Python实现双目标定、畸变矫正、立体矫正

畸变矫正、立体矫正"/>

Python实现双目标定、畸变矫正、立体矫正

一，双目标定、畸变矫正、立体矫正的作用

1. 双目目标定：

   • 3D重建和测距：通过双目目标定，您可以确定两个摄像头之间的相对位置和朝向，从而能够根据视差信息计算物体的深度，进行三维重建和测距。
   • 姿态估计：双目摄像头可以用于估计物体或相机的姿态，这对于虚拟现实、增强现实和机器人导航等应用非常重要。

2. 畸变矫正：

   • 图像质量提高：镜头畸变会引入图像失真，畸变矫正可以改善图像质量，使物体的形状更准确。
   • 特征匹配：在图像特征匹配中，畸变矫正可以提高匹配的精度，有助于在不同视图之间正确匹配特征点。

3. 立体矫正：

   • 立体视觉：立体矫正是用于双目或多目视觉系统的关键步骤，可使两个摄像头的像素对应点在同一水平线上，从而简化了立体视觉中的视差计算。
   • 深度感知：立体矫正后，您可以使用视差图来估计物体的深度，这对于实现深度感知和3D重建非常重要。

二，双目拍照代码

#coding:utf-8
import cv2
import time
import timeleft_camera = cv2.VideoCapture(0)
left_camera.set(cv2.CAP_PROP_FRAME_WIDTH,640)
left_camera.set(cv2.CAP_PROP_FRAME_HEIGHT,480)right_camera = cv2.VideoCapture(1)
right_camera.set(cv2.CAP_PROP_FRAME_WIDTH,640)
right_camera.set(cv2.CAP_PROP_FRAME_HEIGHT,480)path="/home/song/pic/" #图片存储路径AUTO =False   # True自动拍照，False则手动按s键拍照
INTERVAL = 0.0000005 # 调整自动拍照间隔cv2.namedWindow("left")
cv2.namedWindow("right")
cv2.moveWindow("left", 0, 0)counter = 0
utc = time.time()
folder = "/home/song/pic/" # 照片存储路径def shot(pos, frame):global countertimestr = datetime.datetime.now()path = folder + pos + "_" + str(counter) +".jpg"cv2.imwrite(path, frame)print("snapshot saved into: " + path)while True:ret, left_frame = left_camera.read()ret, right_frame = right_camera.read()cv2.imshow("left", left_frame)cv2.imshow("right", right_frame)now = time.time()if AUTO and now - utc >= INTERVAL:shot("left", left_frame)shot("right", right_frame)counter += 1utc = nowkey = cv2.waitKey(1)if key == ord("q"):breakelif key == ord("s"):shot("left", left_frame)shot("right", right_frame)counter += 1left_camera.release()
right_camera.release()
cv2.destroyWindow("left")
cv2.destroyWindow("right")

三，分别对左右目进行标定

在进行双目相机的标定之前，需要先对左右目的单目摄像头进行单目标定。这是因为双目摄像头的标定需要知道每个摄像头的内部参数（如相机矩阵、畸变系数）以及相机之间的外部参数（相对位置和朝向）。这些参数是通过单目标定来获得的。

单目标定通常包括以下步骤：

1. 相机内参标定：通过拍摄一个包含已知尺寸的标定板的图像，然后使用相机标定算法来估计相机内参，如焦距、主点坐标和畸变系数。

2. 相机外参标定：通过将相机放置在不同位置或拍摄不同方向的图像，使用外参标定算法来估计相机的位置和朝向。这一步通常需要多幅图像，以确定相机在三维空间中的位置和姿态。

3. 畸变矫正：使用内参标定得到的畸变系数来矫正图像，以去除镜头畸变。

4. 生成标定文件：将内外参和畸变系数保存在标定文件中，以便后续的双目标定使用。

一旦单目摄像头的内部参数、外部参数和畸变系数都已知，就可以进行双目标定，以确定双目摄像头之间的相对位置和朝向，以及立体视觉中的标定参数。

#-*- coding:utf-8 -*-
import numpy as np
import cv2
import glob# 设置迭代终止条件
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)# 设置 object points, 形式为 (0,0,0), (1,0,0), (2,0,0) ....,(6,5,0)
objp = np.zeros((6*7,3), np.float32) #我用的是6×7的棋盘格，可根据自己棋盘格自行修改相关参数
objp[:,:2] = np.mgrid[0:7,0:6].T.reshape(-1,2)# 用arrays存储所有图片的object points 和 image points
objpoints = [] # 3d point in real world space
imgpoints = [] # 2d points in image plane.#用glob匹配文件夹/home/song/pic_1/right/下所有文件名含有“.jpg"的图片
images = glob.glob(r"/home/song/pic/right/*.jpg")for fname in images:img = cv2.imread(fname)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 查找棋盘格角点ret, corners = cv2.findChessboardCorners(gray, (7,6), None)# 如果找到了就添加 object points, image pointsif ret == True:objpoints.append(objp)corners2=cv2.cornerSubPix(gray,corners, (11,11), (-1,-1), criteria)imgpoints.append(corners)# 对角点连接画线加以展示cv2.drawChessboardCorners(img, (7,6), corners2, ret)cv2.imshow('img', img)cv2.waitKey(500)
cv2.destroyAllWindows()# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)
print(mtx, dist)#对所有图片进行去畸变，有两种方法实现分别为： undistort()和remap()
images = glob.glob(r"/home/song/pic/right/*.jpg")
for fname in images:prefix=fname.split('/')[5]img = cv2.imread(fname)h,  w = img.shape[:2]newcameramtx, roi=cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h))# # 使用 cv.undistort()进行畸变校正# dst = cv2.undistort(img, mtx, dist, None, newcameramtx)# # 对图片有效区域进行剪裁# # x, y, w, h = roi# # dst = dst[y:y+h, x:x+w]# cv2.imwrite('/home/song/pic_1/undistort/'+prefix, dst)#  使用 remap() 函数进行校正mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w, h), 5)dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)# 对图片有效区域进行剪裁x, y, w, h = roidst = dst[y:y + h, x:x + w]cv2.imwrite('/home/song/pic/undistort/'+prefix, dst)#重投影误差计算
mean_error = 0
for i in range(len(objpoints)):imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)error = cv2.norm(imgpoints[i],imgpoints2, cv2.NORM_L2)/len(imgpoints2)mean_error += errorprint("total error: ", mean_error/len(objpoints))

四，双目标定及其立体校正

#coding:utf-8
import numpy as np
import cv2
import matplotlib.pyplot as plt
from PIL import Image# 设置迭代终止条件
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
criteria_stereo = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)# 设置 object points, 形式为 (0,0,0), (1,0,0), (2,0,0) ....,(6,5,0)
objp = np.zeros((6 * 7, 3), np.float32)  #我用的是6×7的棋盘格，可根据自己棋盘格自行修改相关参数
objp[:, :2] = np.mgrid[0:7, 0:6].T.reshape(-1, 2)# 用arrays存储所有图片的object points 和 image points
objpoints = []  # 3d points in real world space
imgpointsR = []  # 2d points in image plane
imgpointsL = []# 本次实验采集里共计30组待标定图片依次读入进行以下操作
for i in range(0,30):  t = str(i)ChessImaR = cv2.imread('/home/song/pic/right_' + t + '.jpg', 0)  # 右视图ChessImaL = cv2.imread('/home/song/pic/left_' + t + '.jpg', 0)  # 左视图retR, cornersR = cv2.findChessboardCorners(ChessImaR,(7, 6), None)  # 提取右图每一张图片的角点retL, cornersL = cv2.findChessboardCorners(ChessImaL,(7, 6), None)  # # 提取左图每一张图片的角点if (True == retR) & (True == retL):objpoints.append(objp)cv2.cornerSubPix(ChessImaR, cornersR, (11, 11), (-1, -1), criteria)  # 亚像素精确化，对粗提取的角点进行精确化cv2.cornerSubPix(ChessImaL, cornersL, (11, 11), (-1, -1), criteria)  # 亚像素精确化，对粗提取的角点进行精确化imgpointsR.append(cornersR)imgpointsL.append(cornersL)# 相机的单双目标定、及校正
#   右侧相机单独标定
retR, mtxR, distR, rvecsR, tvecsR = cv2.calibrateCamera(objpoints,imgpointsR,ChessImaR.shape[::-1], None, None)#   获取新的相机矩阵后续传递给initUndistortRectifyMap，以用remap生成映射关系
hR, wR = ChessImaR.shape[:2]
OmtxR, roiR = cv2.getOptimalNewCameraMatrix(mtxR, distR,(wR, hR), 1, (wR, hR))#   左侧相机单独标定
retL, mtxL, distL, rvecsL, tvecsL = cv2.calibrateCamera(objpoints,imgpointsL,ChessImaL.shape[::-1], None, None)#   获取新的相机矩阵后续传递给initUndistortRectifyMap，以用remap生成映射关系
hL, wL = ChessImaL.shape[:2]
OmtxL, roiL = cv2.getOptimalNewCameraMatrix(mtxL, distL, (wL, hL), 1, (wL, hL))# 双目相机的标定
# 设置标志位为cv2.CALIB_FIX_INTRINSIC，这样就会固定输入的cameraMatrix和distCoeffs不变，只求解𝑅,𝑇,𝐸,𝐹
flags = 0
flags |= cv2.CALIB_FIX_INTRINSICretS, MLS, dLS, MRS, dRS, R, T, E, F = cv2.stereoCalibrate(objpoints,imgpointsL,imgpointsR,OmtxL,distL,OmtxR,distR,ChessImaR.shape[::-1], criteria_stereo,flags)# 利用stereoRectify()计算立体校正的映射矩阵
rectify_scale= 1 # 设置为0的话，对图片进行剪裁，设置为1则保留所有原图像像素
RL, RR, PL, PR, Q, roiL, roiR= cv2.stereoRectify(MLS, dLS, MRS, dRS,ChessImaR.shape[::-1], R, T,rectify_scale,(0,0))  
# 利用initUndistortRectifyMap函数计算畸变矫正和立体校正的映射变换，实现极线对齐。
Left_Stereo_Map= cv2.initUndistortRectifyMap(MLS, dLS, RL, PL,ChessImaR.shape[::-1], cv2.CV_16SC2)   Right_Stereo_Map= cv2.initUndistortRectifyMap(MRS, dRS, RR, PR,ChessImaR.shape[::-1], cv2.CV_16SC2)#立体校正效果显示
for i in range(0,1):  # 以第一对图片为例t = str(i)frameR = cv2.imread('/home/song/pic/right_' + t + '.jpg', 0)  frameL = cv2.imread('/home/song/pic/left_' + t + '.jpg', 0) Left_rectified= cv2.remap(frameL,Left_Stereo_Map[0],Left_Stereo_Map[1], cv2.INTER_LANCZOS4, cv2.BORDER_CONSTANT, 0)  # 使用remap函数完成映射im_L=Image.fromarray(Left_rectified) # numpy 转 image类Right_rectified= cv2.remap(frameR,Right_Stereo_Map[0],Right_Stereo_Map[1], cv2.INTER_LANCZOS4, cv2.BORDER_CONSTANT, 0)im_R=Image.fromarray(Right_rectified) # numpy 转 image 类#创建一个能同时并排放下两张图片的区域，后把两张图片依次粘贴进去width = im_L.size[0]*2height = im_L.size[1]img_compare = Image.new('RGBA',(width, height))img_compare.paste(im_L,box=(0,0))img_compare.paste(im_R,box=(640,0))#在已经极线对齐的图片上均匀画线for i in range(1,20):len=480/20plt.axhline(y=i*len, color='r', linestyle='-')plt.imshow(img_compare)plt.show()

五，双目的具体应用

双目视觉是指通过两个摄像头（或相机）捕获的图像来模拟人类双眼视觉系统。它可以提供更多的深度信息和立体感，因此在许多领域都有具体的应用。

以下是一些双目视觉的具体应用：

1. 三维重建：通过双目摄像头捕获的图像，可以使用立体视觉算法来重建场景的三维结构。这对于计算机辅助设计、虚拟现实、增强现实等领域非常有用。

2. 物体检测与跟踪：双目视觉可以提供更多的深度信息，从而使得物体检测和跟踪更加准确和稳定。例如，在自动驾驶中，双目视觉可以用于检测和跟踪其他车辆、行人等。

3. 深度感知：通过双目视觉可以获取场景中物体的深度信息，从而可以进行深度感知和距离测量。这在机器人导航、室内定位、无人机避障等领域非常有用。

4. 姿态估计：双目视觉可以用于估计物体或人体的姿态和运动。例如，在人机交互中，双目视觉可以用于手势识别和追踪。

5. 立体匹配：通过双目视觉可以进行立体匹配，即将两个图像中对应的像素点进行匹配。这在计算机视觉中是一个重要的问题，可以用于图像配准、目标识别等。

6. 视觉SLAM：双目视觉可以与同步定位与地图构建（SLAM）算法结合使用，实现同时定位和地图构建。这在无人车、无人机等领域中非常重要。