2

在下图中，我们看到定义的世界平面坐标 (X,Y,0)，其中 Z=0。如我们所见，相机正朝着定义的世界平面前进。

世界参考点位于网格的左上角 (0,0,0)。每两个黄点之间的距离为40厘米

世界坐标

我已经使用棋盘校准了我的相机，然后使用内置函数cv2.solvePnP来估计相机相对于我定义的世界坐标的旋转和平移矢量。结果如下：

   tvec_cam= [[-5.47884374]
               [-3.08581371]
               [24.15112048]]
   rvec_cam= [[-0.02823308]
              [ 0.08623225]
              [ 0.01563199]]

根据结果​​，(tx,ty,tz) 似乎是正确的，因为相机位于 X,Y 世界坐标的负四分之一

但是，我对解释旋转向量感到困惑。！

结果旋转向量是否表示相机坐标几乎与世界坐标轴对齐（意味着几乎没有旋转！）？

如果是，这怎么可能是真的？，因为根据 OPENCV 的相机坐标，相机的 Z 轴指向场景（意味着指向世界平面），X 轴指向图像写入（意味着相反X-world 轴），并且相机的 Y 轴指向图像底部（这也意味着与 Y-world 轴相反）

此外，tvec的单位是什么？

注意：我已经根据平移向量的结果说明了定义的世界坐标轴的方向（tx 和 ty 都是负数）

我用于计算旋转和平移向量的代码如下所示：

import cv2 as cv 
import numpy as np


WPoints = np.zeros((9*3,3), np.float64)
WPoints[:,:2] = np.mgrid[0:9,0:3].T.reshape(-1,2)*0.4




imPoints=np.array([[20,143],[90,143],[161,143],[231,144],[303,144],
              [374,144],[446,145],[516,146],[587,147],[18,214],[88,214]
               ,[159,215],[230,215],[302,216],[374,216],[446,216]
               ,[517,217],[588,217],[16,285],[87,285],[158,286],[229,287], 
                [301,288]
               ,[374,289],[446,289],[518,289],[589,289]],dtype=np.float64)
      
    
#load the rotation matrix [[4.38073915e+03 0.00000000e+00 1.00593352e+03]
                       #  [0.00000000e+00 4.37829226e+03 6.97020491e+02]
                     #    [0.00000000e+00 0.00000000e+00 1.00000000e+00]]
with np.load('parameters_cam1.npz') as X:
mtx, dist, _, _ = [X[i] for i in ('mtx','dist','rvecs','tvecs')]


ret,rvecs, tvecs = cv.solvePnP(WPoints, imPoints, mtx, dist)


np.savez("extrincic_camera1.npz",rvecs=rvecs,tvecs=tvecs)

print(tvecs)
print(rvecs)
cv.destroyAllWindows()

估计内在函数的代码如下所示

import numpy as np
import cv2
import glob
import argparse
import pathlib
ap = argparse.ArgumentParser()
ap.add_argument("-p", "--path", required=True, help="path to images folder")
ap.add_argument("-e", "--file_extension", required=False, default=".jpg", 
help="extension of images")
args = vars(ap.parse_args())
path = args["path"] + "*" + args["file_extension"]
# termination criteria
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)

# prepare object points, like (0,0,0), (0.03,0,0), (0.06,0,0) ...., 
#(0.18,0.12,0)
objp = np.zeros((5*7,3), np.float32)
objp[:,:2] = np.mgrid[0:7,0:5].T.reshape(-1,2)*0.03
#print(objp)


# Arrays to store object points and image points from all the images.
objpoints = [] # 3d point in real world space
imgpoints = [] # 2d points in image plane.

#images = glob.glob('left/*.jpg') #read a series of images

images = glob.glob(path)

path = 'foundContours'
#pathlib.Path(path).mkdir(parents=True, exist_ok=True) 

found = 0
for fname in images: 
    
  img = cv2.imread(fname) # Capture frame-by-frame
  #print(images[im_i])
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  # Find the chess board corners
  ret, corners = cv2.findChessboardCorners(gray, (7,5), None)
  #  print(corners)
  # If found, add object points, image points (after refining them)
  if ret == True:
    print('true')
    objpoints.append(objp)   # Certainly, every loop objp is the same, in 3D.
    #print('obj_point',objpoints)
    corners2 = cv2.cornerSubPix(gray,corners,(11,11),(-1,-1),criteria)
    # print(corners2)
    imgpoints.append(corners2)
    print(imgpoints)
    print('first_point',imgpoints[0])
    #print(imgpoints.shape())
    # Draw and display the corners
    img = cv2.drawChessboardCorners(img, (7,5), corners2, ret)
    found += 1
    cv2.imshow('img', img)
    cv2.waitKey(1000)
    # if you want to save images with detected corners 
    # uncomment following 2 lines and lines 5, 18 and 19
    image_name = path + '/calibresult' + str(found) + '.jpg'
    cv2.imwrite(image_name, img)

print("Number of images used for calibration: ", found)

# When everything done, release the capture
# cap.release()
cv2.destroyAllWindows()
#calibration
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, 
gray.shape[::-1],None,None)


#save parameters needed in undistortion
np.savez("parameters_cam1.npz",mtx=mtx,dist=dist,rvecs=rvecs,tvecs=tvecs)
np.savez("points_cam1.npz",objpoints=objpoints,imgpoints=imgpoints)

print ("Camera Matrix = |fx  0 cx|")
print ("                | 0 fy cy|")
print ("                | 0  0  1|")
print (mtx)
print('distortion coefficients=\n', dist)
print('rotation vector for each image=', *rvecs, sep = "\n")
print('translation vector for each image=', *tvecs, sep= "\n")

希望你能帮助我理解这一点

提前致谢

4

1 回答 1

2

首先，tvec是轴角表示（https://en.wikipedia.org/wiki/Axis%E2%80%93angle_representation）。

您可以使用 cv2.Rodrigues() 获得旋转矩阵。对于您的数据，我几乎得到了身份：

[[ 0.99616253 -0.01682635  0.08588995]
 [ 0.01439347  0.99947963  0.02886672]
 [-0.08633098 -0.02751969  0.99588635]]

现在，根据图片中x和y的方向，z 轴指向下方（小心应用右手定则）。这就解释了为什么相机的 z 轴几乎与世界参考系的 z 轴对齐。

编辑：从您发布的代码中进一步挖掘：

WPoints = np.zeros((9*3,3), np.float64)
WPoints[:,:2] = np.mgrid[0:9,0:3].T.reshape(-1,2)*0.4

X 和 Y 的值都是正数，并且分别向右和向下递增，因此您确实使用了通常的约定。您实际上是在使用 X 和 Y 分别向右和向下递增，而问题只是您在图片中绘制的箭头。

编辑关于平移向量的解释：在 OpenCV 约定中，本地相机参考系中的点是从世界参考系中的点获得的，如下所示：

|x_cam|          |x_world|
|y_cam| = Rmat * |y_world| + tvec
|z_cam|          |z_world|

根据这个约定，tvec是世界原点在相机参考系中的位置。更容易解释的是相机原点在世界参考系中的位置，可以得到：

cam_center = -(tvec * R_inv)

其中 R_inv 是旋转矩阵的逆矩阵。这里的旋转矩阵几乎是恒等式，因此快速近似为-tvec，即 (5.4, 3.1, -24.1)。

于 2020-09-02T13:32:15.310 回答