辨率的一半(可以用来判断标定代码是否有问题)，即像素坐标系的原点是成像平面的中心点，而图像坐标系原点是左上角。

2 估计单应矩阵

由于我们有精确的标定版，故设置世界坐标系原点为标定版上第一个角点上(可以检测出来)，假设能够正确检测出所有标定版上面点，那么由于世界坐标系原点已知，标定板上面每个标定点的世界坐标都是已知了，也就是M坐标全部已知。现在采用角点检测算法也可以检测出图像坐标系的每个2d坐标m，那么利用方程(1)就可以求解出H了：
image.png-15.1kB

image.png-8.5kB
利用上述数据，就可以通过方程(2) 求解出H单应矩阵了。

具体求解过程为：

(1) 求闭式解
把s参数和H参数合并，相当于去掉了s尺度因子，
注意上述方程H是未知数，其余都是已知的。故设置
image.png-21.4kB
目的是求X，本质就是Lx = 0，假设一共有n个对应点，那么L就是2nx9的矩阵，Ax=0的矩阵解法非常简单，一步到位，其实就是 $L^TL$ 矩阵的最小特征值对应的特征向量。考虑到可能存在病态矩阵，故实际上可以采用8点法求解。

(2) LM refine

上面的方程(2)实际上不一定成立，因为我们检测的角度实际上不可能那么准确，存在bias，导致方程不一定相等，也就是说上面得到的H值其实不准确，需要refine，常用的refine方法就是非线性最小二乘拟合(LM算法)，假设检测的角点做法误差符合0均值的高斯分布

image.png-19.7kB
其中 $Λ_{mi} = σ^2I$ ,非线性最小二乘是求解：
image.png-4.4kB
方程含义是2d投影误差最小。直接调用LM算法求解就好了，LM算法需要好的初始值，故采用上面得到的闭式解作为初始点即可。

3 求内参矩阵

现在已经得到了很好的H，H包含了A和旋转矩阵，现在需要利用H把每个变量求出来。

image.png-4.8kB

H矩阵可以写成上面的式子。

image.png-11.1kB

此时发现就只剩下A了，没有旋转相关参数了， $\lambda$ 是任意尺度因子。利用旋转矩阵正交的特性即向量r1和r2正交，可以得到上面2个式子。利用上面两个约束就可以求解上面所有需要的参数。注意H矩阵虽然是9个数，但是自由度是8，因为任意尺度，故可以设置任何一个变量为1，自由度就变成8了，求解办法也是一样，先求闭式解，然后refine。

image.png-38kB

image.png-37.2kB

image.png-9.6kB

将(3)和(4)方程合并到一个矩阵内部，就得到：
image.png-6.4kB
通式为：
image.png-4.6kB
V是2nx6的矩阵，可以看出B矩阵虽然是9个数，但是实际上自由度是5，为了求解方程，如果n大于等于3，那么肯定可以得到唯一解，且尺度因子也可以知道(相当于单目相机可以做双目的任务)。如果n=2，那么我们也可以设置偏斜 $\gamma$ 可以设置为0，那么自由度下降一个，也可以求解出来了，如果n=1，那么就需要再次降低自由度，假设主点也已知，只求焦距即可。
注意上面的是理论值，也就是说要求解得到A，至少需要3张图片。但是3张图片估计肯定不准确的，一般需要20张左右。