双目立体视觉 I：标定和校正 / 开普饭

作者：Ali Yasin Eser

编译：ronghuaiyang（AI 公园）

导读

双目立体校正和标定。

大家好！今天我们将讨论什么是立体摄像机，以及我们如何将它用于计算机视觉。通过使用这里的代码：
https://github.com/aliyasineser/stereoDepth，我将解释我们如何为立体摄像机校准摄像机并计算视差图。我不会深入数学细节，你可以阅读一些OpenCV文档。

我们能感知深度的原因是我们美丽对齐的眼睛。如果你注意到，当我们用一只眼睛看近处的物体时，我们会看到两种角度的不同。但当你看远处的东西时，比如几公里外的山或建筑，你看不到区别。这些差异在我们的大脑中自动处理，我们可以感知深度！眼睛一个在左一个在右的动物无法感知深度，因为它们没有共同的视角，相反，它们有广角视角。有些动物，比如鸭子，通过摇头或快速奔跑来感知深度。我们不会讨论这个概念，现在，让我们关注像我们的眼睛这样的系统。

简化的立体视觉。你可以看到物体P是如何被两个摄像机观察到的。物体的位置在两个图像中是不同的。

如果两台相机垂直对齐，观察到的物体将在同一垂直坐标上(图像中的同一列)，所以我们只能关注x坐标来计算深度，因为近的物体在x轴上会有较大的差值。但为了实现这一目标，我们需要对相机进行校准，以修正镜头畸变。校准后，我们需要对系统进行校正。校正基本上就是两台相机之间的校准。如果我们校准和矫正我们的立体摄像机，两个物体将在相同的y轴上，并且观测点P(x,y)可以在图像的同一行中找到，P1(x1,y)是第一个摄像机，P2(x2,y)是第二个摄像机。从这里开始，像素和深度计算之间的唯一区别就在于此。

左上角图像和右下角图像分别是左/右相机图像，左下角是它们的组合来显示差异，右下角是深度图。

首先，将立体摄像机安装在一个固体物体上(尺子、木头或硬塑料材料等)，使校准和校正参数能够正常工作。例如，如果你有Intel Realsense或zed相机，你可以跳过所有的部分，因为Realsense有自动校准功能，zed已经按出厂默认校准。下一步是分别校准两个相机。你可以按照这里：https://medium.com/@aliyasineser/opencv-camera-calibration-e9a48bdd1844进行校正。立体摄像机首先需要单相机校准，因为校正需要这些参数。使用棋盘格图像进行校准，使用至少20张图像以进行良好的计算。

左图和右图的例子。注意拍照的时候要同步，在校正中，即使小的差别也会影响结果。

这些图像会给我们提供摄像机所需的信息。为了更好的校准，你不能移动并获取同步的图像。你可以使用grab和retrieve函数来获得更接近的时间戳。对于拍摄图像，你可以使用这个代码：https://github.com/aliyasineser/stereoDepth/blob/master/getStereoImages.py，对于校准，你可以使用这个代码：https://github.com/aliyasineser/stereoDepth/blob/master/stereo_camera_calibration.py。关于代码:

立体标定：立体摄像机的摄像机标定。
立体校正：通过旋转和平移使它们在y轴上对齐，使这些摄像机观察到的每个点都在每个摄像机图像的同一列中。

OpenCV立体标定函数：

ret, K1, D1, K2, D2, R, T, E, F = cv2.stereoCalibrate(objp, leftp, rightp, K1, D1, K2, D2, image_size, criteria, flag)

我们要注意函数中的flags：

CV_CALIB_FIX_INTRINSIC: K和D个矩阵是固定的。这是默认标志。如果你校准好你的相机，你可以修正它们，所以你只会得到校正矩阵。
CV_CALIB_USE_INTRINSIC_GUESS: K和D个矩阵将被优化。对于这个计算，你应该给出经过良好校准的矩阵，以便(可能)得到更好的结果。
CV_CALIB_FIX_PRINCIPAL_POINT: 修复K矩阵中的参考点。
CV_CALIB_FIX_FOCAL_LENGTH: 在K矩阵中固定焦距。
CV_CALIB_FIX_ASPECT_RATIO: 固定长宽比。
CV_CALIB_SAME_FOCAL_LENGTH: 校准焦距，并设置Fx和Fy相同的校准结果。我对这个不熟悉，但我肯定它是特定的立体设置所需要的。
CV_CALIB_ZERO_TANGENT_DIST: 去掉畸变。
CV_CALIB_FIX_K1, …, CV_CALIB_FIX_K6: 移除K1到K6的畸变。这对实验非常重要。我不熟悉这些背后的数学，但我做的实验帮助了我很多。

结果中的R, T, E, F系数给出了两个相机之间的关系，我们将使用它们进行校正：

R1, R2, P1, P2, Q, roi_left, roi_right = cv2.stereoRectify(K1, D1, K2, D2, image_size, R, T, flags=cv2.CALIB_ZERO_DISPARITY, alpha=0.9)

在这个函数中，我们只有一个标志CALIB_ZERO_DISPARITY，它用于匹配图像之间的y轴。alpha值用于转换后的黑色部分，因为图像会旋转，我们的大小不会改变，所以一些图像会是黑色的，我们的原始图像会小得多。我设置了相机的值。选项是：

alpha=-1 -> 让 OpenCV 优化黑色部分。
alpha= 0 -> 旋转和切割图像，使没有黑色的部分。这个选项在大多数情况下会严重削减图像，你不会得到一个像样的高质量的图像，但值得一试。
alpha= 1 -> 进行变换，但不要切任何东西。
alpha=experimental-> 有时候什么都不管用。这意味着你应该试验这些值。在某个特定的alpha值，你可以有一些黑色的部分，但高质量的图像。我为我的相机找到了最好的0.9756，所以不要失去希望:)、S

R矩阵和P矩阵称为旋转矩阵和投影矩阵。R1和P1给出从第一个(左)到第二个(右)摄像机的旋转和位置。R2和P2是从二到一。从视差图中得到深度图需要Q矩阵。包括相机之间的距离，焦距等，用于深度地图的处理。当计算深度值时，不要忘记将在与校准工作相同的单位中获得坐标。有很多参数，所以最好仔细检查。

对于结果，应该去看我们的测试代码：https://github.com/aliyasineser/stereoDepth/blob/master/stereo_depth.py。如果我们阅读主要部分，我们会看到我们使用了畸变校正：

leftMapX, leftMapY = cv2.initUndistortRectifyMap(K1, D1, R1, P1, (width, height), cv2.CV_32FC1)left_rectified = cv2.remap(leftFrame, leftMapX, leftMapY, cv2.INTER_LINEAR, cv2.BORDER_CONSTANT)rightMapX, rightMapY = cv2.initUndistortRectifyMap(K2, D2, R2, P2, (width, height), cv2.CV_32FC1)right_rectified = cv2.remap(rightFrame, rightMapX, rightMapY, cv2.INTER_LINEAR, cv2.BORDER_CONSTANT)

这意味着initUndistortRectifyMap函数可以同时实现图像的畸变校正和校准。对于左相机，我们使用K1(相机矩阵)和D1(失真矩阵)进行畸变校正，使用R1(从左到右旋转)和P1(从左到右投影矩阵)进行校正。在对remap进行变换后，我们将得到修正后的图像。对于右相机，我们会用相同的步骤做一遍，然后第一部分就完成了！总结一下过程：

这就是立体校准和标定。我们将在下一篇博客中讨论视差图的计算!

一些资源:

http://zone.ni.com/reference/en-XX/help/372916P-01/nivisionconceptsdita/guid-c9c3535b-faf7-4ade-9166-513a49d1b90a/
https://www.google.at/search?q=depth+map&source=lnms&tbm=isch&sa=X&ved=0ahUKEwjlqIq1xsjeAhUkglwKHahhDVIQ_AUIDigB&biw=1536&bih=732#imgrc=o7eiUTU5f3tKpM:
https://www.mathworks.com/discovery/stereo-vision.html
https://docs.opencv.org/3.0-beta/modules/calib3d/doc/camera_calibration_and_3d_reconstruction.html

英文原文：
https://py.plainenglish.io/the-depth-i-stereo-calibration-and-rectification-24da7b0fb1e0

本文仅做学术分享，如有侵权，请联系删文。

双目立体视觉 I：标定和校正

相关推荐