高级车道线查找项目的相机标定

标定相机

矫正失真的公式

其中r是未矫正的点(x,y)对应的棋盘上的点距离棋盘中心的距离。
使用棋盘矫正法，推荐至少拍摄不同角度和距离的20张棋盘照片。

OpenCV

标定步骤：
1.objpoints，对应实体的3D坐标，项目中使用的棋盘尺寸是8x6
2.imgpoints，对应照片的2D坐标
3.cv2.calibrateCamera()
4.cv2.undistort()

objpoints

由于不管照片是什么角度，棋盘始终是一个棋盘，objp适用于整个标定过程。

objp = np.zeros((6*8,3), np.float32)
objp[:,:2] = np.mgrid[0:8, 0:6].T.reshape(-1,2)
objpoints = [] # 3d points in real world space

imgpoints, 角点检测

只检测内角点，即2白块与2黑块相交的点

官方文档的摘抄：

findChessboardCorners(image, patternSize[, corners[, flags]]) → retval, corners
drawChessboardCorners(image, patternSize, corners, patternWasFound) → None

标定时用到超过20张图片，存入一个list

# 标定时用到超过20张图片，存入一个list
images = glob.glob('calibration_wide/GO*.jpg')# 对每张标定图片寻找角点
for idx, fname in enumerate(images):img = cv2.imread(fname)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Find the chessboard cornersret, corners = cv2.findChessboardCorners(gray, (8,6), None)# If found, add object points, image pointsif ret == True:objpoints.append(objp)imgpoints.append(corners)# Draw and display the cornerscv2.drawChessboardCorners(img, (8,6), corners, ret)#write_name = 'corners_found'+str(idx)+'.jpg'#cv2.imwrite(write_name, img)cv2.imshow('img', img)cv2.waitKey(500)cv2.destroyAllWindows()

完成贫病交迫heimgp后，开始标定

标定

1.cv2.calibrateCamera
输入中的gray.shape[::-1]是图像尺寸（H x W），这个尺寸从灰度图中获得比较方便。
返回mtx摄像机矩阵，dist畸变参数,，rvecs旋转和tvecs平移向量

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)

2.dst = cv2.undistort
这一步需要上一步中得到的mtx，dist作为输入参数；返回矫正后的图片。

dst = cv2.undistort(img, mtx, dist, None, mtx)

import pickle# Test undistortion on an image
img = cv2.imread('calibration_wide/test_image.jpg')
img_size = (img.shape[1], img.shape[0])# Do camera calibration given object points and image points
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, img_size,None,None)dst = cv2.undistort(img, mtx, dist, None, mtx)
cv2.imwrite('calibration_wide/test_undist.jpg',dst)# Save the camera calibration result for later use (we won't worry about rvecs / tvecs)
dist_pickle = {}
dist_pickle["mtx"] = mtx
dist_pickle["dist"] = dist
pickle.dump( dist_pickle, open( "calibration_wide/wide_dist_pickle.p", "wb" ) )
#dst = cv2.cvtColor(dst, cv2.COLOR_BGR2RGB)
# Visualize undistortion
f, (ax1, ax2) = plt.subplots(1, 2, figsize=(20,10))
ax1.imshow(img)
ax1.set_title('Original Image', fontsize=30)
ax2.imshow(dst)
ax2.set_title('Undistorted Image', fontsize=30)

高级车道线查找项目的相机标定相关推荐

实战教程 | 车道线检测项目实战，霍夫变换新方法 Spatial CNN
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达此文按照这样的逻辑进行撰写.分享机器学习.计算机视觉的基础知识,接着我们以一个实际的项目,带领大家自己 ...
【深度学习】实战教程 | 车道线检测项目实战，霍夫变换新方法 Spatial CNN
此文按照这样的逻辑进行撰写.分享机器学习.计算机视觉的基础知识,接着我们以一个实际的项目,带领大家自己动手实践.最后,分享更多学习资料.进阶项目实战,这部分属于我CSDN上的专栏,最后会按照顺序给出相 ...
2020-10-06 车道线检测项目及相关学习经验
车道线检测项目的本质是一个边缘检测的算法的延伸. 在汽车正常行驶过程中,车道线往往出于车体视野的中心对称位置,其位置相对固定. 下图展示了一个该场景,随着车辆的移动,车道线基本处于该黑色虚线所包围的区 ...
传统车道线检测项目学习总结（附源码，复现日志与github链接）
传统车道线检测 Advanced_Lane_Detection项目的复现,更换了其中的数据,修改了相应脚本,添加了可视化功能.话不多说,直接上图显示效果. 文章目录传统车道线检测环境要求项目流程 ...
无人驾驶之高级车道线检测-AdvanceLane_finding_release
本篇博客整个项目源码:github 引言前面我们介绍车道线检测的处理方法:车道线检测之lanelines-detection 在文章末尾,我们分析了该算法的鲁棒性,当时我们提出了一些解决方法,比如说 ...
车道线分割项目记录-tusimple数据集处理
一.数据集包含信息该项目训练所使用的数据集是tusimple数据集,其中用于训练及验证的有约3500张图,测试的有2000多张图.数据集中,除了图片,还包含了json文件,携带了车道线信息.文件路径 ...
车道线分割项目记录-模型构建
目录一.模型概述二.BackBone构建三.语义分割分支四.实例分割分支五.代码汇总一.模型概述整个模型有一个backbone,以及两个分支,输入图片之后,先进入backbone,这一部 ...
自动驾驶（十四）---------车道线检测
目前车道线检测主要有两种方法:传统方法,深度学习,本文主要从传统方法出发来介绍车道线检测,毕竟Mobileye也没有用到太多的深度学习(以前和Moblieye有交流). 再者,一直以来我们传统汽车行业 ...
详解车道线检测算法之传统图像处理
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 / 导读 / 车道线检测算法分为传统图像处理方法和深度学习方法.本文详细介绍用传统图像处理方法来解决车 ...