python opencv双目相机标定_学习笔记：使用opencv做双目测距（相机标定+立体匹配+测距）....

最近在做双目测距，觉得有必要记录点东西，所以我的第一篇博客就这么诞生啦~

双目测距属于立体视觉这一块，我觉得应该有很多人踩过这个坑了，但网上的资料依旧是云里雾里的，要么是理论讲一大堆，最后发现还不知道怎么做，要么就是直接代码一贴，让你懵逼。 所以今天我想做的，是尽量给大家一个明确的阐述，并且能够上手做出来。

一、 标定

首先我们要对摄像头做标定，具体的公式推导在learning opencv中有详细的解释，这里顺带提一句，这本书虽然确实老，但有些理论、算法类的东西里面还是讲的很不错的，必要的时候可以去看看。

Q1：为什么要做摄像头标定？

A: 标定的目的是为了消除畸变以及得到内外参数矩阵，内参数矩阵可以理解为焦距相关，它是一个从平面到像素的转换，焦距不变它就不变，所以确定以后就可以重复使用，而外参数矩阵反映的是摄像机坐标系与世界坐标系的转换，至于畸变参数，一般也包含在内参数矩阵中。从作用上来看，内参数矩阵是为了得到镜头的信息，并消除畸变，使得到的图像更为准确，外参数矩阵是为了得到相机相对于世界坐标的联系，是为了最终的测距。

ps1：关于畸变，大家可以看到自己摄像头的拍摄的画面，在看矩形物体的时候，边角处会有明显的畸变现象，而矫正的目的就是修复这个。

ps2：我们知道双目测距的时候两个相机需要平行放置，但事实上这个是很难做到的，所以就需要立体校正得到两个相机之间的旋转平移矩阵，也就是外参数矩阵。

Q2：如何做摄像头的标定？

A：这里可以直接用opencv里面的sample，在opencv/sources/sample/cpp里面，有个calibration.cpp的文件，这是单目的标定，是可以直接编译使用的，这里要注意几点：

1.棋盘

棋盘也就是标定板是要预先打印好的，你打印的棋盘的样式决定了后面参数的填写，具体要求也不是很严谨，清晰能用就行。之所用棋盘是因为他检测角点很方便，and..你没得选。。

2. 参数

一般设置为这个样子：-w 6 -h 8 -s 2 -n 10 -o camera.yml -op -oe [] ，这是几个重要参数的含义：

-w # 图片某一维方向上的交点个数

-h # 图片另一维上的交点个数

[-n ] # 标定用的图片帧数

[-s ] # square size in some user-defined units (1 by default)

[-o ] # the output filename for intrinsic [and extrinsic] parameters

[-op] # write detected feature points

[-oe] # write extrinsic parameters

可以发现 -w -h是棋盘的长和高，也就是有几个黑白交点，-s是每个格子的长度，单位是cm 长和高一定要数对，不然程序在识别角点的时候会识别不出来的。

最终得到的yml文件，就是单目标定的参数矩阵，之后使用它就可以得到校正后的图像啦。

3. 需要对程序做一些修改，这是我遇到的问题，就是他的读取摄像头的代码在我这边没有用，所以我自己重新修改了，不知道大家会 不会碰到这个问题。

然后就是双目标定了，同样的地方，找到stereo_calib.cpp，这个参数比较简单，只要确定长、宽和输入的一个xml文件（在之前 的文件夹里面），这个文件是为了读取图片用的，你需要自己用固定好的双目摄像头拍14对棋盘图片，命名为 left01,right01......这样 一系列的名字，另外，最简单的方法就是把自己拍的照片放到相应的工程下，以及stereo开头的那个xml文件也复制过去这个程序代码 并不复杂，可以稍微研究一下，工程向的代码确实严谨，各种情况都考虑到了，比起自己之前做的那个小项目不知道高到哪里去了

这里也有几个注意点（坑）：

1.老生常谈的问题，长宽一定要写对！！！ 这个不多说了，都是泪。

2.代码的核心函数 static voidStereoCalib(const vector& imagelist, Size boardSize, bool useCalibrated=true, bool showRectified=true)，注意搞清楚参数的意义，因为我是用的单目标定好的摄像头拍摄的图片，不需要再校正了，所以第三个参数要用false，这样最后的结果才能看，不说了，都是泪...

3.另外注意到计算rms误差的时候，结束条件的几个参数是可以调整的，

double rms = stereoCalibrate(objectPoints, imagePoints[0], imagePoints[1],

cameraMatrix[0], distCoeffs[0],

cameraMatrix[1], distCoeffs[1],

imageSize, R, T, E, F,

TermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 100, 1e-5),

CV_CALIB_FIX_ASPECT_RATIO +CV_CALIB_ZERO_TANGENT_DIST +CV_CALIB_SAME_FOCAL_LENGTH +CV_CALIB_RATIONAL_MODEL +CV_CALIB_FIX_K3 + CV_CALIB_FIX_K4 + CV_CALIB_FIX_K5)

下面这段话是某度百科上的：

这个函数计算了两个摄像头进行立体像对之间的转换关系。如果你有一个立体相机的相对位置，并且两个摄像头的方向是固定的，以及你计算了物体相对于第一照相机和第二照相机的姿态，（R1，T1）和（R2，T2），各自（这个可以通过solvepnp()做到）通过这些姿态确定。你只需要知道第二相机相对于第一相机的位置和方向。

除了立体的相关信息，该函数也可以两个相机的每一个做一个完整的校准。然而，由于在输入数据中的高维的参数空间和噪声的，可能偏离正确值。如果每个单独的相机内参数可以被精确估计（例如，使用calibratecamera()），建议这样做，然后在本征参数计算之中使CV_CALIB_FIX_INTRINSIC的功能。否则，如果一旦计算出所有的参数，它将会合理的限制某些参数，例如，传CV_CALIB_SAME_FOCAL_LENGTH and CV_CALIB_ZERO_TANGENT_DIST，这通常是一个合理的假设。

Q3：标定之后做什么呢？

A: 写到这我发现把单目和双目的一起写确实有点乱...不过，开弓没有回头箭！（不是因为懒！！）

首先还是单目，单目的使用很简单，使用标定得到的参数进行校正就行了，代码如下：

void loadCameraParams(Mat &cameraMatrix, Mat &distCoeffs)

{

FileStorage fs("camera.yml", FileStorage::READ);//这个名字就是你之前校正得到的yml文件

fs["camera_matrix"] >> cameraMatrix;

fs["distortion_coefficients"] >> distCoeffs;

}

Mat calibrator(Mat &view)//需要校正处理的图片

{

vector imageList;

static bool bLoadCameraParams = false;

static Mat cameraMatrix, distCoeffs, map1, map2;

Mat rview;

Size imageSize, newImageSize;

if (!view.data)

return Mat();

imageSize.width = view.cols;

imageSize.height = view.rows;

newImageSize.width = imageSize.width;

newImageSize.height = imageSize.height;

if (bLoadCameraParams == false)

{

loadCameraParams(cameraMatrix, distCoeffs);

bLoadCameraParams = true;

initUndistortRectifyMap(cameraMatrix, distCoeffs, Mat(),

getOptimalNewCameraMatrix(cameraMatrix, distCoeffs, imageSize, 1, newImageSize, 0), newImageSize, CV_16SC2, map1, map2);

}

//undistort( view, rview, cameraMatrix, distCoeffs, cameraMatrix );

remap(view, rview, map1, map2, INTER_LINEAR);

imshow("左图", rview);

//int c = 0xff & waitKey();

rview.copyTo(view);

return view;

}

这样最后就可以得到校正后消除畸变的图片。

OK，接下来显然就是双目啦，双目校正之后的工作就比较多了，我准备另开一节来说...

二、立体匹配

这是一个很大的题目，网上的资料也很多，所以我想说的是我的一些理解。

这里最好的方法是从后往前说，我们首先需要理解测距的原理。这个很多人看了一大堆还不明白（其实只有我自己吧..），相似三角形测距，这种东西小学生都能搞清楚，但两摄像头到底怎么做到的，就是我们需要搞清楚的。

首先需要搞清楚一个非常重要的概念，视差，搞清楚视差，后面的就简单了 ，老生常谈的问题我不想多说，网上那些一大堆，我希望给大家的是一些明了的东西

这三幅图看明白了就行，其实视差确实很简单，但很多人都没去理清楚，第一幅图是三维世界的一个点在两个相机的成像，我们可以相信的是，这两个在各自相机的相对位置基本不可能是一样的，而这种位置的差别，也正是我们眼睛区别3D和2D的关键，将右边的摄像机投影到左边，怎么做呢？因为他的坐标和左边相机的左边相距Tx（标定测出来的外参数），所以它相当于在左边的相机对三维世界内的（x-tx,y,z）进行投影，所以这时候，一个完美的形似三角形就出来，这里视差就是d=x-x‘，

得到视差以后，再用相似三角形......也就得到了深度也就是距离啦。

结束了么？？并没有....这样做确实很完美，但是问题来了：1.当我在左边相机确定一个点的时候，我怎么在右边找到这个点? 2.我左边点所在的行一点跟右边点所在的行上的像素一定完全一样么？

解决第一个问题的方法就是立体匹配了。

Q1：立体匹配是什么，怎么进行立体匹配？

A：简单的回答就是：立体匹配就是解决上面问题的东西啦....其实我觉得这样就是也够了，有些成熟的算法，未必需要钻研太深，毕竟我这种实在的菜鸡，还是工程导向的..学术的事，日后再说！

opencv中提供了很多的立体匹配算法，类似于局部的BM，全局的SGBM等等，这些算法的比较大概是，速度越快的效果越差，如果不是很追究时效性，并且你的校正做的不是很好的话..推荐使用SGBM，算法的具体原理大家可以去百度，不难。这里我想提一下的是为什么做立体匹配有用，原因就是极线约束，这也是个很重要的概念，理解起来并不难，左摄像机上的一个点，对应三维空间上的一个点，当我们要找这个点在右边的投影点时，有必要把这个图像都遍历一边么，当然不用...

如上图，显然，PL对应的P这个点一定在一条极线上，只要在这条线上找就行了，更明显的是下面这个图：

最后，怎么在opencv里面实现呢..机智的我又找到了sample..找到stereo_match.cpp这个文件，命令行设置为：left01.jpg right02.jpg --algorithm=hh --blocksize=5 --max-disparity=256 --scale=1.0 --no-display -i intrinsics.yml -e extrinsics.yml -o disparity.jpg同意给几个建议：

1.参数的意义：

-max-disparity 是最大视差，可以理解为对比度，越大整个视差的range也就越大，这个要求是16的倍数

--blocksize 一般设置为5-29之间的奇数，应该是局部算法的窗口大小。

另，注意带上参数-i intrinsics.yml -e extrinsics.yml，毕竟咱有校正参数...

2.后面有两行代码：

reprojectImageTo3D(disp, xyz, Q, true);

saveXYZ(point_cloud_filename, xyz);

这个就是得到图片的三维坐标，Z也就是我们最终要求的深度啦。

第二个问题，行和行是对应的么？ 之前我们说过，双目校正的目的就是为了得到两个平行的摄像头，所以当程序运行完毕以后，它会把两幅图像显示出来，并作出一系列的平行线，这样你会看到线上的点大致是呈对应关系，左边的角点对应右边的交点，所以，经过匹配和校正后，是对应的。

三、总结

双目拖了很久，一直没做，最重要的原因就是...我没有两个一样的摄像头，所以最后也没有贴出效果图，因为两个不一样的摄像头，做出来的东西画面太美我不敢看，不过最终搞清楚了整个流程和原理，还是比较开心的。这里面像校正和匹配的算法，我只是有所理解，因为以后不一定走3D这一块，所以也没有过去深入，如果用到在去研究，其实也不晚..总之，第一篇博客，完工啦~