一直以來想寫篇相機(jī)標(biāo)定方面的東西，最近組會上也要講標(biāo)定方面東西，所以順便寫了。無論是OpenCV還是matlab標(biāo)定箱，都是以張正友棋盤標(biāo)定算法為核心實現(xiàn)的,這篇PAMI的文章<<A Flexible New Technique for Camera Calibration>>影響力極大，張正友是zju的機(jī)械系出身，貌似現(xiàn)在是微軟的終身教授了，有點牛的。我就簡單的介紹下算法的核心原理，公式的推理可能有點多。。。

一 基本問題描述：空間平面的三維點與相機(jī)平面二維點的映射

假設(shè)空間平面中三維點： （齊次坐標(biāo)，世界坐標(biāo)系）

相機(jī)平面二維點： （齊次坐標(biāo)，相機(jī)坐標(biāo)系）

那么空間中的點是如何映射到相機(jī)平面上去呢？我們用一個等式來表示兩者之間關(guān)系：

（1）

注：A為相機(jī)內(nèi)參矩陣，R，t分別為旋轉(zhuǎn)和平移矩陣，s為一個放縮因子標(biāo)量。

我們把等式（1）再簡化下：

（2）

因為張正友算法選取的是平面標(biāo)定，所以令z=0,所以平移向量只有r1,r2即可。H就是我們常說的單應(yīng)性矩陣，在這里描述的是空間中平面三維點和相機(jī)平面二維點之間的關(guān)系。因為相機(jī)平面中點的坐標(biāo)可以通過圖像處理的方式（哈里斯角點，再基于梯度搜索的方式精確控制點位置）獲取，而空間平面中三維點可以通過事先做好的棋盤獲取。所以也就是說每張圖片都可以計算出一個H矩陣。

二 內(nèi)參限制

我們把H矩陣(3*3)寫成3個列向量形式，那么我們把H矩陣又可寫成：

（3)

注:lamda是個放縮因子標(biāo)量，也是s的倒數(shù)。

那么現(xiàn)在我們要用一個關(guān)鍵性的條件：r1和r2標(biāo)準(zhǔn)正交。

正交：（4）

單位向量（模相等）： （5）
這個兩個等式是非常優(yōu)美的，因為它完美的與絕對二次曲線理論聯(lián)系起來了，這里就不展開了。

三 相機(jī)內(nèi)參的求解

我們令：

（6）

我們可知B矩陣是個對稱矩陣，所以可以寫成一個6維向量形式：

（7）

我們把H矩陣的列向量形式為：

（8）

那么根據(jù)等式（8）我們把等式（4）改寫成：

（9）

（10）

最后根據(jù)內(nèi)參數(shù)限制條件(等式（4）(5)):

(11)

即,(12)

V矩陣是2*6矩陣，也就是說每張照片可建立起兩個方程組，6個未知數(shù)。根據(jù)線性代數(shù)知識可知，解6個未知數(shù)需至少6個方程組，所以也就是說我們至少需要三張照片就求解未知數(shù)。b矩陣的解出，相機(jī)內(nèi)參矩陣A也就求解出，從而每張圖像的R，t也就根據(jù)等式（1）迎刃而解。
四 參數(shù)優(yōu)化

因為初始的參數(shù)已經(jīng)求解，所以我們將每張圖像的控制點根據(jù)求解的參數(shù)重投影回三維空間，最小化與真實值的差異，其實就是建立非線性最小化模型：

（13）

這里用的是Levenberg-Marquardt迭代算法。

至此，整個流程走完，至于相機(jī)畸變系數(shù)的求解本文也不具體展開了。

總結(jié)

以上是生活随笔為你收集整理的张正友标定算法解读（转）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。