张正友标定算法解读(转)
2014-06-03 16:11
232 查看
一直以来想写篇相机标定方面的东西,最近组会上也要讲标定方面东西,所以顺便写了。无论是OpenCV还是matlab标定箱,都是以张正友棋盘标定算法为核心实现的,这篇PAMI的文章<<A Flexible New Technique for Camera Calibration>>影响力极大,张正友是zju的机械系出身,貌似现在是微软的终身教授了,有点牛的。我就简单的介绍下算法的核心原理,公式的推理可能有点多。。。 一 基本问题描述:空间平面的三维点与相机平面二维点的映射 假设空间平面中三维点:
(齐次坐标,世界坐标系) 相机平面二维点:
(齐次坐标,相机坐标系) 那么空间中的点是如何映射到相机平面上去呢?我们用一个等式来表示两者之间关系:
(1) 注:A为相机内参矩阵,R,t分别为旋转和平移矩阵,s为一个放缩因子标量。 我们把等式(1)再简化下:
(2) 因为张正友算法选取的是平面标定,所以令z=0,所以平移向量只有r1,r2即可。H就是我们常说的单应性矩阵,在这里描述的是空间中平面三维点和相机平面二维点之间的关系。因为相机平面中点的坐标可以通过图像处理的方式(哈里斯角点,再基于梯度搜索的方式精确控制点位置)获取,而空间平面中三维点可以通过事先做好的棋盘获取。所以也就是说每张图片都可以计算出一个H矩阵。 二 内参限制 我们把H矩阵(3*3)写成3个列向量形式,那么我们把H矩阵又可写成:
(3) 注:lamda是个放缩因子标量,也是s的倒数。 那么现在我们要用一个关键性的条件:r1和r2标准正交。 正交:
(4) 单位向量(模相等):
(5)
这个两个等式是非常优美的,因为它完美的与绝对二次曲线理论联系起来了,这里就不展开了。 三 相机内参的求解 我们令:
(6) 我们可知B矩阵是个对称矩阵,所以可以写成一个6维向量形式:
(7) 我们把H矩阵的列向量形式为:
(8) 那么根据等式(8)我们把等式(4)改写成:
(9)
(10) 最后根据内参数限制条件(等式(4)(5)):
(11) 即,
(12) V矩阵是2*6矩阵,也就是说每张照片可建立起两个方程组,6个未知数。根据线性代数知识可知,解6个未知数需至少6个方程组,所以也就是说我们至少需要三张照片就求解未知数。b矩阵的解出,相机内参矩阵A也就求解出,从而每张图像的R,t也就根据等式(1)迎刃而解。
四 参数优化 因为初始的参数已经求解,所以我们将每张图像的控制点根据求解的参数重投影回三维空间,最小化与真实值的差异,其实就是建立非线性最小化模型:
(13) 这里用的是Levenberg-Marquardt迭代算法。 至此,整个流程走完,至于相机畸变系数的求解本文也不具体展开了。
相关文章推荐
- 张正友相机标定算法解读
- 张正友摄像机标定算法及实现
- 张正友标定算法
- 张正友标定算法原理详解
- 张正友标定算法原理详解
- 张正友相机标定算法原理与源代码(OpenCV+C++)
- 张正友标定算法原理详解(二)
- 张正友标定算法原理详解(一)
- 张正友标定算法原理详解
- 张正友标定算法理论及算法实现
- “量化”生活——新书《指导生活的算法:人类决策中的计算机科学》解读
- 相机标定:张正友标定法求解原理
- 最清晰的张正友标定法
- 人脸对齐之GBDT(ERT)算法解读
- java面试宝典 之 物流配送路径优化问题分析与算法解读
- 深度解读Adblock plus经历与底层算法实现
- 【国密算法那点事儿】解读DES和SM4、RSA和SM2及SHA和SM3
- 解读taocp中对算法的形式化定义[水上原创]
- 遗传算法中适值函数的标定与大变异算法
- 传统算法和深度学习的结合和实践,解读与优化 deepfake