1、双目标定
双目标定的目的是获取左右目相机的内参矩阵、畸变向量、旋转矩阵和平移矩阵。
除了Matlab的标定工具箱之外，OpenCV同样也实现了张友正标定法，而我们只需要调用相关的函数即可对相机进行标定。
双目相机标定步骤：
- 检测棋盘格角点
retL, cornersL = cv2.findChessboardCorners(ChessImaL,(self.width, self.height), cv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_FILTER_QUADS) # 提取左图每一张图片的角点
retR, cornersR = cv2.findChessboardCorners(ChessImaR,(self.width, self.height), cv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_FILTER_QUADS) # 提取右图每一张图片的角点
- 对角点进行亚像素精细化
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
cv2.cornerSubPix(ChessImaL, cornersL, (11, 11), (-1, -1), criteria) # 亚像素精确化，对粗提取的角点进行精确化
cv2.cornerSubPix(ChessImaR, cornersR, (11, 11), (-1, -1), criteria) # 亚像素精确化，对粗提取的角点进行精确化
- 单目标定
# 左侧相机单独标定
retL, K1, D1, rvecsL, tvecsL = cv2.calibrateCamera(objpoints,imgpointsL,ChessImaL.shape[::-1], None, None)
# 右侧相机单独标定
retR, K2, D2, rvecsR, tvecsR = cv2.calibrateCamera(objpoints,imgpointsR,ChessImaR.shape[::-1], None, None)
- 双目标定
criteria_stereo = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 1e-5)
flags = 0
flags |= cv2.CALIB_FIX_INTRINSIC
# 内参、畸变系数、平移向量、旋转矩阵
retS, K1, D1, K2, D2, R, T, E, F = cv2.stereoCalibrate(objpoints,imgpointsL,imgpointsR,K1,D1,K2,D2,ChessImaR.shape[::-1], criteria_stereo,flags)
我们要注意函数中的flags：
- CV_CALIB_FIX_INTRINSIC:固定K和D矩阵。这是默认标志。如果你校准好你的相机，那就只求解𝑅,𝑇,𝐸,𝐹。
- 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。
- 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。
2、双目校正
双目校正的目的是得到立体校正所需的映射矩阵，然后对图像进行畸变校正和立体校正（极线校正）。
立体校正最常见的校正方法就是Bouguet极线校正方法。
Bouguet极线校正方法：左右相机成像平面各旋转一半，使得左右图像重投影造成的误差最小，左右视图的共同面积最大。
# 左校正变换矩阵、右校正变换矩阵、左投影矩阵、右投影矩阵、深度差异映射矩阵
R_l,R_r,P_l,P_r,Q, roi_left, roi_right = cv2.stereoRectify(K1, D1, K2, D2,(width, height),R, T,flags=cv2.CALIB_ZERO_DISPARITY, alpha=0.9)
在这个函数中，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，而显示的图像大小不会改变，所以一些图像边缘部分会是黑色的，而原始图像会小得多：
- alpha= -1： 让 OpenCV 优化黑色部分。
- alpha= 0 ： 旋转和裁切图像，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，但可以一试。
- alpha= 1 ： 进行变换，但不要裁切任何部分。
- alpha= experimental： 尝试设置不同的值，在某个特定的alpha值，可能有一些黑色的区域，但图像质量整体高。
# 计算畸变矫正和立体校正的映射变换。
map_lx, map_ly = cv2.initUndistortRectifyMap(K1, D1, R_l, P_l,(width,height),cv2.CV_32FC1)
map_rx, map_ry = cv2.initUndistortRectifyMap(K2, D2, R_r, P_r, (width,height),cv2.CV_32FC1)
# 得到畸变校正和立体校正后的图像
rec_img_L = cv2.remap(imgL,map_lx, map_ly, cv2.INTER_LINEAR, cv2.BORDER_CONSTANT) # 使用remap函数完成映射
rec_img_R = cv2.remap(imgR,map_rx, map_ry, cv2.INTER_LINEAR, cv2.BORDER_CONSTANT)
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。至此双目校正部分就完成了。
标定效果如下所示。可以看到原图中左右图像存在畸变，并且棋盘格位置明显未对齐；校正后左右图像畸变被消除，且极线对齐效果明显。
原图：
校正后：
4、参数保存
4.1 保存参数
为方便查看和读取，首先将需要保存的参数放到一个空字典中，然后保存为json文件。如下所示：
params_dict = {}
params_dict['size'] = [width, height]
params_dict['K1'] = left_K.tolist()
params_dict['D1'] = left_D.tolist()
params_dict['K2'] = right_K.tolist()
params_dict['D2'] = right_D.tolist()
params_dict['left_map_x'] = map_lx.tolist()
params_dict['left_map_y'] = map_ly.tolist()
params_dict['right_map_x'] = map_rx.tolist()
params_dict['right_map_y'] = map_ry.tolist()
params_dict['R'] = R.tolist()
params_dict['T'] = T.tolist()
params_dict['Q'] = Q.tolist()
# 保存为.json文件
file_path = args.save_dir + args.file_name + ".json"
with open(file_path,"w") as f:
json.dump(params_dict, f, indent=1)
4.2 读取参数
# 读取.json文件
with open(params_file, "r") as f:
dict = json.load(f)
for d in dict:
dict[d] = np.asarray(dict[d], "f")
5、代码示例
#-*- coding:utf-8 -*-
import os
import numpy as np
import cv2
import glob
import argparse
import json
import pickle
class Stereo_Camera_Calibration(object):
def __init__(self, width, height, lattice):
self.width = width # 棋盘格宽方向黑白格子相交点个数
self.height = height # 棋盘格长方向黑白格子相交点个数
self.lattice = lattice
# 设置迭代终止条件
self.criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
self.criteria_stereo = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 1e-5)
# =========================== 双目标定 =============================== #
def stereo_calibration(self, file_L, file_R):
# 设置 object points, 形式为 (0,0,0), (1,0,0), (2,0,0) ....,(6,5,0)
objp = np.zeros((self.width * self.height, 3), np.float32) #我用的是6×7的棋盘格，可根据自己棋盘格自行修改相关参数
objp[:, :2] = np.mgrid[0:self.width, 0:self.height].T.reshape(-1, 2)
objp *= self.lattice
# 用arrays存储所有图片的object points 和 image points
objpoints = [] # 3d points in real world space
imgpointsR = [] # 2d points in image plane
imgpointsL = []
for i in range(len(file_L)):
ChessImaL = cv2.imread(file_L[i],0) # 左视图
ChessImaR = cv2.imread(file_R[i],0) # 右视图
retL, cornersL = cv2.findChessboardCorners(ChessImaL,(self.width, self.height), cv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_FILTER_QUADS) # 提取左图每一张图片的角点
retR, cornersR = cv2.findChessboardCorners(ChessImaR,(self.width, self.height), cv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_FILTER_QUADS) # 提取右图每一张图片的角点
if (True == retR) & (True == retL):
objpoints.append(objp)
cv2.cornerSubPix(ChessImaL, cornersL, (11, 11), (-1, -1), self.criteria) # 亚像素精确化，对粗提取的角点进行精确化
cv2.cornerSubPix(ChessImaR, cornersR, (11, 11), (-1, -1), self.criteria) # 亚像素精确化，对粗提取的角点进行精确化
imgpointsL.append(cornersL)
imgpointsR.append(cornersR)
# ret_l = cv2.drawChessboardCorners(ChessImaL, (self.width, self.height), cornersL, retL)
# cv2.imshow(file_L[i], ChessImaL)
# cv2.waitKey()
# ret_r = cv2.drawChessboardCorners(ChessImaR, (self.width, self.height), cornersR, retR)
# cv2.imshow(file_R[i], ChessImaR)
# cv2.waitKey(500)
# 相机的单双目标定、及校正
# 左侧相机单独标定
retL, K1, D1, rvecsL, tvecsL = cv2.calibrateCamera(objpoints,imgpointsL,ChessImaL.shape[::-1], None, None)
# 右侧相机单独标定
retR, K2, D2, rvecsR, tvecsR = cv2.calibrateCamera(objpoints,imgpointsR,ChessImaR.shape[::-1], None, None)
# --------- 双目相机的标定 ----------#
flags = 0
flags |= cv2.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，只求解𝑅,𝑇,𝐸,𝐹。
#flags |= cv2.CALIB_FIX_PRINCIPAL_POINT # 修复K矩阵中的参考点。
# flags |= cv2.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。
#flags |= cv2.CALIB_FIX_FOCAL_LENGTH # 在K矩阵中固定焦距。
# flags |= cv2.CALIB_FIX_ASPECT_RATIO # 固定长宽比。
#flags |= cv2.CALIB_ZERO_TANGENT_DIST # 去掉畸变。
# 内参、畸变系数、平移向量、旋转矩阵
retS, K1, D1, K2, D2, R, T, E, F = cv2.stereoCalibrate(objpoints,imgpointsL,imgpointsR,K1,D1,K2,D2,
ChessImaR.shape[::-1], self.criteria_stereo,flags)
# 左内参矩阵、左畸变向量、右内参矩阵、右畸变向量、旋转矩阵、平移矩阵
return K1, D1, K2, D2, R, T
# ==================================================================== #
# =========================== 双目校正 =============================== #
# 获取畸变校正、立体校正、重投影矩阵
def getRectifyTransform(self, width,height,K1 ,D1 ,K2 ,D2 , R, T):
#得出进行立体矫正所需要的映射矩阵
# 左校正变换矩阵、右校正变换矩阵、左投影矩阵、右投影矩阵、深度差异映射矩阵
R_l,R_r,P_l,P_r,Q, roi_left, roi_right = cv2.stereoRectify(K1, D1, K2, D2,
(width, height),R, T,
flags=cv2.CALIB_ZERO_DISPARITY, alpha=0)
# # 标志CALIB_ZERO_DISPARITY，它用于匹配图像之间的y轴
# 计算畸变矫正和立体校正的映射变换。
map_lx, map_ly = cv2.initUndistortRectifyMap(K1, D1, R_l, P_l, (width,height),cv2.CV_32FC1)
map_rx, map_ry = cv2.initUndistortRectifyMap(K2, D2, R_r, P_r, (width,height),cv2.CV_32FC1)
return map_lx, map_ly,map_rx, map_ry, Q
# 得到畸变校正和立体校正后的图像
def get_rectify_img(self, imgL, imgR,map_lx, map_ly,map_rx, map_ry):
rec_img_L = cv2.remap(imgL,map_lx, map_ly, cv2.INTER_LINEAR, cv2.BORDER_CONSTANT) # 使用remap函数完成映射
rec_img_R = cv2.remap(imgR,map_rx, map_ry, cv2.INTER_LINEAR, cv2.BORDER_CONSTANT)
return rec_img_L, rec_img_R
# 立体校正检验——极线对齐
def draw_line(self, rec_img_L,rec_img_R):
#建立输出图像
width = max(rec_img_L.shape[1],rec_img_R.shape[1])
height = max(rec_img_L.shape[0],rec_img_R.shape[0])
output = np.zeros((height,width*2,3),dtype=np.uint8)
output[0:rec_img_L.shape[0],0:rec_img_L.shape[1]] = rec_img_L
output[0:rec_img_R.shape[0],rec_img_L.shape[1]:] = rec_img_R
# 绘制等间距平行线
line_interval = 50 # 直线间隔：50
for k in range(height // line_interval):
cv2.line(output, (0, line_interval * (k + 1)), (2 * width, line_interval * (k + 1)), (0, 255, 0), thickness=2, lineType=cv2.LINE_AA)
return output # 可显示的图像
# ===================================================================== #
def get_parser():
parser = argparse.ArgumentParser(description='Camera calibration')
parser.add_argument('--width', type=int, default=12, help='chessboard width size')
parser.add_argument('--height', type=int, default=8, help='chessboard height size')
parser.add_argument('--lattice', type=float, default=12.5, help='lattice length')
parser.add_argument('--image_dir', type=str, default="data/", help='images path')
parser.add_argument('--save_dir', type=str, default="config/", help='path to save file')
parser.add_argument('--file_name', type=str, default="camera_params", help='camera params save file')
return parser
def get_file(path): #获取文件路径
img_path = []
for root, dirs, files in os.walk(path):
for file in files:
img_path.append(os.path.join(root,file))
return img_path
if __name__ == "__main__":
args = get_parser().parse_args()
params_dict = {}
file_L = get_file(args.image_dir + 'left')
file_R = get_file(args.image_dir + 'right')
imgL = cv2.imread(file_L[2])
imgR = cv2.imread(file_R[2])
height, width = imgL.shape[0:2]
calibration = Stereo_Camera_Calibration(args.width, args.height, args.lattice)
left_K,left_D, right_K, right_D, R, T = calibration.stereo_calibration(file_L, file_R)
map_lx, map_ly,map_rx, map_ry, Q = calibration.getRectifyTransform(width,height,left_K,left_D,
right_K, right_D, R, T)
# 查看校正效果
img_ = calibration.draw_line(imgL,imgR)
cv2.imshow("img",img_)
rec_img_L, rec_img_R = calibration.get_rectify_img(imgL,imgR,map_lx, map_ly,map_rx, map_ry)
img_show = calibration.draw_line(rec_img_L,rec_img_R)
cv2.imshow("output",img_show)
cv2.waitKey(0)
params_dict['size'] = [width, height]
params_dict['K1'] = left_K.tolist()
params_dict['D1'] = left_D.tolist()
params_dict['K2'] = right_K.tolist()
params_dict['D2'] = right_D.tolist()
params_dict['map_lx'] = map_lx.tolist()
params_dict['map_ly'] = map_ly.tolist()
params_dict['map_rx'] = map_rx.tolist()
params_dict['map_ry'] = map_ry.tolist()
params_dict['R'] = R.tolist()
params_dict['T'] = T.tolist()
params_dict['Q'] = Q.tolist()
# =========== 保存相机参数 =========== #
# 保存为.json文件
file_path = args.save_dir + args.file_name + ".json"
with open(file_path,"w") as f:
json.dump(params_dict, f, indent=1)
print("ALL Make Done!")
文章出处登录后可见！
已经登录？立即刷新
