前言

在前面的博客中（三维重建学习(3)：张正友相机标定推导），推到了张正友相机标定的数学原理，并给出了标定流程。OpenCV中已经封装好了一系列函数，我们使用这些函数可以更快捷地实现张正友相机标定。

程序流程

准备好一系列用来相机标定的图片；
对每张图片提取角点信息；
由于角点信息不够精确，进一步提取亚像素角点信息；
在图片中画出提取出的角点；
相机标定；
对标定结果评价，计算误差；
使用标定结果对原图片进行矫正；

上面这个流程大概看一遍有了个大概的认识就足够了。整个程序中都不涉及太深的数学，因为那些比较“恶心”的数学部分OpenCV都已经实现好了，我们直接调用就可以了。
关于其中的内外参矩阵等的参数不做赘述，前面的博客已经介绍过了：三维重建学习(3)：张正友相机标定推导。

流程说明

1. 准备图片

标定图片需要使用标定板在不同位置、不同角度、不同姿态下拍摄。在前面的博客中进行推导时，我们分析得知至少要有3张图片，才能有唯一解。通常以10~20张为佳。
通常都会购买专门的标定板，如果精度要求不高，也可以自己打印。
下面的图片摘自：http://blog.csdn.net/dcrmg/article/details/52939318

网上也有别人已经拍好的照片，下面是下载链接：https://pan.baidu.com/s/1mhG3mHU
程序中就直接使用这些现成的图片来测试了，省事。

2. 提取角点信息

OpenCV中自带了提取棋盘格中内角点的函数：findChessboardCorners()。
下面是函数原型：

CV_EXPORTS_W bool findChessboardCorners( InputArray image, Size patternSize, OutputArray corners,int flags = CALIB_CB_ADAPTIVE_THRESH + CALIB_CB_NORMALIZE_IMAGE );

函数说明：
这个函数的功能是确定输入图像中是否有棋盘格图案，并检测棋盘格的内角点。如果所有的内角点都找到了，那么函数返回一个非0值；如果没有找到所有的内角点，就会返回0。
参数说明：

image：输入的棋盘格图像，必须是8位的灰度或彩色图像。
patternSize：每一幅棋盘格图片中，每行和每列角点的个数；如果用前面给出的那副图片，每行每列对应的角点数就是4和6。另外为了便于辨别方向，每行每列对应的角点数不能相同。
corners：输出的角点坐标。通常用cv::Point2f 向量来保存，vector<cv::Point2f> points。
flags：默认为0，也可为其他参数。决定了内角点的不同查找方式。（默认写0即可，下面是官方文档中的给出的可选取值）
- CALIB_CB_ADAPTIVE_THRESH 使用自适应阈值（通过平均图像亮度计算得到）将图像转换为黑白图，而不是一个固定的阈值。
- CALIB_CB_NORMALIZE_IMAGE 在使用固定阈值或者自适应阈值进行二值化之前，先使用equalizeHist()来均衡化图像亮度。
- CALIB_CB_FILTER_QUADS 使用其他的准则（如轮廓面积，周长，方形形状）来去除在轮廓检测阶段检测到的错误方块。

3. 提取亚像素角点信息

有两个函数可以实现提取亚像素角点信息：cornerSubPix、find4QuadCornerSubpix。在提取棋盘格角点时两者的效果差不多，随便使用哪一个都行。

void cornerSubPix(InputArray image, InputOutputArray corners, Size winSize, Size zeroZone, TermCriteria criteria)

参数说明：

image：输入的图像；
corners：初始的角点坐标，同时也会作为亚像素角点坐标的输出；通常用cv::Point2f/Point2d 向量来保存，vector<cv::Point2f/Point2d> points。
winSize：大小为搜索窗口的一半。
zeroZone：死区的一般尺寸，死区为不对搜索区的中央位置做求和运算的区域。
criteria：迭代的终止条件。

CV_EXPORTS bool find4QuadCornerSubpix( InputArray img, InputOutputArray corners, Size region_size )

参数说明：

img：输入图像，最好是8位灰度图像，检测效率更高；
corners：初始的角点坐标，同时也会作为亚像素角点坐标的输出；通常用cv::Point2f/Point2d 向量来保存，vector<cv::Point2f/Point2d> points。
region_size：角点搜索窗口的大小。

采用这两个函数都可实现亚像素角点检测，精度差不多，后面程序中采用find4QuadCornerSubpix函数。

4. 画出角点

使用drawChessboardCorners函数。函数功能很简单，就是在图片中画出检测到的角点。

CV_EXPORTS_W void drawChessboardCorners( InputOutputArray image, Size patternSize, InputArray corners, bool patternWasFound )

参数说明：

image：图像，8位灰度或彩色图像。
patternSize：每一幅棋盘格图片中，每行和每列角点的个数。
corners：初始的角点坐标，同时也会作为亚像素角点坐标的输出；通常用cv::Point2f/Point2d 向量来保存，vector<cv::Point2f/Point2d> points。
patternWasFound：标志位，用来只是是否检测倒所有的棋盘内角点。true表示完整地检测到了所有内角点，函数会用直线将角点依次连接起来；false表示没有完整检测到所有内角点，函数会用红色圆圈标出检测到的内角点。

5. 相机标定

这里的标定函数是calibrateCamera，也是相机标定的核心了。

CV_EXPORTS_W double calibrateCamera( InputArrayOfArrays objectPoints,InputArrayOfArrays imagePoints, Size imageSize,InputOutputArray cameraMatrix, InputOutputArray distCoeffs,OutputArrayOfArrays rvecs, OutputArrayOfArrays tvecs,int flags = 0, TermCriteria criteria = TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 30, DBL_EPSILON) );

参数说明：

objectPoints：一系列点的三维坐标，即若干张图片中对应的若干个点的三维坐标。在使用时应该建立一个二维的vector，即vector<vector<Point3f>> objectPoints。我们需要根据棋盘格每个黑白格子的长宽，计算出各个内角点的三维坐标。通常我们会取z=0，而只计算x和y 坐标。
imagePoints：若干张图片对应的若干的内角点的坐标，通常采用vector<vector<Point2f>> image_points表示。
imageSize：图像的像素尺寸大小。
cameraMatrix：相机的内参矩阵，对应推导时的内参矩阵A” role=”presentation” style=”position: relative;”>AA。
distCoeffs：相机的畸变参数矩阵，有5个畸变参数：k1,k2,p1,p2,k3” role=”presentation” style=”position: relative;”>k1,k2,p1,p2,k3k1,k2,p1,p2,k3。
rvecs：旋转向量，罗德里格旋转向量，是相机外参；因为有若干张图片，所以通常使用Mat类型的vector 表示，vector<Mat> rvecs。
tvecs：位移向量，与旋转向量一样，也是相机外参，通常使用Mat类型的vector 表示，vector<Mat> tvecs。
flags：表示标定时采用的算法。默认为0，其他有：
- CV_CALIB_USE_INTRINSIC_GUESS：使用该参数时，在cameraMatrix矩阵中应该有fx,fy,u0,v0的估计值。否则的话，将初始化(u0,v0）图像的中心点，使用最小二乘估算出fx，fy。
- CV_CALIB_FIX_PRINCIPAL_POINT：在进行优化时会固定光轴点。当CV_CALIB_USE_INTRINSIC_GUESS参数被设置，光轴点将保持在中心或者某个输入的值。
- CV_CALIB_FIX_ASPECT_RATIO：固定fx/fy的比值，只将fy作为可变量，进行优化计算。当CV_CALIB_USE_INTRINSIC_GUESS没有被设置，fx和fy将会被忽略。只有fx/fy的比值在计算中会被用到。
- CV_CALIB_ZERO_TANGENT_DIST：设定切向畸变参数（p1,p2）为零。
- CV_CALIB_FIX_K1,…,CV_CALIB_FIX_K6：对应的径向畸变在优化中保持不变。
- CV_CALIB_RATIONAL_MODEL：计算k4，k5，k6三个畸变参数。如果没有设置，则只计算其它5个畸变参数。
criteria：迭代的终止条件。

这个函数解决的就是我们以前推导的极大似然优化问题：

∑i=1n∑j=1m‖mij−m^(A,k1,k2,Ri,ti,Mj)‖” role=”presentation” style=”text-align: center; position: relative;”>∑i=1n∑j=1m∥mij−m^(A,k1,k2,Ri,ti,Mj)∥∑i=1n∑j=1m‖mij−m^(A,k1,k2,Ri,ti,Mj)‖

其中：m^(A,ki,kj,Ri,ti,Mj)” role=”presentation” style=”position: relative;”>m^(A,ki,kj,Ri,ti,Mj)m^(A,ki,kj,Ri,ti,Mj)幅图像上的投影。
A” role=”presentation” style=”position: relative;”>AA是平移矩阵，对应参数中的tvecs；其他还有一些畸变系数，根据情况可能考虑进去也可能忽略不计。
通过类比，不难理解这些参数的意义。

6. 评价标定结果

我们在进行相机标定时，本身要解决的是一个优化问题，而优化的对象就是角点与三维点投影到图像点坐标之间的差值，通过不断迭代，尽可能地最小化这个差值。我们对标定结果评价时，就是计算投影点与检测到的亚像素角点坐标的差值。由于是二维的，所以分别对x” role=”presentation” style=”position: relative;”>xx坐标求差值，再求平方根，即求L2范数。

先考虑如何对空间中的三维坐标点进行反向投影，使用函数projectPoints 实现：

CV_EXPORTS_W void projectPoints( InputArray objectPoints,InputArray rvec, InputArray tvec,InputArray cameraMatrix, InputArray distCoeffs,OutputArray imagePoints,OutputArray jacobian = noArray(),double aspectRatio = 0 );

参数说明：

objectPoints：一系列点的三维坐标，即若干张图片中对应的若干个点的三维坐标。在使用时应该建立一个二维的vector，即vector<vector<Point3f>> objectPoints。我们需要根据棋盘格每个黑白格子的长宽，计算出各个内角点的三维坐标。通常我们会取z=0，而只计算x和y 坐标。
rvecs：旋转向量，罗德里格旋转向量，是相机外参；因为有若干张图片，所以通常使用Mat类型的vector 表示，vector<Mat> rvecs。
tvecs：位移向量，与旋转向量一样，也是相机外参，通常使用Mat类型的vector 表示，vector<Mat> tvecs。
cameraMatrix：相机的内参矩阵，对应推导时的内参矩阵A” role=”presentation” style=”position: relative;”>AA。
distCoeffs：相机的畸变参数矩阵，有5个畸变参数：k1,k2,p1,p2,k3” role=”presentation” style=”position: relative;”>k1,k2,p1,p2,k3k1,k2,p1,p2,k3。
imagePoints：若干张图片对应的若干的内角点的坐标，通常采用vector<vector<Point2f>> image_points表示。
另外两个参数这里不会用到，跳过。

7. 矫正图像

使用前面求得的内参和外参以及畸变参数数据，可以对图像进行畸变矫正。
使用initUndistortRectifyMap和remap两个函数来实现。
initUndistortRectifyMap用来计算畸变映射，remap把求得的映射应用到图像上。

CV_EXPORTS_W void initUndistortRectifyMap( InputArray cameraMatrix, InputArray distCoeffs,InputArray R, InputArray newCameraMatrix,Size size, int m1type, OutputArray map1, OutputArray map2 );

参数说明：

cameraMatrix：相机的内参矩阵；
distCoeffs：相机的畸变参数构成的矩阵；
R：可选的输入，是第一和第二相机坐标之间的旋转矩阵；
newCameraMatrix：校正后的内参矩阵；
size：摄像机采集的无失真的图像尺寸；
m1type：定义map1的数据类型，可以是CV_32FC1或者CV_16SC2；
map1和map2：分别对应X” role=”presentation” style=”position: relative;”>XX坐标的重映射参数。

CV_EXPORTS_W void remap( InputArray src, OutputArray dst,InputArray map1, InputArray map2,int interpolation, int borderMode = BORDER_CONSTANT,const Scalar& borderValue = Scalar());

参数说明：

src：输入图像，原始有畸变的图像；
dst：输出图像，校正后的图像；
map1：X” role=”presentation” style=”position: relative;”>XX坐标的映射；
map2：Y” role=”presentation” style=”position: relative;”>YY坐标的映射；
interpolation：图像的插值方式；
borderMode：边界填充方式；

完整程序实现

#include <iostream>
#include <vector>
#include <fstream>
#include <string>
#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/calib3d/calib3d.hpp>using namespace std;
using namespace cv;int main()
{ifstream inImgPath("calibdata.txt");    //标定所用图像文件的路径vector<string> imgList;vector<string>::iterator p;string temp;if (!inImgPath.is_open()){cout << "没有找到文件" << endl;}//读取文件中保存的图片文件路径，并存放在数组中while (getline(inImgPath, temp)){imgList.push_back(temp);}ofstream fout("caliberation_result.txt");   //保存标定结果的文件cout << "开始提取角点......" << endl;cv::Size image_size;//保存图片大小cv::Size pattern_size = cv::Size(4, 6);//标定板上每行、每列的角点数；测试图片中的标定板上内角点数为4*6vector<cv::Point2f> corner_points_buf;//建一个数组缓存检测到的角点，通常采用Point2f形式vector<cv::Point2f>::iterator corner_points_buf_ptr;vector<vector<cv::Point2f>> corner_points_of_all_imgs;int image_num = 0;string filename;while(image_num < imgList.size()){filename = imgList[image_num++];cout << "image_num = " << image_num << endl;cout << filename.c_str() << endl;cv::Mat imageInput = cv::imread(filename.c_str());if (image_num == 1){image_size.width = imageInput.cols;image_size.height = imageInput.rows;cout << "image_size.width = " << image_size.width << endl;cout << "image_size.height = " << image_size.height << endl;}if (findChessboardCorners(imageInput, pattern_size, corner_points_buf) == 0){cout << "can not find chessboard corners!\n";   //找不到角点exit(1);}else{cv::Mat gray;cv::cvtColor(imageInput, gray, CV_RGB2GRAY);cv::find4QuadCornerSubpix(gray, corner_points_buf, cv::Size(5, 5));corner_points_of_all_imgs.push_back(corner_points_buf);cv::drawChessboardCorners(gray, pattern_size, corner_points_buf, true);cv::imshow("camera calibration", gray);cv::waitKey(100);}}int total = corner_points_of_all_imgs.size();cout << "total=" << total << endl;int cornerNum = pattern_size.width * pattern_size.height;//每张图片上的总的角点数for (int i = 0; i < total;i++){cout << "--> 第" << i + 1 << "幅图片的数据 -->:" << endl;for (int j = 0;j < cornerNum;j++){cout << "-->" << corner_points_of_all_imgs[i][j].x;cout << "-->" << corner_points_of_all_imgs[i][j].y;if ((j + 1) % 3 == 0){cout << endl;}else{cout.width(10);}}cout << endl;}cout << endl << "角点提取完成" << endl;//摄像机标定cout << "开始标定………………" << endl;cv::Mat cameraMatrix = cv::Mat(3, 3, CV_32FC1, cv::Scalar::all(0));//内外参矩阵，H——单应性矩阵cv::Mat distCoefficients = cv::Mat(1, 5, CV_32FC1, cv::Scalar::all(0));//摄像机的5个畸变系数：k1,k2,p1,p2,k3vector<cv::Mat> tvecsMat;//每幅图像的平移向量，tvector<cv::Mat> rvecsMat;//每幅图像的旋转向量（罗德里格旋转向量）vector<vector<cv::Point3f>> objectPoints;//保存所有图片的角点的三维坐标//初始化每一张图片中标定板上角点的三维坐标int i, j, k;for (k = 0;k < image_num;k++)//遍历每一张图片{vector<cv::Point3f> tempCornerPoints;//每一幅图片对应的角点数组//遍历所有的角点for (i = 0;i < pattern_size.height;i++){for (j = 0;j < pattern_size.width;j++){cv::Point3f singleRealPoint;//一个角点的坐标singleRealPoint.x = i * 10;singleRealPoint.y = j * 10;singleRealPoint.z = 0;//假设z=0tempCornerPoints.push_back(singleRealPoint);}}objectPoints.push_back(tempCornerPoints);}cv::calibrateCamera(objectPoints, corner_points_of_all_imgs, image_size, cameraMatrix, distCoefficients, rvecsMat, tvecsMat, 0);cout << "标定完成" << endl;//开始保存标定结果cout << "开始保存标定结果" << endl;cout << endl << "相机相关参数：" << endl;fout << "相机相关参数：" << endl;cout << "1.内外参数矩阵:" << endl;fout << "1.内外参数矩阵:" << endl;cout << "大小：" << cameraMatrix.size() << endl;fout << "大小：" << cameraMatrix.size() << endl;cout << cameraMatrix << endl;fout << cameraMatrix << endl;cout << "2.畸变系数：" << endl;fout << "2.畸变系数：" << endl;cout << "大小：" << distCoefficients.size() << endl;fout << "大小：" << distCoefficients.size() << endl;cout << distCoefficients << endl;fout << distCoefficients << endl;cout << endl << "图像相关参数：" << endl;fout << endl << "图像相关参数：" << endl;cv::Mat rotation_Matrix = cv::Mat(3, 3, CV_32FC1, cv::Scalar::all(0));//旋转矩阵for (i = 0;i < image_num;i++){cout << "第" << i + 1 << "幅图像的旋转向量：" << endl;fout << "第" << i + 1 << "幅图像的旋转向量：" << endl;cout << rvecsMat[i] << endl;fout << rvecsMat[i] << endl;cout << "第" << i + 1 << "幅图像的旋转矩阵：" << endl;fout << "第" << i + 1 << "幅图像的旋转矩阵：" << endl;cv::Rodrigues(rvecsMat[i], rotation_Matrix);//将旋转向量转换为相对应的旋转矩阵cout << rotation_Matrix << endl;fout << rotation_Matrix << endl;cout << "第" << i + 1 << "幅图像的平移向量：" << endl;fout << "第" << i + 1 << "幅图像的平移向量：" << endl;cout << tvecsMat[i] << endl;fout << tvecsMat[i] << endl;}cout << "结果保存完毕" << endl;//对标定结果进行评价cout << "开始评价标定结果......" << endl;//计算每幅图像中的角点数量，假设全部角点都检测到了int corner_points_counts;corner_points_counts = pattern_size.width * pattern_size.height;cout << "每幅图像的标定误差：" << endl;fout << "每幅图像的标定误差：" << endl;double err = 0;//单张图像的误差double total_err = 0;//所有图像的平均误差for (i = 0;i < image_num;i++){vector<cv::Point2f> image_points_calculated;//存放新计算出的投影点的坐标vector<cv::Point3f> tempPointSet = objectPoints[i];cv::projectPoints(tempPointSet, rvecsMat[i], tvecsMat[i], cameraMatrix, distCoefficients, image_points_calculated);//计算新的投影点与旧的投影点之间的误差vector<cv::Point2f> image_points_old = corner_points_of_all_imgs[i];//将两组数据换成Mat格式cv::Mat image_points_calculated_mat = cv::Mat(1, image_points_calculated.size(), CV_32FC2);cv::Mat image_points_old_mat = cv::Mat(1, image_points_old.size(), CV_32FC2);for (j = 0;j < tempPointSet.size();j++){image_points_calculated_mat.at<cv::Vec2f>(0, j) = cv::Vec2f(image_points_calculated[j].x, image_points_calculated[j].y);image_points_old_mat.at<cv::Vec2f>(0, j) = cv::Vec2f(image_points_old[j].x, image_points_old[j].y);}err = cv::norm(image_points_calculated_mat, image_points_old_mat, cv::NORM_L2);err /= corner_points_counts;total_err += err;cout << "第" << i + 1 << "幅图像的平均误差：" << err << "像素" << endl;fout << "第" << i + 1 << "幅图像的平均误差：" << err << "像素" << endl;}cout << "总体平均误差：" << total_err / image_num << "像素" << endl;fout << "总体平均误差：" << total_err / image_num << "像素" << endl;cout << "评价完成" << endl;fout.close();cv::Mat mapx = cv::Mat(image_size, CV_32FC1);cv::Mat mapy = cv::Mat(image_size, CV_32FC1);cv::Mat R = cv::Mat::eye(3, 3, CV_32F);cout << "保存矫正图像" << endl;string imageFileName;std::stringstream StrStm;for (int i = 0;i < image_num;i++){cout << "Frame #" << i + 1 << endl;cv::initUndistortRectifyMap(cameraMatrix, distCoefficients, R, cameraMatrix, image_size, CV_32FC1, mapx, mapy);cv::Mat src_image = cv::imread(imgList[i].c_str(), 1);cv::Mat new_image = src_image.clone();cv::remap(src_image, new_image, mapx, mapy, cv::INTER_LINEAR);imshow("原始图像", src_image);imshow("矫正后图像", new_image);StrStm.clear();imageFileName.clear();StrStm << i + 1;StrStm >> imageFileName;imageFileName += "_d.jpg";cv::imwrite(imageFileName, new_image);cv::waitKey(200);}cout << "保存结束" << endl;cv::waitKey(0);return 0;
}

运行结果

完整工程：http://download.csdn.net/download/hongbin_xu/10191899

参考链接：
http://blog.csdn.net/dcrmg/article/details/52939318

转载自：https://blog.csdn.net/hongbin_xu/article/details/78988450#commentBox

查看全文

http://www.taodudu.cc/news/show-1217199.html

Eigen部分基本使用方法
FFMPEG针对视频操作的基本命令
三维重建中旋转矩阵与平移矩阵思想误区(转载)
setw（）(转载)
外方位角元素解析
OpenCV--卡尔曼滤波(KalmanFilter)详解【转载】
OpenCV--矩阵操作总结
Procrustes Analysis(普氏分析)
C++ 标准文件的写入读出(ifstream,ofstream)
利用制表位快速居中对齐公式，同时公式编号靠右对齐
FFmpeg命令的几种应用
截取视频段转换为GIF动图
世界坐标与像素坐标的相互转换
由左右像点坐标反求世界坐标点
Opencv透视变换——cv::getPerspectiveTransform()与cv::warpPerspective()详解
QR矩阵分解
无人驾驶汽车系统入门系列
OpenCV--读取图像中任意点的像素值，并显示坐标
OpenCV--求取图像多轮廓质心，并于图像上绘制显示质心及其坐标
四元素、欧拉角及旋转矩阵之间的转换
根据两点之间的连线，计算连线到各坐标轴之间的夹角（角度，弧度）
Opencv--学习Opencv比较好的网址
外参矩阵（旋转矩阵+平移向量）以及外方位元素的关系
Opencv--从CalibrateCamera到SolvePnp（一）
Opencv--从CalibrateCamera到SolvePnp（二）
由旋转矩阵计算欧拉角的方法
Matlab--绘图总结
谈均值、方差、标准差、协方差的概念及意义
最小二乘法（1）
张正友标定Opencv实现、标定流程以及图像坐标转为世界坐标

张正友相机标定程序实现相关推荐

张正友相机标定Opencv实现以及标定流程标定结果评价图像矫正流程解析（附标定程序和棋盘图）
from:https://blog.csdn.net/dcrmg/article/details/52939318 使用Opencv实现张正友法相机标定之前,有几个问题事先要确认一下,那就是相机为什么 ...
OpenCV实现张正友相机标定源代码
本源代码基于VC++和opencv Opencv2.4.13.6版本开发,实现张正友相机标定源代码,资源包括完整源代码和12张棋盘图片,完美运行. Opencv2.4.13.6安装包下载地址:http ...
张正友相机标定算法详解
张正友相机标定算法详解 1.齐次表示法与一些基本结论 1.1 点与直线的齐次表示在射影几何中,通常用齐次方式来表达点与直线.比如p=(u,v)p=(u,v)p=(u,v)被表示成p^=(x1,x ...
[毕设系列] 一、张正友相机标定
张正友相机标定预备知识 0.1 刚体.仿射.线性.旋转变换 0.2 什么是标定? 0.3 为什么要进行标定? 0.4 什么是畸变? 一.张正友标定法 1.1 简介 1.2 流程 1.3 畸变公式二 ...
opencv C++ 张正友相机标定
//张正友相机标定 //https://blog.csdn.net/u010925447/article/details/77997735 #include <opencv2/core/core ...
三维重建学习(3)：张正友相机标定推导
前言前面的几篇博客中介绍了有关相机标定的基础知识(三维重建学习(1):基础知识:旋转矩阵与旋转向量.三维重建学习(2):相机标定基础).这次介绍一个十分经典的单目相机标定方法--张正友标定,并给出数 ...
张正友相机标定（全流程，含畸变，matlab源代码解析）
张正友标定的具体原理很多文章已经介绍,这里主要结合源代码对其中的基本原理及本人遇到的问题进行介绍.(仅介绍基本原理供本人复习,同时方便他人,如有问题,请及时指正勿喷) 1. 标定基本思路介绍相机标定 ...
张正友相机标定算法原理与源代码（OpenCV+C++）
摄像机的标定问题是机器视觉领域的入门问题,可以分为传统的摄像机定标方法和摄像机自定标方法.定标的方法有很多中常见的有:Tsai(传统)和张正友(介于传统和自定标)等, 摄像机成像模型和四个坐标系(通用 ...
张正友相机标定Opencv实现程序（ｕｂｕｎｔｕ下）
相机标定的目的:获取摄像机的内参和外参矩阵(同时也会得到每一幅标定图像的选择和平移矩阵),内参和外参系数可以对之后相机拍摄的图像就进行矫正,得到畸变相对很小的图像. 相机标定的输入:标定图像上所有内角 ...

张正友相机标定程序实现

前言

程序流程

流程说明

1. 准备图片

2. 提取角点信息

3. 提取亚像素角点信息

4. 画出角点

5. 相机标定

6. 评价标定结果

7. 矫正图像

完整程序实现

运行结果

相关文章：

张正友相机标定程序实现相关推荐

最新文章

热门文章