精华内容
下载资源
问答
  • python 双目标定

    2020-03-30 19:44:52
    刚写的确定好用 oprncv+python 请大家多多指教 在网上整理了一下解释挺全的,希望对大家有所帮助。 000000000000
  • 双目标定算法

    2018-12-11 14:11:30
    基于棋盘格的双目标定算法,算法实现基于opencv3扩展库,代码工程基于Qt5
  • 双目标定【Halcon】

    2020-11-13 11:05:45
    基于Halcon实现的双目标定思路和算法,详细思路可以在留言区多多交流。 基于Halcon实现的双目标定思路和算法,详细思路可以在留言区多多交流。 基于Halcon实现的双目标定思路和算法,详细思路可以在留言区多多交流。
  • MATLAB双目标定工具

    2017-12-23 15:34:34
    该工具是MATLAB源码,可以结合MATLAB运行相应的m文件得可视化界面,方便的实现摄像头的标定。
  • 双目标定图像数据集

    2018-11-15 14:52:30
    打印的标定板每个格子大小为4cm*4cm. 数据集数量为40张. 标定后的T如下 T: !!opencv-matrix rows: 3 cols: 1 dt: d data: [ -6.0660435539064854e-02, -1.2209630833796844e-04, 9.8321891780593206e-04 ] ...
  • 张正友标定法棋盘格,双目标定棋盘格,张正友标定法棋盘格,双目标定棋盘格
  • (单、双目标定、校正及测距) │  └── stereo_calibration.py (双目标定、校正) ├── left (测试图片) │  ├── left01.jpg │  ├── ... │  └── left14.jpg ├── README.md ├── right ...
  • 搭建双目视觉传感器,完成双目视觉传感器的标定。利用标定后的双目视觉传感器完成一项应用,并给出双目视觉传感器的标定精度以及测量精度的评价。本资源旨在给予双目采集困难初学者,练习标定所用到的高质量双目图像...
  • 使用halcon实现的双目标定算法,图片使用halcon中自带的算法,可以换成自己拍摄的使用,效果较好,包含极限对正的部分
  • 程序完全是由python3+opencv实现的,包括标定板图像采集,单目相机标定,双目相机标定,立体矫正,SGBM立体匹配,生成视差图像。测距并非采用opencv传统三维函数,通过记录实验数据,对实验数据进行多项式拟合,通过...
  • 用两个摄像头实现,双目标定,双目测距,双目测深度,双目求深度程序v2(基于opencv2.4.9,不需要扩展库)
  • Stereo-master双目标定

    2019-06-26 19:56:49
    通过python实现双目标定,得出两个相机的内参,畸变系数,以及旋转和平移向量。
  • MATLAB 2015——双目标定
  • 针对双目标定系统精度提高的问题,介绍了摄像机标定方法、原理及双目标定系统的标定流程。通过用张正友平面模板两步法实验分析总结出影响双目标定系统精度的因素,并提出了提高精度的方法。在各种影响因素达到最小时的...
  • 在MFC界面的基础上,通过视频观察到合适的图像去拍摄双目图像,首先得到双目相机的棋盘格图像,先进行单个相机的标定,再进行双目标定;得到标定参数后,拍摄图像进行深度测量得到深度图及数据。
  • 双目标定

    千次阅读 2018-09-27 17:00:43
    [2]经过双目标定得到摄像头的各项参数后,采用OpenCV中的stereoRectify(立体校正)得到校正旋转矩阵R、投影矩阵P、重投影矩阵Q,再采用initUndistortRectifyMap函数得出校准映射参数,然后用remap来校准输入的左右...

    转自:https://www.cnblogs.com/Jessica-jie/p/6602286.html 

    双目摄像机标定最主要的目的:是要得求出每个摄像机的相机内参数矩阵K和畸变系数矩阵D,左右两个摄像机的相对位置关系(即右摄像头相对于左摄像头的平移向量 t和旋转矩阵R)。

    由于OpenCV中StereoCalibrate标定的结果极其不稳定,甚至会得到很夸张的结果,所以决定Matlab标定工具箱立体标定,再将标定的结果读入OpenCV,来进行后续图像校准和匹配。

    [1]首先对左右摄像头分别进行标定,得到两个摄像头各自的内参矩阵和畸变参数向量。

    注意事项: 
    1. 采集棋盘图的时候要注意,尽量让棋盘占据尽可能多的画面,这样可以得到更多有关摄像头畸变方面的信息。 
    2. 在Matlab标定工具箱中,可以通过reproject on images,得到根据当前标定结果得到的反投影误差,从点云的聚集情况和分散的最大范围可以看出反投影误差的大小。Recomp. corners选项,主要完成根据反向投影得到的角点坐标重作为对角点的估计,重新计算角点的功能。针对第一次标定结果误差太大的情况,可以通过此方法重新计算角点。计算完成后,点击Calibration根据新的角点进行标定。此时,得到的标定信息,比第一次得到的反投影误差分布更集中,直径也小。(该步骤在标定过程中需谨慎使用,因为往往首次得到的三维坐标精确度并不高,如果参考误差较大的话,有可能使结果与正解偏差更大。) 
    3. 两个摄像头的焦距应该保持一致,因为在后续的视差图转换为三维图时的Q矩阵只有一个f值。所以必须要求至少焦距相近。而且立体成像的三角测量(Learning OpenCV书中提到)的前提假设就是fl=fr。(调整两个摄像头的焦距相同的方法:离两个相机相同远处放置标定板,分别调节两个相机的焦距,使得两个画面的清晰度相似。)

    [2]经过双目标定得到摄像头的各项参数后,采用OpenCV中的stereoRectify(立体校正)得到校正旋转矩阵R、投影矩阵P、重投影矩阵Q,再采用initUndistortRectifyMap函数得出校准映射参数,然后用remap来校准输入的左右图像。

    其中remap的图像剪裁系数alpha,取值范围是-1、0~1。

    (1)当取值为 0 时,OpenCV会对校正后的图像进行缩放和平移,使得remap图像只显示有效像素(即去除不规则的边角区域),适用于机器人避障导航等应用;

    (2)当alpha取值为1时,remap图像将显示所有原图像中包含的像素,该取值适用于畸变系数极少的高端摄像头;

    (3)alpha取值在0-1之间时,OpenCV按对应比例保留原图像的边角区域像素。

    (4)alpha取值为-1时,OpenCV自动进行缩放和平移。

     

    双目校正过程中要使用极线约束 
    要计算目标点在左右两个视图上形成的视差,首先要把该点在左右视图上两个对应的像点匹配起来。然而,在二维空间上匹配对应点是非常耗时的,为了减少匹配搜索范围,我们可以利用极线约束使得对应点的匹配由二维搜索降为一维搜索。

    而双目校正的作用:把消除畸变后的两幅图像严格地行对应,使得两幅图像的对极线恰好在同一水平线上,这样一幅图像上任意一点与其在另一幅图像上的对应点就必然具有相同的行号,只需在该行进行一维搜索即可匹配到对应点。 
    这里写图片描述


    这里写图片描述

    展开全文
  • VS2010为平台,OpenCV的双目标定、双目校正实验,以Opencv下给的图像试验结果,使用时请先检查下目录
  • 利用opencv实现的双目视觉demo,能够检测深度,可以拿去参考,谢谢支持。
  • 根据左右相机拍摄的图片,先进行单目标定,再进行双目标定,之后通过立体校正和立体匹配得到视差图,计算深度
  • 双目标定文件

    2017-08-30 21:56:39
    基于OPENCV的双目标定,C++,亲测,可以运行,没有bug,用cmakelist即可生成indows和ubantu系统的文件!
  • 双目标定相关算法研究.rar
  • 本博客将实现Python版本的双目三维重建系统,项目代码实现包含:`双目标定`,`立体校正(含消除畸变)`,`立体匹配`,`视差计算`和`深度距离计算/3D坐标计算` 的知识点。限于篇幅,本博客不会过多赘述算法原理,而是...

    双目三维重建系统(双目标定+立体校正+双目测距+点云显示)Python


    目录

    双目三维重建系统(双目标定+立体校正+双目测距+点云显示)Python

    1.项目结构

    2. Environment

    3.双目相机标定和校准

    (0) 双目摄像头

    (1) 采集标定板的左右视图

    (2) 单目相机标定和校准

    (3) 双目相机标定和校准

    4.视差图和深度图

    (1) 立体校正

    (2) 立体匹配与视差图计算

    (3) Demo

    5.双目测距

    6.3D点云显示

    7.Demo代码

    8.参考资料


    博客将实现Python版本的双目三维重建系统,项目代码实现包含:`双目标定`,`立体校正(含消除畸变)`,`立体匹配`,`视差计算`和`深度距离计算/3D坐标计算` 的知识点。限于篇幅,本博客不会过多赘述算法原理,而是手把手教你,如果搭建一套属于自己的双目三维重建的系统。项目代码包含:

    • 支持双USB连接线的双目摄像头
    • 支持单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示)
    • 支持单目相机标定:mono_camera_calibration.py ,无需Matlab标定
    • 支持双目相机标定:stereo_camera_calibration.py,无需Matlab标定
    • 支持使用WLS滤波器对视差图进行滤波
    • 支持双目测距,误差在1cm内(鼠标点击图像即可获得其深度距离)
    • 支持Open3D和PCL点云显示

    尊重原创,转载请注明出处】:https://panjinquan.blog.csdn.net/article/details/121301896

    先放一张动图,这是最终重建的效果:

    完整的项目代码】:https://download.csdn.net/download/guyuealian/42517006

    三维重建中,除了双目相机,还有TOF和结构光3D 相机

    1. 飞行时间(Time of flight,TOF),代表公司微软Kinect2,PMD,SoftKinect, 联想 Phab,在手机中一般用于3D建模、AR应用,AR测距(华为TOF镜头)

    2. 双目视觉(Stereo Camera),代表公司 Leap Motion, ZED, 大疆;

    3. 结构光(Structured-light),代表公司有奥比中光,苹果iPhone X(Prime Sense),微软 Kinect1,英特尔RealSense, Mantis Vision 等,在手机(iPhone,华为)中3D结构光主要用于人脸解锁、支付、美颜等场景。

    关于3D相机技术(飞行时间+双目+结构光)的区别,可以参考我的一篇博客《3D相机技术调研(飞行时间TOF+双目+结构光)》:

    3D相机技术调研(飞行时间TOF+双目+结构光)_pan_jinquan的博客-CSDN博客1.深度估计3D相机方案目前市面上常有的 3D 相机方案就就是这3种:飞行时间(Time of flight,TOF),代表公司微软Kinect2,PMD,SoftKinect, 联想 Phab,在手机中一般用于3D建模、AR应用,AR测距(华为TOF镜头)双目视觉(Stereo Camera),代表公司 Leap Motion, ZED, 大疆;结构光(Structured-light),代表公司有奥比中光,苹果iPhone X(Prime Sense),微软Kin..https://panjinquan.blog.csdn.net/article/details/119649838果你对结构光三维重建感兴趣,可参考鄙人的博客《结构光三维重建-3D Scanning Software实现三维重建

    结构光三维重建-3D Scanning Software实现三维重建_pan_jinquan的博客-CSDN博客结构光相机标定-3D Scanning Software使用1. 说明2.Requirements(1)下载相关文件(2)3D Scanning Software源码编译3. Data capture(1)运行程序:scan3d-capture(2)采集校准图片:Capture calibration images(3) 进行校准:Calibration4.扫描模型:Model Scanninhttps://panjinquan.blog.csdn.net/article/details/121113787


    1.项目结构

    .
    ├── config       # 相机参数文件
    ├── core         # 相机核心算法包
    ├── data         # 相机采集的数据
    ├── demo         # demo文件
    ├── libs         # 第三方依赖包
    ├── scripts      # 脚本
    │   ├── mono_camera_calibration.sh     # 单目相机校准脚本
    │   └── stereo_camera_calibration.sh   # 双目相机校准脚本
    ├── get_stereo_images.py                      # 采集标定文件
    ├── mono_camera_calibration.py                # 单目相机标定
    ├── stereo_camera_calibration.py              # 双目相机标定
    └── README.md
    
    

    2. Environment

    • 依赖包,可参考requirements.txt
    • python-pcl (安装python-pcl需要一丢丢耐心,实在不行,就用open3d吧)
    • open3d-python=0.7.0.0
    • opencv-python
    • opencv-contrib-python

    3.双目相机标定和校准

    (0) 双目摄像头

    下面这款双目摄像头(RGB+RGB)是在某宝购买的(几百元,链接就不发了,免得说我打广告),作为本项目的双目相机,其基线是固定的6cm,是单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示),基本满足我们测试需求。一般基线越长,可测量的距离越远,网友也可以根据自己需要购买。

    一点注意事项

    1. 双目相机三维重建也可以使用RGB+IR(红外)的摄像头,甚至IR+IR的也是可以,本人亲测,RGB+IR的相机,其效果也是杠杠的。
    2. 基线不太建议太小,作为测试,一般baseline在3~9cm就可以满足需求,有些无人车的双目基线更是恐怖到1~2米长
    3. 从双目三维重建原理中可知,左右摄像头的成像平面尽可能在一个平面内,成像平面不在同一个平面的,尽管可以立体矫正,其效果也差很多。
    4. 一分钱,一分货,相机的质量好坏,直接决定了你的成像效果

    (1) 采集标定板的左右视图

    • 采集数据前,请调节相机焦距,尽可能保证视图中标定板清洗可见
    • 采集棋盘格图像时,标定板一般占视图1/2到1/3左右
    • 一般采集15~30张左右
    width=8                
    height=11
    left_video=0
    right_video=-1
    save_dir="data/camera"
    detect=True
    
    python get_stereo_images.py \
        --left_video $left_video \
        --right_video $right_video \
        --width $width  \
        --height $height  \
        --save_dir $save_dir \
        --detect $detect \
    

    参数说明: 

    1. 参数width指的是棋盘格宽方向黑白格子相交点个数
    2. 参数height指的是棋盘格长方向黑白格子相交点个数
    3. 参数left_video是左路相机ID,一般就是相机连接主板的USB接口号
    4. 参数right_video是右路相机ID,一般就是相机连接主板的USB接口号
    5. PS:如果你的双目相机是单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示),则设置left_video=相机ID,而right_video=-1,
    6. 参数detect建议设置True,这样可实时检测棋盘格,方面调整角度
    7. 按键盘s或者c保存左右视图图片
    left_imageright_image

     下面是采集双目摄像头标定板左右视图的Python代码:get_stereo_images.py,除了OpenCV,没啥依赖,直接干就完事。

    import os
    import argparse
    import cv2
    
    
    class StereoCamera(object):
        """采集双目标定图片,按键盘【c】或【s】保存图片"""
    
        def __init__(self, chess_width, chess_height, detect=False):
            """
            :param chess_width: chessboard width size,即棋盘格宽方向黑白格子相交点个数,
            :param chess_height: chessboard height size,即棋盘格长方向黑白格子相交点个数
            :param detect: 是否实时检测棋盘格,方便采集数据
            """
            self.chess_width = chess_width
            self.chess_height = chess_height
            self.detect = detect
            self.criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
    
        def detect_chessboard(self, image):
            """检测棋盘格"""
            gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
            ret, corners = cv2.findChessboardCorners(gray, (self.chess_width, self.chess_height), None)
            if ret:
                # 角点精检测
                corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), self.criteria)
                # Draw and display the corners
                image = cv2.drawChessboardCorners(image, (self.chess_width, self.chess_height), corners2, ret)
            return image
    
        def capture2(self, left_video, right_video, save_dir):
            """
            用于采集双USB连接线的双目摄像头
            :param left_video:int or str,左路视频路径或者摄像头ID
            :param right_video:int or str,右视频路径或者摄像头ID
            :param save_dir: str,保存左右图片的路径
            :return:
            """
            self.create_file(save_dir)
            capL = cv2.VideoCapture(left_video)
            capR = cv2.VideoCapture(right_video)
            widthL, heightL, numFramesL, fpsL = self.get_video_info(capL)
            widthR, heightR, numFramesR, fpsR = self.get_video_info(capR)
            print("capL:\n", widthL, heightL, numFramesL, fpsL)
            print("capR:\n", widthR, heightR, numFramesR, fpsR)
            save_videoL = self.create_file(save_dir, "video", "left_video.avi")
            save_videoR = self.create_file(save_dir, "video", "right_video.avi")
            writerL = self.get_video_writer(save_videoL, widthL, heightL, fpsL)
            writerR = self.get_video_writer(save_videoR, widthR, heightR, fpsR)
            i = 0
            while True:
                isuccessL, frameL = capL.read()
                isuccessR, frameR = capR.read()
                if not (isuccessL and isuccessR):
                    print("No more frames")
                    break
                if self.detect:
                    l = self.detect_chessboard(frameL.copy())
                    r = self.detect_chessboard(frameR.copy())
                else:
                    l = frameL.copy()
                    r = frameR.copy()
                cv2.imshow('left', l)
                cv2.imshow('right', r)
                key = cv2.waitKey(10)
                if key == ord('q'):
                    break
                elif key == ord('c') or key == ord('s'):
                    print("save image:{:0=3d}".format(i))
                    cv2.imwrite(os.path.join(save_dir, "left_{:0=3d}.png".format(i)), frameL)
                    cv2.imwrite(os.path.join(save_dir, "right_{:0=3d}.png".format(i)), frameR)
                    i += 1
                writerL.write(frameL)
                writerR.write(frameR)
            capL.release()
            capR.release()
            cv2.destroyAllWindows()
    
        def capture1(self, video, save_dir):
            """
            用于采集单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示)
            :param video:int or str,视频路径或者摄像头ID
            :param save_dir: str,保存左右图片的路径
            """
            self.create_file(save_dir)
            cap = cv2.VideoCapture(video)
            width, height, numFrames, fps = self.get_video_info(cap)
            print("capL:\n", width, height, numFrames, fps)
            save_videoL = self.create_file(save_dir, "video", "left_video.avi")
            save_videoR = self.create_file(save_dir, "video", "right_video.avi")
            writerL = self.get_video_writer(save_videoL, int(width / 2), height, fps)
            writerR = self.get_video_writer(save_videoR, int(width / 2), height, fps)
            i = 0
            while True:
                isuccess, frame = cap.read()
                if not isuccess:
                    print("No more frames")
                    break
                # 分离左右摄像头
                frameL = frame[:, :int(width / 2), :]
                frameR = frame[:, int(width / 2):, :]
                if self.detect:
                    l = self.detect_chessboard(frameL.copy())
                    r = self.detect_chessboard(frameR.copy())
                else:
                    l = frameL.copy()
                    r = frameR.copy()
                cv2.imshow('left', l)
                cv2.imshow('right', r)
                key = cv2.waitKey(10)
                if key == ord('q'):
                    break
                elif key == ord('c') or key == ord('s'):
                    print("save image:{:0=3d}".format(i))
                    cv2.imwrite(os.path.join(save_dir, "left_{:0=3d}.png".format(i)), frameL)
                    cv2.imwrite(os.path.join(save_dir, "right_{:0=3d}.png".format(i)), frameR)
                    i += 1
                writerL.write(frameL)
                writerR.write(frameR)
            cap.release()
            cv2.destroyAllWindows()
    
        @staticmethod
        def get_video_info(video_cap):
            width = int(video_cap.get(cv2.CAP_PROP_FRAME_WIDTH))
            height = int(video_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
            numFrames = int(video_cap.get(cv2.CAP_PROP_FRAME_COUNT))
            fps = int(video_cap.get(cv2.CAP_PROP_FPS))
            return width, height, numFrames, fps
    
        @staticmethod
        def get_video_writer(save_path, width, height, fps):
            if not os.path.exists(os.path.dirname(save_path)):
                os.makedirs(os.path.dirname(save_path))
            fourcc = cv2.VideoWriter_fourcc(*'XVID')
            frameSize = (int(width), int(height))
            video_writer = cv2.VideoWriter(save_path, fourcc, fps, frameSize)
            print("video:width:{},height:{},fps:{}".format(width, height, fps))
            return video_writer
    
        @staticmethod
        def create_file(parent_dir, dir1=None, filename=None):
            out_path = parent_dir
            if dir1:
                out_path = os.path.join(parent_dir, dir1)
            if not os.path.exists(out_path):
                os.makedirs(out_path)
            if filename:
                out_path = os.path.join(out_path, filename)
            return out_path
    
    
    def str2bool(v):
        return v.lower() in ('yes', 'true', 't', 'y', '1')
    
    
    def get_parser():
        width = 8
        height = 11
        left_video = -1
        right_video = 0
        save_dir = "data/camera"
        parser = argparse.ArgumentParser(description='Camera calibration')
        parser.add_argument('--width', type=int, default=width, help='chessboard width size')
        parser.add_argument('--height', type=int, default=height, help='chessboard height size')
        parser.add_argument('--left_video', type=int, default=left_video, help='left video file or camera ID')
        parser.add_argument('--right_video', type=int, default=right_video, help='right video file or camera ID')
        parser.add_argument('--detect', type=str2bool, nargs='?', const=True, help='detect chessboard ')
        parser.add_argument('--save_dir', type=str, default=save_dir, help='YML file to save calibrate matrices')
        return parser
    
    
    if __name__ == '__main__':
        args = get_parser().parse_args()
        stereo = StereoCamera(args.width, args.height, detect=args.detect)
        if args.left_video > -1 and args.right_video > -1:
            # 双USB连接线的双目摄像头
            stereo.capture2(left_video=args.left_video, right_video=args.right_video, save_dir=args.save_dir)
        elif args.left_video > -1:
            # 单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示)
            stereo.capture1(video=args.left_video, save_dir=args.save_dir)
        elif args.right_video > -1:
            # 单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示)
            stereo.capture1(video=args.right_video, save_dir=args.save_dir)
        else:
            raise Exception("Error: Check your camera{}".format(args.left_video, args.right_video))
    

    双目标定的目标是获得左右两个相机的内参、外参和畸变系数,其中内参包括左右相机的fx,fy,cx,cy,外参包括左相机相对于右相机的旋转矩阵和平移向量,畸变系数包括径向畸变系数(k1, k2,k3)和切向畸变系数(p1,p2)。

    双目标定工具最常用的莫过于是MATLAB的工具箱: Stereo Camera Calibrator App,网上有太多教程,我就不赘述了。

    我采用的是Deepin系统,懒得去安装Matlab了,所以就参考各路神仙,使用OpenCV实现了单目和双目的标定程序。

    (2) 单目相机标定和校准

    bash scripts/mono_camera_calibration.sh
    #!/usr/bin/env bash
    
    image_dir=data/lenacv-camera # 棋盘格图片
    save_dir=configs/lenacv-camera # 保存标定结果
    width=8
    height=11
    square_size=20 #mm
    image_format=png # 图片格式,如png,jpg
    show=True # 是否显示检测结果
    # left camera calibration
    python mono_camera_calibration.py \
        --image_dir  $image_dir \
        --image_format $image_format  \
        --square_size $square_size  \
        --width $width  \
        --height $height  \
        --prefix left  \
        --save_dir $save_dir \
        --show $show
    
    # right camera calibration
    python mono_camera_calibration.py \
        --image_dir  $image_dir \
        --image_format  $image_format  \
        --square_size $square_size  \
        --width $width  \
        --height $height  \
        --prefix right  \
        --save_dir $save_dir \
        --show $show

    一点注意事项: 

    • 标定代码会显示每一张图像的棋盘格的角点检测效果,如果发现有检测不到,或者角点检测出错,则需要自己手动删除这些图像,避免引入太大的误差
    • 若误差超过0.1,建议重新调整摄像头并标定,不然效果会差很多

     执行后,在$save_dir目录下会生成left_cam.ymlright_cam.yml左右相机参数文件

    %YAML:1.0
    ---
    K: !!opencv-matrix
       rows: 3
       cols: 3
       dt: d
       data: [ 7.6327773983725410e+02, 0., 2.8768149780495781e+02, 0.,
           7.6350419482076416e+02, 2.1897333674659842e+02, 0., 0., 1. ]
    D: !!opencv-matrix
       rows: 1
       cols: 5
       dt: d
       data: [ 3.5020967324140520e-02, -4.0770563420764315e-02,
           -4.4231047037511739e-04, -1.0552565305999332e-03,
           -9.7750323762439514e-02 ]
    

    其中K是相机内参矩阵,D是畸变系数矩阵

    这是完整的代码

     

    (3) 双目相机标定和校准

    bash scripts/stereo_camera_calibration.sh
    image_dir=data/lenacv-camera # 棋盘格图片
    save_dir=configs/lenacv-camera # 保存标定结果
    width=8
    height=11
    square_size=20 #mm
    image_format=png # 图片格式,如png,jpg
    #show=True # 是否显示检测结果
    show=False # 是否显示检测结果
    # stereo camera calibration
    python stereo_camera_calibration.py \
        --left_file $save_dir/left_cam.yml \
        --right_file $save_dir/right_cam.yml \
        --left_prefix left \
        --right_prefix right \
        --width $width \
        --height $height \
        --left_dir $image_dir \
        --right_dir $image_dir \
        --image_format  $image_format  \
        --square_size $square_size \
        --save_dir $save_dir \
    

    一点注意事项:  

    • 若误差超过0.1,建议重新调整摄像头并标定

    执行后,在$save_dir目录下会生成stereo_cam.yml相机参数文件,这个文件,包含了左右相机的相机内参矩阵(K1,K2),畸变系数矩阵(D1,D2),左右摄像机之间的旋转矩阵R和平移矩阵T,以及本质矩阵E和基本矩阵F等.

    有了双目相机内外参数信息(stereo_cam.yml),下面就可以进行立体矫正,计算视差了

    4.视差图和深度图

    (1) 立体校正

    这部分基础知识来源于:https://blog.csdn.net/dulingwen/article/details/100115157

    立体校正的目的是将拍摄于同一场景的左右两个视图进行数学上的投影变换,使得两个成像平面平行于基线,且同一个点在左右两幅图中位于同一行,简称共面行对准。只有达到共面行对准以后才可以应用三角原理计算距离。

        def get_rectify_image(self, imgL, imgR):
            """
            畸变校正和立体校正
            根据更正map对图片进行重构
            获取用于畸变校正和立体校正的映射矩阵以及用于计算像素空间坐标的重投影矩阵
            :param imgL:
            :param imgR:
            :return:
            """
            # camera_params.get_rectify_transform(K1, D1, K2, D2, R, T, image_size)
            left_map_x, left_map_y = self.camera_config["left_map_x"], self.camera_config["left_map_y"]
            right_map_x, right_map_y = self.camera_config["right_map_x"], self.camera_config["right_map_y"]
            rectifiedL = cv2.remap(imgL, left_map_x, left_map_y, cv2.INTER_LINEAR, borderValue=cv2.BORDER_CONSTANT)
            rectifiedR = cv2.remap(imgR, right_map_x, right_map_y, cv2.INTER_LINEAR, borderValue=cv2.BORDER_CONSTANT)
            return rectifiedL, rectifiedR

    (2) 立体匹配与视差图计算

    立体匹配的目的是为左图中的每一个像素点在右图中找到其对应点(世界中相同的物理点),这样就可以计算出视差:(xi和xj分别表示两个对应点在图像中的列坐标)。

    大部分立体匹配算法的计算过程可以分成以下几个阶段:匹配代价计算、代价聚合、视差优化、视差细化。立体匹配是立体视觉中一个很难的部分,主要困难在于:

    1.图像中可能存在重复纹理和弱纹理,这些区域很难匹配正确;

    2.由于左右相机的拍摄位置不同,图像中几乎必然存在遮挡区域,在遮挡区域,左图中有一些像素点在右图中并没有对应的点,反之亦然;

    3.左右相机所接收的光照情况不同;

    4.过度曝光区域难以匹配;

    5.倾斜表面、弯曲表面、非朗伯体表面;

    6.较高的图像噪声等。

    常用的立体匹配方法基本上可以分为两类:局部方法,例如BM、SGM、ELAS、Patch Match等,非局部的,即全局方法,例如Dynamic Programming、Graph Cut、Belief Propagation等,局部方法计算量小,匹配质量相对较低,全局方法省略了代价聚合而采用了优化能量函数的方法,匹配质量较高,但是计算量也比较大。

    目前OpenCV中已经实现的方法有BM、binaryBM、SGBM、binarySGBM、BM(cuda)、Bellief Propogation(cuda)、Constant Space Bellief Propogation(cuda)这几种方法。比较好用的是SGBM算法,它的核心是基于SGM算法,但和SGM算法又有一些不同,比如匹配代价部分用的是BT代价(原图+梯度图)而不是HMI代价等等。有关SGM算法的原理解释,可以参考另一篇博客 : 《双目立体匹配算法:SGM https://blog.csdn.net/dulingwen/article/details/104142149

        def get_disparity(self, imgL, imgR, use_wls=True):
            """
            :param imgL: 畸变校正和立体校正后的左视图
            :param imgR:畸变校正和立体校正后的右视图
            :param use_wls:是否使用WLS滤波器对视差图进行滤波
            :return dispL:ndarray(np.float32),返回视差图
            """
            dispL = disparity.get_disparity_filter(imgL, imgR, use_wls=use_wls)
            # dispL = disparity.get_disparity_simple(imgL, imgR)
            return dispL

    (3) Demo

    • 运行Demo进行立体矫正,计算视差图并恢复深度图,
    • Demo的参数说明如下
    参数类型说明
    calibration_filestr双目相机的配置文件,如"configs/lenacv-camera/stereo_cam.yml"
    left_videostr左路相机ID或者视频文件
    right_videostr右路相机ID或者视频文件
    left_filestr左路测试图像文件
    right_filestr右路测试图像文件
    filterbool是否对视差图进行滤波
    python demo.py  \
      --stereo_file "configs/lenacv-camera/stereo_cam.yml" \
      --left_video "data/lenacv-video/left_video.avi" \
      --right_video "data/lenacv-video/right_video.avi" \
      --filter True
    • 视差图滤波:

    在立体匹配生成视差图之后,还可以对视差图进行滤波后处理,例如Guided Filter、Fast Global Smooth Filter(一种快速WLS滤波方法)、Bilatera Filter、TDSR、RBS等。 视差图滤波能够将稀疏视差转变为稠密视差,并在一定程度上降低视差图噪声,改善视差图的视觉效果,但是比较依赖初始视差图的质量。

    左视图右视图
    视差图(未滤波)深度图(未滤波)
    视差图(滤波后)深度图(滤波后)

    可以看到,使用WLS滤波后,视差图的整体效果都有明显改善

    • 最终效果图


    5.双目测距

    得到了视差图之后,就可以计算像素深度了,在opencv中使用StereoRectify()函数可以得到一个重投影矩阵Q,它是一个4*4的视差图到深度图的映射矩阵(disparity-to-depth mapping matrix ),使用Q矩阵和cv2.reprojectImageTo3D即可实现将像素坐标转换为三维坐标,该函数会返回一个3通道的矩阵,分别存储X、Y、Z坐标(左摄像机坐标系下)。

    def reprojectImageTo3D(disparity, Q, _3dImage=None, handleMissingValues=None, ddepth=None):
        """
        :param disparity: 输入视差图
        :param Q: 输入4*4的视差图到深度图的映射矩阵,即重投影矩阵 通过stereoRectify得到
                (disparity-to-depth mapping matrix)
        :param _3dImage: 映射后存储三维坐标的图像
                 contains 3D coordinates of the point (x,y) computed from the disparity map
        :param handleMissingValues: 计算得到的非正常值是否给值,如果为true则给值10000
        :param ddepth: 输出类型 -1 即默认为CV_32FC3 还可以是 CV_16S, CV_32S, CV_32F
        :return:
        """

    运算如下:


     [X,Y,Z,W] ^T=Q*[x,y,disparity(x,y),1]^ T

    _3dImage(x,y)=(X/W,Y/W,Z/W)

    重投影矩阵Q中c_xc_y为左相机主点在图像中的坐标,f为焦距,T_x为两台相机投影中心间的平移(负值),即基线baseline,相当于平移向量T[0], c_{x}^{`}  是右相机主点在图像中的坐标。

    其中Z即是深度距离depth:

    其中 f 为焦距长度(像素焦距),b为基线长度,d为视差,c_{xl}c_{xr}为两个相机主点的列坐标。

    这里有个地方需要注意,如果获得视差图像是CV_16S类型的,这样的视差图的每个像素值由一个16bit表示,其中低位的4位存储的是视差值得小数部分,所以真实视差值应该是该值除以16。在进行映射后应该乘以16,以获得毫米级真实位置。

        def get_depth(self, disparity, Q, scale=1.0, method=False):
            """
            reprojectImageTo3D(disparity, Q),输入的Q,单位必须是毫米(mm)
            :param disparity: 视差图
            :param Q: 重投影矩阵Q=[[1, 0, 0, -cx]
                               [0, 1, 0, -cy]
                               [0, 0, 0,  f]
                               [1, 0, -1/Tx, (cx-cx`)/Tx]]
                其中f为焦距,Tx相当于平移向量T的第一个参数
            :param scale: 单位变换尺度,默认scale=1.0,单位为毫米
            :return depth:ndarray(np.uint16),depth返回深度图, 即距离
            """
            # 将图片扩展至3d空间中,其z方向的值则为当前的距离
            if method:
                points_3d = cv2.reprojectImageTo3D(disparity, Q)  # 单位是毫米(mm)
                x, y, depth = cv2.split(points_3d)
            else:
                # baseline = abs(camera_config["T"][0])
                baseline = 1 / Q[3, 2]  # 基线也可以由T[0]计算
                fx = abs(Q[2, 3])
                depth = (fx * baseline) / disparity
            depth = depth * scale
            # depth = np.asarray(depth, dtype=np.uint16)
            depth = np.asarray(depth, dtype=np.float32)
            return depth
    • 运行demo.py后,鼠标点击图像任意区域,终端会打印对应距离
    • 鼠标点击手部区域会打印距离摄像头的距离约633mm,即0.63米,还是比较准的
    (x,y)=(203,273),depth=633.881653mm
    (x,y)=(197,329),depth=640.386047mm
    (x,y)=(222,292),depth=631.549072mm
    (x,y)=(237,270),depth=630.389221mm
    (x,y)=(208,246),depth=652.560669mm
    

     双目测距的精度 说明:

    根据上式可以看出,某点像素的深度精度取决于该点处估计的视差d的精度。假设视差d的误差恒定,当测量距离越远,得到的深度精度则越差,因此使用双目相机不适宜测量太远的目标。

    如果想要对与较远的目标能够得到较为可靠的深度,一方面需要提高相机的基线距离,但是基线距离越大,左右视图的重叠区域就会变小,内容差异变大,从而提高立体匹配的难度,另一方面可以选择更大焦距的相机,然而焦距越大,相机的视域则越小,导致离相机较近的物体的距离难以估计。

    理论上,深度方向的测量误差与测量距离的平方成正比,而X/Y方向的误差与距离成正比;而距离很近时,由于存在死角,会导致难以匹配的问题;想象一下,如果你眼前放置一块物体,那你左眼只能看到物体左侧表面,右眼同理只能看到物体右侧表面,这时由于配准失败,导致视差计算失败;这个问题在基线越长,问题就越严重

     双目立体视觉系统精度分析_3D Vision-CSDN博客_双目视觉定位精度在一个三维测量项目中,如果采用立体视觉方案,首先,要根据测量需求(精度、测量范围、速度等),确定立体视觉的硬件方案。Thomas Luhmann在他的《Close-Range Photogrammetry and 3D Imaging》(2014)中,给出立体视觉系统的简化分析方法。这个方法假设两个相机的光轴平行,基线与光轴垂直,基线长度b和焦距值c不存在误差。分析了图像处理误差对立体定位https://blog.csdn.net/xuyuhua1985/article/details/50151269


    6.3D点云显示

    恢复三维坐标后,就可以使用python-pcl和Open3D库显示点云图

    PCL Python版比较难安装,如果安装不了,那可以采用Open3D勉强凑合使用吧

    如下图所示,你可以用鼠标旋转坐标轴,放大点云

    2D-RGBOpen3D点云显示PCL点云显示

        def show_3dcloud_for_open3d(self, frameL, frameR, points_3d):
            """
            使用open3d显示点云
            :param frameL:
            :param frameR:
            :param points_3d:
            :return:
            """
            if self.use_open3d:
                x, y, depth = cv2.split(points_3d)  # depth = points_3d[:, :, 2]
                self.open3d_viewer.show(color_image=frameL, depth_image=depth)
    
        def show_3dcloud_for_pcl(self, frameL, frameR, points_3d):
            """
            使用PCL显示点云
            :param frameL:
            :param frameR:
            :param points_3d:
            :return:
            """
            if self.use_pcl:
                self.pcl_viewer.add_3dpoints(points_3d, frameL)
                self.pcl_viewer.show()

    7.Demo代码

    完整的项目代码】:https://download.csdn.net/download/guyuealian/42517006

    # -*-coding: utf-8 -*-
    """
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2020-04-10 18:24:06
    """
    
    import os
    import cv2
    import argparse
    import numpy as np
    from core.utils import image_utils, file_utils
    from core import camera_params, stereo_matcher
    
    
    class StereoDepth(object):
        """双目测距"""
    
        def __init__(self, stereo_file, width=640, height=480, filter=True, use_open3d=True, use_pcl=True):
            """
            :param stereo_file: 双目相机内外参数配置文件
            :param width: 相机分辨率width
            :param height:相机分辨率height
            :param filter: 是否使用WLS滤波器对视差图进行滤波
            :param use_open3d: 是否使用open3d显示点云
            :param use_pcl: 是否使用PCL显示点云
            """
            self.count = 0
            self.filter = filter
            self.camera_config = camera_params.get_stereo_coefficients(stereo_file)
            self.use_pcl = use_pcl
            self.use_open3d = use_open3d
            # 初始化3D点云
            if self.use_pcl:
                # 使用open3d显示点云
                from core.utils_pcl import pcl_tools
                self.pcl_viewer = pcl_tools.PCLCloudViewer()
            if self.use_open3d:
                # 使用PCL显示点云
                from core.utils_3d import open3d_visual
                self.open3d_viewer = open3d_visual.Open3DVisual(camera_intrinsic=self.camera_config["K1"],
                                                                depth_width=width,
                                                                depth_height=height)
                self.open3d_viewer.show_image_pcd(True)
                self.open3d_viewer.show_origin_pcd(True)
                self.open3d_viewer.show_image_pcd(True)
            assert (width, height) == self.camera_config["size"], Exception("Error:{}".format(self.camera_config["size"]))
    
        def test_pair_image_file(self, left_file, right_file):
            """
            测试一对左右图像
            :param left_file: 左路图像文件
            :param right_file: 右路图像文件
            :return:
            """
            frameR = cv2.imread(left_file)
            frameL = cv2.imread(right_file)
            self.task(frameR, frameL, waitKey=0)
    
        def capture1(self, video):
            """
            用于采集单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示)
            :param video:int or str,视频路径或者摄像头ID
            :param save_dir: str,保存左右图片的路径
            """
            cap = image_utils.get_video_capture(video)
            width, height, numFrames, fps = image_utils.get_video_info(cap)
            self.count = 0
            while True:
                success, frame = cap.read()
                if not success:
                    print("No more frames")
                    break
                frameL = frame[:, :int(width / 2), :]
                frameR = frame[:, int(width / 2):, :]
                self.count += 1
                self.task(frameL, frameR, waitKey=5)
                if cv2.waitKey(1) & 0xFF == ord('q'):  # Get key to stop stream. Press q for exit
                    break
            cap.release()
            cv2.destroyAllWindows()
    
        def capture2(self, left_video, right_video):
            """
            用于采集双USB连接线的双目摄像头
            :param left_video:int or str,左路视频路径或者摄像头ID
            :param right_video:int or str,右视频路径或者摄像头ID
            :return:
            """
            capL = image_utils.get_video_capture(left_video)
            capR = image_utils.get_video_capture(right_video)
            width, height, numFrames, fps = image_utils.get_video_info(capL)
            width, height, numFrames, fps = image_utils.get_video_info(capR)
            self.count = 0
            while True:
                successL, frameL = capL.read()
                successR, frameR = capR.read()
                if not (successL and successR):
                    print("No more frames")
                    break
                self.count += 1
                self.task(frameL, frameR, waitKey=50)
                if cv2.waitKey(1) & 0xFF == ord('q'):  # Get key to stop stream. Press q for exit
                    break
            capL.release()
            capR.release()
            cv2.destroyAllWindows()
    
        def get_3dpoints(self, disparity, Q, scale=1.0):
            """
            计算像素点的3D坐标(左相机坐标系下)
            reprojectImageTo3D(disparity, Q),输入的Q,单位必须是毫米(mm)
            :param disparity: 视差图
            :param Q: 重投影矩阵Q=[[1, 0, 0, -cx]
                               [0, 1, 0, -cy]
                               [0, 0, 0,  f]
                               [1, 0, -1/Tx, (cx-cx`)/Tx]]
                其中f为焦距,Tx相当于平移向量T的第一个参数
            :param scale: 单位变换尺度,默认scale=1.0,单位为毫米
            :return points_3d:ndarray(np.float32),返回三维坐标points_3d,三个通道分布表示(X,Y,Z)
                        其中Z是深度图depth, 即距离,单位是毫米(mm)
            """
            # 返回三维坐标points_3d,三个通道分布表示(X,Y,Z)
            # depth = stereo_matcher.get_depth(disparity, Q, scale=1.0)
            points_3d = cv2.reprojectImageTo3D(disparity, Q)
            # x, y, depth = cv2.split(points_3d)
            # baseline = abs(camera_config["T"][0])
            # baseline = 1 / Q[3, 2]  # 基线也可以由T[0]计算
            # fx = abs(Q[2, 3])
            # depth = (fx * baseline) / disparity
            points_3d = points_3d * scale
            points_3d = np.asarray(points_3d, dtype=np.float32)
            return points_3d
    
        def get_disparity(self, imgL, imgR, use_wls=True):
            """
            :param imgL: 畸变校正和立体校正后的左视图
            :param imgR:畸变校正和立体校正后的右视图
            :param use_wls:是否使用WLS滤波器对视差图进行滤波
            :return dispL:ndarray(np.float32),返回视差图
            """
            dispL = stereo_matcher.get_filter_disparity(imgL, imgR, use_wls=use_wls)
            # dispL = disparity.get_simple_disparity(imgL, imgR)
            return dispL
    
        def get_rectify_image(self, imgL, imgR):
            """
            畸变校正和立体校正
            根据更正map对图片进行重构
            获取用于畸变校正和立体校正的映射矩阵以及用于计算像素空间坐标的重投影矩阵
            :param imgL:
            :param imgR:
            :return:
            """
            # camera_params.get_rectify_transform(K1, D1, K2, D2, R, T, image_size)
            left_map_x, left_map_y = self.camera_config["left_map_x"], self.camera_config["left_map_y"]
            right_map_x, right_map_y = self.camera_config["right_map_x"], self.camera_config["right_map_y"]
            rectifiedL = cv2.remap(imgL, left_map_x, left_map_y, cv2.INTER_LINEAR, borderValue=cv2.BORDER_CONSTANT)
            rectifiedR = cv2.remap(imgR, right_map_x, right_map_y, cv2.INTER_LINEAR, borderValue=cv2.BORDER_CONSTANT)
            return rectifiedL, rectifiedR
    
        def task(self, frameL, frameR, waitKey=5):
            """
            :param frameL: 左路视频帧图像(BGR)
            :param frameR: 右路视频帧图像(BGR)
            """
            # 畸变校正和立体校正
            rectifiedL, rectifiedR = self.get_rectify_image(imgL=frameL, imgR=frameR)
            # 绘制等间距平行线,检查立体校正的效果
            # calibrate_tools.draw_line_rectify_image(rectifiedL, rectifiedR)
            # We need grayscale for disparity map.
            grayL = cv2.cvtColor(rectifiedL, cv2.COLOR_BGR2GRAY)
            grayR = cv2.cvtColor(rectifiedR, cv2.COLOR_BGR2GRAY)
            # Get the disparity map
            dispL = self.get_disparity(grayL, grayR, self.filter)
            points_3d = self.get_3dpoints(disparity=dispL, Q=self.camera_config["Q"])
            self.show_3dcloud_for_open3d(frameL, frameR, points_3d)
            self.show_3dcloud_for_pcl(frameL, frameR, points_3d)
            self.show_2dimage(frameL, frameR, points_3d, dispL, waitKey=waitKey)
    
        def show_3dcloud_for_open3d(self, frameL, frameR, points_3d):
            """
            使用open3d显示点云
            :param frameL:
            :param frameR:
            :param points_3d:
            :return:
            """
            if self.use_open3d:
                x, y, depth = cv2.split(points_3d)  # depth = points_3d[:, :, 2]
                self.open3d_viewer.show(color_image=frameL, depth_image=depth)
    
        def show_3dcloud_for_pcl(self, frameL, frameR, points_3d):
            """
            使用PCL显示点云
            :param frameL:
            :param frameR:
            :param points_3d:
            :return:
            """
            if self.use_pcl:
                self.pcl_viewer.add_3dpoints(points_3d, frameL)
                self.pcl_viewer.show()
    
        def show_2dimage(self, frameL, frameR, points_3d, dispL, waitKey=0):
            """
            :param frameL:
            :param frameR:
            :param dispL:
            :param points_3d:
            :return:
            """
            x, y, depth = cv2.split(points_3d)  # depth = points_3d[:, :, 2]
            depth_colormap = stereo_matcher.get_visual_depth(depth)
            dispL_colormap = stereo_matcher.get_visual_disparity(dispL)
            image_utils.addMouseCallback("left", depth, info="depth=%fmm")
            image_utils.addMouseCallback("right", depth, info="depth=%fmm")
            image_utils.addMouseCallback("disparity-color", depth, info="depth=%fmm")
            image_utils.addMouseCallback("depth-color", depth, info="depth=%fmm")
            result = {"frameL": frameL, "frameR": frameR, "disparity": dispL_colormap, "depth": depth_colormap}
            cv2.imshow('left', frameL)
            cv2.imshow('right', frameR)
            cv2.imshow('disparity-color', dispL_colormap)
            cv2.imshow('depth-color', depth_colormap)
            key = cv2.waitKey(waitKey)
            self.save_images(result, self.count, key)
            if self.count <= 2:
                cv2.moveWindow("left", 700, 0)
                cv2.moveWindow("right", 1400, 0)
                cv2.moveWindow("disparity-color", 700, 700)
                cv2.moveWindow("depth-color", 1400, 700)
    
        def save_images(self, result, count, key, save_dir="./data/temp"):
            """
            :param result:
            :param count:
            :param key:
            :param save_dir:
            :return:
            """
            if key == ord('q'):
                exit(0)
            elif key == ord('c') or key == ord('s'):
                file_utils.create_dir(save_dir)
                print("save image:{:0=4d}".format(count))
                cv2.imwrite(os.path.join(save_dir, "left_{:0=4d}.png".format(count)), result["frameL"])
                cv2.imwrite(os.path.join(save_dir, "right_{:0=4d}.png".format(count)), result["frameR"])
                cv2.imwrite(os.path.join(save_dir, "disparity_{:0=4d}.png".format(count)), result["disparity"])
                cv2.imwrite(os.path.join(save_dir, "depth_{:0=4d}.png".format(count)), result["depth"])
    
    
    def str2bool(v):
        return v.lower() in ('yes', 'true', 't', 'y', '1')
    
    
    def get_parser():
        stereo_file = "configs/lenacv-camera/stereo_cam.yml"
        # left_video = None
        # right_video = None
        left_video = "data/lenacv-video/left_video.avi"
        right_video = "data/lenacv-video/right_video.avi"
        left_file = "docs/left.png"
        right_file = "docs/right.png"
        parser = argparse.ArgumentParser(description='Camera calibration')
        parser.add_argument('--stereo_file', type=str, default=stereo_file, help='stereo calibration file')
        parser.add_argument('--left_video', default=left_video, help='left video file or camera ID')
        parser.add_argument('--right_video', default=right_video, help='right video file or camera ID')
        parser.add_argument('--left_file', type=str, default=left_file, help='left image file')
        parser.add_argument('--right_file', type=str, default=right_file, help='right image file')
        parser.add_argument('--filter', type=str2bool, nargs='?', default=True, help='use disparity filter')
        return parser
    
    
    if __name__ == '__main__':
        args = get_parser().parse_args()
        stereo = StereoDepth(args.stereo_file, filter=args.filter)
        if args.left_video is not None and args.right_video is not None:
            # 双USB连接线的双目摄像头
            stereo.capture2(left_video=args.left_video, right_video=args.right_video)
        elif args.left_video is not None:
            # 单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示)
            stereo.capture1(video=args.left_video)
        elif args.right_video is not None:
            # 单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示)
            stereo.capture1(video=args.right_video)
        if args.left_file and args.right_file:
            # 测试一对左右图像
            stereo.test_pair_image_file(args.left_file, args.right_file)
    

    8.参考资料

    展开全文
  • matlab 双目标定及参数说明

    千次阅读 2019-12-04 18:39:34
    一 标定步骤 调用标定app 2. 勾选相应的选项 一般选择3个径向畸变和2个切向畸变 3. 载入双目图片 点击add images,出现如下界面,自己选择图片的路径和棋盘格的单位长度,然后点击ok,会自动...Camera...

    一 标定步骤

    1. 调用标定app

    在这里插入图片描述
    2. 勾选相应的选项
    一般选择3个径向畸变和2个切向畸变
    在这里插入图片描述
    3. 载入双目图片
    点击add images,出现如下界面,自己选择图片的路径和棋盘格的单位长度,然后点击ok,会自动检测角点和筛选可用图像
    在这里插入图片描述
    4. 标定
    点击Calibrate按钮,进行标定
    在这里插入图片描述
    完成标定,左下角为反投影误差,右边为外参可视化
    在这里插入图片描述
    5. 参数导出
    点击在这里插入图片描述即可

    二、参数说明

    在这里插入图片描述
    1. CameraParameters1与CameraParameters2为左右摄像头的单独标定参数
    2. CameraParameters1与CameraParameters2中包含如下文件
    在这里插入图片描述
    RadialDistortion:径向畸变,摄像头由于光学透镜的特性使得成像存在着径向畸变,可由K1,K2,K3表示。
    TangentialDistortion:切向畸变,由于装配方面的误差,传感器与光学镜头之间并非完全平行,因此成像存在切向畸变,可由两个参数P1,P2表示。
    在使用时,需要注意参数的排放顺序,即(K1,K2,P1,P2,K3)
    IntrinsicMatrix:存放的是摄像头的内参,只与摄像机的内部结构有关,需要先转置再使用
    3. 注意RotationOfCamera2和TranslationOfCamera2的含义,是相机2(右相机)相对于相机1(左相机)的转换矩阵,表示为:
    X 2 = X 1 ∗ R o t a t i o n O f C a m e r a 2 + T r a n s l a t i o n O f C a m e r a 2 {X}_{2}={X}_{1} *RotationOfCamera2 +TranslationOfCamera2 X2=X1RotationOfCamera2+TranslationOfCamera2
    这个公式和我们平时使用的是有区别的 X 1 {X}_{1} X1 X 2 {X}_{2} X2是用行向量表示的,而在我们通常的使用中,是用列向量来表示一个点的三维坐标,故而应该表示为:
    X 2 ′ = R o t a t i o n O f C a m e r a 2 ′ ∗ X 1 ′ + T r a n s l a t i o n O f C a m e r a 2 ′ {X}_{2}'=RotationOfCamera2' * {X}_{1} '+TranslationOfCamera2' X2=RotationOfCamera2X1+TranslationOfCamera2
    因此在R和T在使用时,首先需要进行转置。
    4. FundamentalMatrix 和EssentialMatrix分别是基础矩阵和本质矩阵

    展开全文
  • 双目标定立体匹配算法
  • matlab2016a 双目标定以及参数说明

    千次阅读 2019-06-14 10:39:58
    转载链接:...一、      标定步骤1.    ... 调出标定工具箱在命令行输入stereoCameraCalibrator,出现如下界面: ... ...

    转载链接:https://blog.csdn.net/weixin_40554881/article/details/80605649

    一、      标定步骤

    1.      调出标定工具箱

    在命令行输入stereoCameraCalibrator,出现如下界面:

     

    2.      勾选相应的选项

    然后将上面的“Skew”、“Tangential Distortion”以及“3 Coefficients”等选项选上,将“2 Coefficients”选项去掉,如下:

     

    3.      载入图像

    然后点击添加图像,出现如下界面:

    Camera1代表左摄像头,Camera2代表右摄像头,分别选择存放着左右图像的文件夹,需要特别注意的是棋盘格的边长应该根据打印的实际大小填写,单位可以选择

    然后点击OK,程序会自动检测采集的图像到底有多少可以使用,可以说MATLAB2015的这个工具十分挑剔,如果角度不好的话,将使用不了,因此在采集图像时,最好多的采集一些。(此处只是为了说明标定步骤,所以使用的图像较少)。

     

    4.      标定

    点击按钮,开始标定:

     

    5.      校准

    从下图可以看到,平均的标定误差以及标定过程中误差较大的的图像对。

     

    点击选择不想接受的误差直方图,可以直接在左边的图像对中找到对应的图像,右键选择“Remove and Recalibrate”:

     

           可以重复上述步骤,直到认为误差满足标定需求为止。

    6.      导出参数

    点击选择Export camera parameters, 并点击“OK”。

     

    二、      参数读取

    标定结束后,会得到如下标定参数:

     

    CameraParameters1与CameraParameters2为左右摄像头的单独标定参数。

    1.      两个摄像头的平移和旋转参数

    stereoParams.TranslationOfCamera2:相机2相对于相机1的偏移矩阵,可以直接使用。

     

    stereoParams.RotationOfCamera2:相机2相对于相机1的旋转矩阵,需要转置之后才能使用。

     

    2.      摄像机内参矩阵

    CameraParameters1与CameraParameters2中包含如下文件:

     

    IntrinsicMatrix存放的是摄像头的内参,只与摄像机的内部结构有关,需要先转置再使用。

    3.      畸变参数

    RadialDistortion:径向畸变,摄像头由于光学透镜的特性使得成像存在着径向畸变,可由K1,K2,K3确定。

    TangentialDistortion:切向畸变,由于装配方面的误差,传感器与光学镜头之间并非完全平行,因此成像存在切向畸变,可由两个参数P1,P2确定。

    使用时,需要注意参数的排放顺序,即K1,K2,P1,P2,K3。切记不可弄错,否则后续的立体匹配会出现很大的偏差。



    展开全文
  • 向下滑动,找到图像处理和计算机视觉部分,点击双目标定 点击Add images,意思是添加图片 5.输入棋盘格单个格子尺寸,我的是32mm。选择标定图片的文件夹位置,左右两个相机的文件 6.等待图片导入 7、点击标定...
  • matlab双目标定

    千次阅读 热门讨论 2019-09-16 08:16:36
    一、 标定步骤 转载于... 1. 调出标定工具箱 在命令行输入stereoCameraCalibrator,出现如下界面: ...然后将上面的“Skew”、“Tangential Distortion”以及“3 ...
  • MATLAB双目标定

    2019-06-06 09:45:55
    MATLAB 2018a 安装教程 操作说明点击用于Matlab... (工具箱标定,操作复杂)MATLAB双目标定步骤 !!!(操作简单)基于MATLAB自带APP【Stereo Camera Calibrate】的双目标定 利用matlab标定工具箱进行双目标定 ...
  • MATLAB双目标定步骤

    万次阅读 多人点赞 2016-12-16 22:34:26
    这里使用的标定图片是网上找的,双目标定时待标定图片是双目相机同时拍摄得到的,拍摄程序如下: #include "stdafx.h" #include #include using namespace std; char* name_l = (char*)malloc(sizeo

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 223,122
精华内容 89,248
关键字:

双目标定