详细相机标定方法与代码
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
前言
`
PnP(Perspective-n-Point)是求解3D到2D点的对应方法。不论是相机和雷达的标定还是相机和相机的标定都可以使用PNP来解决，即通过不同坐标系下相同的点对求解变换矩阵。
这里相机多用棋盘格中的角点来实现点的提取。流行方法为张正友标定法，至于详细原理可点击我的博客https://www.cnblogs.com/tangjunjun/p/16240878.html查看，本博客主要使用代码
实现外参求解与相机标定的内参和畸变系数求解。
代码及标定图链接：https://pan.baidu.com/s/1ujX19IUV0EPSIMyIcBnClA?pwd=r63z （相机标定与外参求解.zip文件）
提取码：r63z
一、相机标定-内参/畸变系数求解
相机标定，求解内参与畸变系数，该部分需使用棋盘格采集数据获得参数，其代码如下：
# 相机标定，主要求内参和畸变系数 def calibration_camera(img_root, rand_count=20): board_h = 8 board_w = 11 objp = np.zeros((board_h * board_w, 3), np.float32) objp[:, :2] = np.mgrid[0:board_w, 0:board_h].T.reshape(-1, 2) # 将世界坐标系建在标定板上，所有点的Z坐标全部为0，所以只需要赋值x和y objp = 60 * objp # 打印棋盘格一格的边长为2.6cm obj_points = [] # 存储3D点 img_points = [] # 存储2D点 images = glob.glob(os.path.join(img_root, '*.jpg')) # 黑白棋盘的图片路径 random.shuffle(images) if rand_count > len(images): rand_count = len(images) for fname in images[:rand_count]: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) size = gray.shape[::-1] ret, corners = cv2.findChessboardCorners(gray, (board_w, board_h), None) if ret: obj_points.append(objp) corners2 = cv2.cornerSubPix(gray, corners, (5, 5), (-1, -1), (cv2.TERM_CRITERIA_MAX_ITER | cv2.TERM_CRITERIA_EPS, 30, 0.001)) if [corners2]: img_points.append(corners2) else: img_points.append(corners) cv2.drawChessboardCorners(img, (board_w, board_h), corners, ret) # 记住，OpenCV的绘制函数一般无返回值 cv2.imshow("img", img) cv2.waitKey(10) ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(obj_points, img_points, size, None, None) # v_rot_mat, _ = cv2.Rodrigues(np.array(v_rot).reshape(-1)) # print("旋转矩阵=", v_rot_mat) # print("内参=", mtx) # print("畸变系数=", dist) # print("旋转向量=", rvecs) # print("平移向量=", tvecs) # 反投影误差 total_error = 0 for i in range(len(obj_points)): imgpoints2, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(img_points[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) total_error += error # print("total error: ", total_error / len(obj_points)) return mtx, dist, total_error
12345678910111213141516171819202122232425262728293031323334353637383940414243444546二、图像矫正
通过畸变系数矫正，获得矫正的图像，代码如下：
# 消除畸变 def revise_img(img_root, mtx, dist): mtx = np.array(mtx) dist = np.array(dist).reshape(1, 5) img = cv2.imread(img_root) h, w = img.shape[:2] newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) # undistort dst = cv2.undistort(img, mtx, dist, None, newcameramtx) # crop the image x, y, w, h = roi dst = dst[y:y + h, x:x + w] cv2.imwrite('./revise_img.jpg', dst) return dst 1234567891011121314
三、外参求解
使用PnP方法求解外参，代码如下：
# 旋转向量和平移向量求解 def calibration_RT(points_3D, points_2D, cameraMatrix, distCoeffs): points_3D = np.array(points_3D) points_2D = np.array(points_2D) cameraMatrix = np.array(cameraMatrix).astype(np.float32) distCoeffs = np.array(distCoeffs).astype(np.float32) _, rvecs, tvecs, inliers = cv2.solvePnPRansac(points_3D.reshape(-1, 1, 3), points_2D.reshape(-1, 1, 2), cameraMatrix, distCoeffs ) R, _ = cv2.Rodrigues(rvecs) print('R:n', R) print('rvecs:n', rvecs) print('tvecs:n', tvecs) return R, tvecs
1234567891011121314151617四、结果展示
实验使用下图方格为一个单位，获得部分点进行参数标定实验。通过代码遍历每个方格点获得世界坐标系转像素坐标系的图，如下：
更具体内容可点击我的博客园
总结
相关知识
如何实现一个高效的全景视频拼接系统？请详细描述从相机标定到颜色均衡处理的整个工作流程。
python画栀子花代码
相机视场角计算
python+opencv实现文字颜色识别与标定
鲜花销售系统详细设计与具体代码实现
基于OpenCV的鲜花的图像分类系统详细设计与具体代码实现
Java Web实现登录注册（超详细附代码）
【物联网初探】
基于深度学习的花卉检测与识别系统（YOLOv5清新界面版，Python代码）
[phaser]利用相机进行移动端适配前言以终为始先看适配方案的最终效果,以下为同一套代码在手机和pad里的效果示意图,
网址: 详细相机标定方法与代码 https://m.huajiangbk.com/newsview1326558.html
| 上一篇: 使用ENVI光谱分析工具快速创建 |
下一篇: 一次性揭开破坏防转移花刀标签 |
