相机标定 matlab

matlab 相机标定代码 摄像机标定(Camera calibration)简单来说是从世界坐标系换到图像坐标系的过程，也就是求最终的投影矩阵的过程。 [1]基本的坐标系： 世界坐标系； 相机坐标系； 成像平面坐标系； 像素坐标系 [2]一般来说，标定的过程分为两个部分： 第一步是从世界坐标系转为相机坐标系，这一步是三维点到三维点的转换，包括R，t（相机外参，确定了相机在某个三维空间中的位置和朝向）等参数； 第二部是从相机坐标系转为成像平面坐标系（像素坐标系），这一步是三维点到二维点的转换，包括K（相机内参,是对相机物理特性的近似）等参数； 投影矩阵 ： P=K [ R | t ] 是一个3×4矩阵，混合了内参和外参而成。 P=K[Rt] 二.基本知识介绍及 1、摄像机模型 Pinhole Camera模型如下图所示： 摄像机模型与标定 - 小企鹅 - 企鹅的博客 是一个小孔成像的模型，其中： [1]O点表示camera centre，即相机的中心点，也是相机坐标系的中心点； [2]z轴表示principal axis，即相机的主轴； [3]q点所在的平面表示image plane，即相机的像平面，也就是图片坐标系所在的二维平面； [4]O1点表示principal point，即主点，主轴与像平面相交的点； [5]O点到O1点的距离，也就是右边图中的f,即相机的焦距； [6]像平面上的x和y坐标轴是与相机坐标系上的X和Y坐标轴互相平行的； [7]相机坐标系是以X,Y,Z（大写）三个轴组成的且原点在O点，度量值为米（m）； [8]像平面坐标系是以x,y（小写）两个轴组成的且原点在O1点，度量值为米（m）； [9]像素坐标系一般指图片相对坐标系，在这里可以认为和像平面坐标系在一个平面上，不过原点是在图片的角上，而且度量值为像素的个数（pixel）； 2、相机坐标系→成像平面坐标系 [1]以O点为原点建立摄像机坐标系。点Q(X,Y,Z)为摄像机坐标系空间中的一点，该点被光线投影到图像平面上的q(x,y,f)点。 图像平面与光轴z轴垂直，和投影中心距离为f （f是相机的焦距）。按照三角比例关系可以得出： x/f = X/Z y/f = Y/Z ，即 x = fX/Z y = fY/Z 以图像平面的左上角或左下角为原点建立坐标系。假设像平面坐标系原点位于图像左下角，水平向右为u轴，垂直向上为v轴，均以像素为单位。 以图像平面与光轴的交点O1 为原点建立坐标系，水平向右为x轴，垂直向上为y轴。原点O1一般位于图像中心处，O1在以像素为单位的图像坐标系中的坐标为(u0, v0)。 像平面坐标系和像素坐标系虽然在同一个平面上，但是原点并不是同一个。 摄像机模型与标定 - 小企鹅 - 企鹅的博客 设每个像素的物理尺寸大小为 dx * dy (mm) ( 由于单个像素点投影在图像平面上是矩形而不是正方形，因此可能dx != dy)， 图像平面上某点在成像平面坐标系中的坐标为(x, y)，在像素坐标系中的坐标为(u, v)，则二者满足如下关系：[即(x, y)→(u, v)] u = x / dx + u0 v = y / dy + v0 用齐次坐标与矩阵形式表示为： 摄像机模型与标定 - 小企鹅 - 企鹅的博客 将等式两边都乘以点Q(X,Y,Z)坐标中的Z可得： 摄像机模型与标定 - 小企鹅 - 企鹅的博客 将摄像机坐标系中的（1）式代入上式可得： 则右边第一个矩阵和第二个矩阵的乘积亦为摄像机的内参数矩阵（单位为像素），相乘后可得： （2） 和（1）式相比，此内参数矩阵中f/dx, f/dy, cx/dx+u0, cy/dy+v0 的单位均为像素。令内参数矩阵为K，则上式可写成： 摄像机模型与标定 - 小企鹅 - 企鹅的博客 （3） 三.相机内参K（与棋盘所在空间的3D几何相关） 在计算机视觉中，摄像机内参数矩阵 其中 f 为摄像机的焦距，单位一般是mm;dx,dy 为像元尺寸;u0,v0 为图像中心。 fx = f/dx, fy = f/dy,分别称为x轴和y轴上的归一化焦距. 为更好的理解，举个实例： 现以NiKon D700相机为例进行求解其内参数矩阵： 就算大家身边没有这款相机也无所谓，可以在网上百度一下，很方便的就知道其一些参数—— 焦距 f = 35mm 最高分辨率：4256×2832 传感器尺寸：36.0×23.9 mm 根据以上定义可以有： u0= 4256/2 = 2128 v0= 2832/2 = 1416 dx = 36.0/4256 dy = 23.9/2832 fx = f/dx = 4137.8 fy = f/dy = 4147.3 分辨率可以从显示分辨率与图像分辨率两个方向来分类。 [1]显示分辨率（屏幕分辨率）是屏幕图像的精密度，是指显示器所能显示的像素有多少。由于屏幕上的点、线和面都是由像素组成的， 显示器可显示的像素越多，画面就越精细，同样的屏幕区域内能显示的信息也越多，所以分辨率是个非常重要的性能指标之一。 可以把整个图像想象成是一个大型的棋盘，而分辨率的表示方式就是所有经线和纬线交叉点的数目。 显示分辨率一定的情况下，显示屏越小图像越清晰，反之，显示屏大小固定时，显示分辨率越高图像越清晰。 [2]图像分辨率则是单位英寸中所包含的像素点数，其定义更趋近于分辨率本身的定义。 四.畸变参数（与点集如何畸变的2D几何相关。） 采用理想针孔模型，由于通过针孔的光线少，摄像机曝光太慢，在实际使用中均采用透镜，可以使图像生成迅速，但代价是引入了畸变。 有两种畸变对投影图像影响较大： 径向畸变和切向畸变。 1、径向畸变 对某些透镜，光线在远离透镜中心的地方比靠近中心的地方更加弯曲，产生“筒形”或“鱼眼”现象，称为径向畸变。 一般来讲，成像仪中心的径向畸变为0，越向边缘移动，畸变越严重。不过径向畸变可以通过下面的泰勒级数展开式来校正： xcorrected = x(1+k1r2+k2r4+k3r6) ycorrected = y(1+k1r2+k2r4+k3r6) 这里（x, y）是畸变点在成像仪上的原始位置，r为该点距离成像仪中心的距离，（xcorrected ，ycorrected ）是校正后的新位置。 对于一般的摄像机校正，通常使用泰勒级数中的前两项k1和k2就够了；对畸变很大的摄像机，比如鱼眼透镜，可以使用第三径向畸变项k3 2、切向畸变 当成像仪被粘贴在摄像机的时候，会存在一定的误差，使得图像平面和透镜不完全平行，从而产生切向畸变。也就是说，如果一个矩形被投影到成像仪上时， 可能会变成一个梯形。切向畸变可以通过如下公式来校正： xcorrected = x + [ 2p1y + p2 (r2 + 2x2) ] ycorrected = y + [ 2p2x + p1 (r2 + 2y2) ] 这里（x, y）是畸变点在成像仪上的原始位置，r为该点距离成像仪中心的距离，（xcorrected ，ycorrected ）是校正后的新位置。 五.摄像机的外参数 旋转向量（大小为1×3的矢量或旋转矩阵3×3）和平移向量（tx,ty,tz）。 旋转向量:旋转向量是旋转矩阵紧凑的变现形式，旋转向量为1×3的行矢量。 r就是旋转向量，旋转向量的方向是旋转轴 ,旋转向量的模为围绕旋转轴旋转的角度。 通过上面的公式，我们就可以求解出旋转矩阵R。同样的已知旋转矩阵，我们也可以通过下面的公式求解得到旋转向量： 。