张正友标定法内参公式与计算

（超详细）张氏标定法原理及公式推导 文章目录（超详细）张氏标定法原理及公式推导0. 前言1. 带着问题阅读2. 基本公式与符号定义2.1 符号表示2.2 模型平面（棋盘格）及其图像之间得单应性矩阵3. 单应性矩阵估计3.1 简单介绍3.2 性质3.3 求解3.4 实际优化估计3.4.1 求解优化初值3.4.2 极大似然估计4. 相机内参估计4.1 相机内参的约束条件4.2 相机内参的封闭解4.2.1 B=A−TA−1B=A^{-T}A^{-1}B=A−TA−1的具体表达式4.2.2 向量bbb的求解4.2

本文从原理出发详细解释了鱼眼相机内参标定的过程，尤其是目标函数构建需要加深理解。

张正友相机标定的原理与流程

  有国才有家，支持国产，生活中点滴做起，买手机就买华为，这是我们国家IT界的脊梁！！！  1、 相机参数是三种不同的参数。  相机的内参数是六个分别为：1/dx、1/dy、r、u0、v0、f。 opencv1里的说内参数是4个其为fx、fy、u0、v0。实际其fx=F*Sx，其中的F就是焦距上面的f,Sx是像素/没毫米即上面的dx，其是最后面图里的后两个矩阵进行先相乘，得出的，则把它看成整...

如果crop比例为k2，resize比例为k1，（注意：k1和k2都是相对于crop+resize变换前的图像）则u变为u/k1*k2，公式变为：fx_new = f/u*k1/k2 = fx*k1/k2。对于图像缩放resize，每个像素代表的实际尺寸变了，即u变了，如果缩放比例为k1，则u变为u/k1，公式变为：fx_new = f/u*k1 = k1*fx。对于一个相机，sensor是1/2.8，比例为16:9，原始分辨率为3840*2160，镜头焦距为3.38mm。

针孔相机模型，包含四个坐标系：物理成像坐标系、像素坐标系、相机坐标系、世界坐标系。相机参数包含：内参、外参、畸变参数。

小伙伴们，第一个理论加实践的小结来啦。介绍一下鼎鼎有名的张正友标定法。

第四章 张正友标定法1.1 欧拉角 1.2 罗德里格斯旋转角 1.3 旋转矩阵性质2.1 求解单应矩阵 2.2 求解内参矩阵 2.3 求解外参矩阵 2.4 求解畸变系数 2.5 最小二乘优化一个坐标(系)在 3D 空间中的旋转表示有很多种，这里我们来看下欧拉角和罗德里格斯的表达形式首先，我们先对二维的情况有个直观的了解我们希望得到向量 v(x,y)v ( x , y )v(x,y) 绕原点旋转 θ\thetaθ 之后的位置 v′(x′,y′)v ^ { \prime } ( x ^ { \prime } ,

张正友标定法-完整学习笔记-从原理到实战 文章目录张正友标定法-完整学习笔记-从原理到实战（零）前言：1 为什么需要标定？2 相机标定的已知条件和待求解是什么？标定前的已知条件：待求信息：（一）概念介绍和成像几何模型1.张正友标定处于什么水平，为啥提到相机标定，就不得不提他张博士的方法？2 简单介绍张博士----张氏标定法发明人3【WHY：为什么要进行相机标定？】4【HOW：相机标定的原理】在这里...

梯度下降实际上只利用了一阶导数，也就是梯度带来的信息，因为如此，我们将会看到在某些情况下，梯度下降是一种效率很低的，极端情况下甚至无效的优化方法。考虑方程的自由度，由于上述关系中的h乘任意相同的k都不改变关系式，那么都除以h33也没问题，所以h33=1，那么自由度只剩下8个。2.计算前、后背景的均值和全局均值的平方差再乘各自的前后像素占比即为类间方差，使用0-255带入计算，找到最大类间方差。缺点：噪声的干扰大，当图像没有典型的双峰时，不能够精确分割，对于多峰图像则失去效果。方差：离平均的平方距离的平均。

目录 一、预备知识 1、坐标系变换过程（相机成像过程） （1）相机坐标系转换为图像坐标系（透视投影变换遵循的是针孔成像原理） （2）齐次坐标的引入原因：（为什么引入齐次坐标？？？） 2、内参与外参矩阵的构成 3、畸变参数 二、相机标定 1、张正友标定法（光学标定）及其求解思路 2、求解内参矩阵与外参矩阵的思路： （1）计算内参与外参矩阵的乘积M （2）求解内参矩阵A （3）求解外参矩阵(R1 R2 T) 三、参数优化 1、L-M算法 2、相机标定步骤 四、相关代码及其实验结.

使用自己拍摄的图片数据、opencv源码camera_calibration.cpp计算内参 输入11张图，和棋盘参数，正方形标定板14*14个内角点，每个方格大小为4mm*4mm 结果如下： dx=f/fx=16/1.2308180383309129e+04=0.0012 mm/pixel；f的单位为mm  fx的单位为pixel，dx单位为mm/pixel（单个像素有多大）；...

在相机固定朝下的视觉项目中，我们会涉及到四个数据：模板图像坐标，模板防止位，产品图像坐标和产品放置位。在实际的应用过程中，前面三个都是可以通过相机拍照或者做模板来获取，这是已知量，而产品放置位则是我们要求的未知量。如何求得这个未知量就是标定运算的目标。

即理解 世界坐标系、相机坐标系、图像坐标系和像素坐标系 4个坐标系之间的转换关系，通过相机的内外参数，可以实现从世界坐标到图像坐标的精确转换。

单应性矩阵（Homography Matrix）是一个平面映射到另一个平面的映射矩阵，即将一个平面上的点映射到另一个平面上。

首先空间中的一点由世界坐标系转换到相机坐标系 ，然后再将其投影到物理成像平面 ( 成像平面坐标系 ) ，最后再将成像平面上的数据转换像素坐标系。相机内参表达的就是这三个坐标之间的转换关系， 而相机外参表达的是相机与世界坐标系之间的转换关系。常用求解PnP 的方法，即已知多个点， 在像素坐标系的二维坐标， 和在世界坐标系的三维坐标，并且已知内参， 求解旋转平移矩阵。外参标定的核心是：已知多个点分别在相机坐标系下的坐标和在世界坐标系下的坐标， 求它们之间的映射关系。， 在相机坐标系下的坐标为。

内参（intrinsic params)：从像素坐标系到图像坐标系的参数 外参 (extrinsic params)：从世界坐标系到相机坐标系的参数 像素坐标系：物体成像后，描述像素的点在数字图像中的坐标 图像坐标系：为了得到像素坐标系下的坐标 相机坐标系（x y z)：相机坐标系 -> 像平面 (u, v) -> 焦平面 世界坐标系（X Y Z)：用户定义的三维世界坐标系，目标物体在真实世界的位置 从像素坐标系到世界坐标系： 像素坐标系中的坐标[uv1]=s∗[fxγu00fyv0001].

广角相机最好选择等距相机模型，OpenCV中使用的模型是由Kannala提出的一种鱼眼相机的一般近似模型。当拿到一款需要标定的相机，第一个问题就是选择合适的相机模型来标定相机。广角相机和鱼眼相机其实都属于鱼眼相机的范畴，只是标定时选择的相机模型不一样。作者个人经验，小于180度的相机可以使用OpenCV中相机模型来标定相机，但是如果相机度数大于180度时OpenCV标定出来的效果并不是十分好。鱼眼相机四种投影模型其中最常用的是等距相机模型，所以主要对等距相机模型进行讨论，其它模型感兴趣自己上网搜索。

之前写过一篇文章（相机内参、外参、畸变系数简介），感觉应该把这几个东西说的还算明白，但是里边并没有深究该如何进行标定，正好在这次学习中进行补充。我面试时的体验就是，如果你没有那种一眼吊的科研成果，那么项目中再大的创新也就那么样，不如把时间花在了解项目细节上，比如内参标定到底是怎么实现的，而不是面试官问起你这个问题，你只能跟我一样傻笑道我调了opencv的库。。。。。。接着面试官又问，函数的每个输入输出都是什么？对不起，沉默是今晚的康桥。。。。。。哥们都是现用现百度。