基于OpenCV做“三维重建”（3）--相机参数矩阵

通过前面的相机标定，我们能够获得一些参数模型。但是这些相机的参数矩阵到底是什么意思？怎样才能够判断是否正确？误差都会来自哪里？这里就必须要通过具体实验来加深认识。采集带相机参数的图片具有一定难度，幸好我之前有着不错的积累—这里一共有两款数据集，一款来自《OpenCV计算机视觉编程攻略》第3版，家里面好像还有一款微单可以进行采集，这样我们可以进行交叉比对，看一看获得的参数是否符合实际情况：

数据集1 来自《OpenCV计算机视觉编程攻略》第3版

        

数据集2来自家中“国民床单”

既然是做实验，我想初步计划一下。首先是要明确我能够获得那些东西？然后是比较这些东西是否真的像书上说的那样符合实际？然后我会添加一些干扰，看一看在有错误数据的情况，这些东西如何变化？最后是一个小结。

1、明确我能够获得那些东西？

通过前面的代码，我们大概是准备获得这样的东西：

<?xml version="1.0"?>
<opencv_storage>
<Intrinsic type_id="opencv-matrix">
  <rows>3</rows>
  <cols>3</cols>
  <dt>d</dt>
  <data>
    1.3589305122261344e+003 0. 5.7505355544729957e+002 
    0. 1.3565816672769690e+003 6.0423226535731465e+002 
    0. 0. 1.
   </data>
</Intrinsic>

<Distortion type_id="opencv-matrix">
  <rows>1</rows>
  <cols>14</cols>
  <dt>d</dt>
  <data>
    9.5113243912423840e+001 1.4262144540955842e+003
    5.2119492051277685e-003 2.8847713358900241e-003
    1.2859720255043484e+002 9.5182218776001392e+001
    1.4741397414456521e+003 6.8332022963370434e+002 0. 0. 0. 0. 0. 0.</data></Distortion>
</opencv_storage>

从结果上看，我将获得这两个矩阵。前面那个是相机内参矩阵，后面那个是外参数。那么在一组图片中，内参肯定是不变的；后面外参肯定是变化的。但是这里也有很多疑问。

那么具体来看结果，对于第一组图片来说，我们获得的结果为：

<?xml version="1.0"?>
<opencv_storage>
<Intrinsic type_id="opencv-matrix">
  <rows>3</rows>
  <cols>3</cols>
  <dt>d</dt>
  <data>
    4.0927176647992695e+002 0. 2.3724719115090161e+002 

    0. 4.0870629848642727e+002 1.7128731207874495e+002 

    0. 0. 1.

   </data></Intrinsic>
<Distortion type_id="opencv-matrix">
  <rows>1</rows>
  <cols>14</cols>
  <dt>d</dt>
  <data>
    1.8631118716959048e+001 -5.0639175384902096e+001
    -5.2453807582033300e-003 -9.2620440694993842e-003
    5.2367454865598742e+000 1.9002289932447418e+001
    -4.8948501055979285e+001 -6.5115263545215851e-001 0. 0. 0. 0. 0. 0.</data></Distortion>
</opencv_storage>

<?xml version="1.0"?>
<opencv_storage>
<Intrinsic type_id="opencv-matrix">
  <rows>3</rows>
  <cols>3</cols>
  <dt>d</dt>
  <data>
    3.9136489375791234e+003 0. 2.6879080836687035e+003 

    0. 3.9811430968074164e+003 1.9454067884808153e+003 

    0. 0. 1.

  </data></Intrinsic>
<Distortion type_id="opencv-matrix">
  <rows>1</rows>
  <cols>14</cols>
  <dt>d</dt>
  <data>
    2.5259392493942739e-002 -3.2418875955674309e-001
    3.6376246418718853e-004 3.2526045276898190e-003
    -8.1692713459156296e-002 2.5694845194956913e-002
    4.7826938999253371e-001 -1.3315729771950511e+000 0. 0. 0. 0. 0. 0.</data></Distortion>
</opencv_storage>

对于第二组图片来说：

2、这些东西是否真的像书上说的那样符合实际？

对于第一套图片来说，看它的内参矩阵：

<data>
    4.0927176647992695e+002 0. 2.3724719115090161e+002 
    0. 4.0870629848642727e+002 1.7128731207874495e+002 
    0. 0. 1.
</data>

解析一下，fx = fy = 409 ；U0=237  V0 = 171，这个是代码计算值。从实际情况上来看，

标准中间为 268,178，这个和237,171是比较符合的。

对于其它信息

这个焦距和我们计算出来的东西差距较大，如何比对？进一步研究，获得这个相机的参数：

可以获得，它的传感器尺寸为23.5mm X 15.7mm,那么像素宽度分别为0.0438（=23.5/536）和0.044,反过来算焦距为17.9，这个比较接近。

书中给出的资料肯定是自己选择过的，那么我们自己重新采集一套图片来说，那么它的固有参数为：

获得的结果：

  <data>
    3.9136489375791234e+003 0. 2.6879080836687035e+003 
    0. 3.9811430968074164e+003 1.9454067884808153e+003 
    0. 0. 1.
  </data>

翻译一下，fx = 3913.6 fy=3981.1 U0=2687.9 V0=1945.4

先看U V，5456/2 = 2728 3632/2=1816，这样的话，差距在1.5%，这个差距看上去比较大，但是相对值比书中提供的数据要小。

而对于焦距来说，像素宽度分别为0.00425（=23.2/5456）和0.0386

算出来焦距为16.64和16.88，这个和16的差距也是比较合适的。

3、添加一些干扰，容错性如何？

最好的方法，是在有固定相机的情况下，重新采集一套图片，这个对于读者来说，如果有兴趣，可以来做。

4、小结

通过比较，可以发现一下几个特点：

1、书本上采集的图片，其角度范围更为广泛。所以说书上的采集方法对于我们后面做实际采集有指导意义；

2、棋盘的大小和最后是否能够产生良好结果关系不大，所以一个合适大小的棋盘就可以；

此外：

3、特别是对于视野比较广的情况，应该优先想出高效解决方法。我认为视场越大，误差越大；

4、对于大照片的处理，本身就是一个比较复杂的问题：因为像素比较高，所以处理起来比较慢；而又不能通过压缩之类的方法进行预处理，所以会有比较多的问题。目前还有没有很好解决方法；

此外，你还必须考虑标定的过程中失败的情况；还必须考虑采用什么模式能够让标定的效果最好。

感谢阅读至此，希望有所帮助。

来自为知笔记(Wiz)