相机标定与3D重建技术通俗讲解-EW帮帮网

一、什么是相机标定？能解决什么问题？

相机标定是计算机视觉中的基础技术，简单来说，就是确定相机从3D世界拍摄到2D图像时的"转换规则"。具体解决两个核心问题：

相机内部属性：如焦距（决定图像缩放）、主点位置（图像中心偏移）
镜头畸变：真实镜头会导致图像变形，比如手机拍摄的广角照片边缘会出现桶形畸变

二、针孔相机模型：3D到2D的投影原理

想象相机是一个暗箱，光线通过小孔在底片上成像，这就是针孔模型的直观理解。数学上，这个过程通过两个矩阵完成：

内参矩阵（Camera Intrinsics）：相机的"固有属性"
- 形式： $\begin{bmatrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{bmatrix}$
- 含义： $f_x, f_y$ 是焦距（单位为像素）， $c_x, c_y$ 是主点坐标（理想情况下是图像中心）
外参矩阵（Camera Extrinsics）：相机的"位置与朝向"
- 由旋转矩阵 $R$ （3×3）和平移向量 $t$ （3×1）组成
- 作用：将3D世界坐标转换为相机坐标
投影过程：
- 3D点 $P_w$ →相机坐标 $P_c$ →图像像素点 $p$
- 公式： $\cdot p = A[R|t]P_w$ ，其中 $s$ 是缩放因子

三、镜头畸变：为什么照片会变形？

真实镜头存在多种畸变，OpenCV支持以下模型：

径向畸变：越靠近图像边缘变形越明显
- 桶形畸变（如鱼眼镜头）：线条向外弯曲
- 枕形畸变（如长焦镜头）：线条向内收缩
- 参数： $k_1, k_2, k_3, k_4, k_5, k_6$
切向畸变：镜头安装倾斜导致的变形
- 参数： $p_1, p_2$
薄棱镜畸变：更复杂的光学误差
- 参数： $s_1, s_2, s_3, s_4$

四、3D重建：从多张照片到立体模型

3D重建的核心逻辑：

单目相机：通过运动恢复结构（SfM），利用相机在不同位置拍摄的图像计算深度
双目相机：利用左右眼视差计算深度（类似人眼感知距离）
关键技术：
- 立体校正：让左右相机的光轴平行，便于计算视差
- 三角测量：通过同一物体在不同视角的投影计算3D坐标

五、Python实战：相机标定与图像校正

下面通过一个完整的Python示例，展示如何使用OpenCV进行相机标定和图像畸变校正：

import numpy as np
import cv2
import glob
import matplotlib.pyplot as plt

# 1. 准备标定数据：拍摄棋盘格多角度图像
# 假设已拍摄一组棋盘格图像并保存到calibration_images文件夹
images = glob.glob('calibration_images/*.jpg')

# 2. 定义棋盘格尺寸（内角点行列数）
pattern_size = (9, 6)  # 9列6行的内角点

# 3. 存储3D点（世界坐标，假设棋盘格在Z=0平面）
obj_points = []  # 3D点
img_points = []  # 2D图像点

# 创建3D点模板（棋盘格每个角点的世界坐标）
objp = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2)

# 4. 遍历图像，检测棋盘格角点
for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 检测棋盘格角点
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
    
    if ret:
        obj_points.append(objp)
        img_points.append(corners)
        
        # 绘制角点并显示（可选）
        cv2.drawChessboardCorners(img, pattern_size, corners, ret)
        cv2.imshow('Corners Detected', img)
        cv2.waitKey(500)

cv2.destroyAllWindows()

# 5. 执行相机标定
img_size = (gray.shape[1], gray.shape[0])
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    obj_points, img_points, img_size, None, None)

# 6. 打印标定结果
print("内参矩阵:\n", mtx)
print("畸变参数:\n", dist)

# 7. 畸变校正：读取一张图像进行验证
img = cv2.imread(images[0])
h, w = img.shape[:2]

# 获取校正映射
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(
    mtx, dist, (w, h), 1, (w, h))
mapx, mapy = cv2.initUndistortRectifyMap(
    mtx, dist, None, newcameramtx, (w, h), 5)

# 应用映射进行校正
dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)

# 裁剪校正后的图像（去除黑边）
x, y, w, h = roi
dst = dst[y:y+h, x:x+w]

# 8. 显示原始图像与校正后图像对比
plt.figure(figsize=(12, 6))
plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('原始图像'), plt.axis('off')
plt.subplot(122), plt.imshow(cv2.cvtColor(dst, cv2.COLOR_BGR2RGB))
plt.title('校正后图像'), plt.axis('off')
plt.tight_layout()
plt.show()

# 9. 保存标定结果（便于后续使用）
np.savez('camera_calibration.npz', mtx=mtx, dist=dist)

六、代码解析：标定流程拆解

数据准备：拍摄至少10张不同角度的棋盘格图像，越多越准确
角点检测：findChessboardCorners函数自动识别棋盘格内角点
相机标定：calibrateCamera函数计算内参与畸变参数
- 内参矩阵包含焦距和主点
- 畸变参数包含径向和切向畸变系数
图像校正：
- getOptimalNewCameraMatrix计算最优校正矩阵
- initUndistortRectifyMap生成映射表
- remap应用映射完成图像校正

七、扩展应用：双目相机立体视觉

如果需要3D重建，可以扩展到双目相机标定：

# 双目相机标定示例（简化流程）
ret, mtx1, dist1, mtx2, dist2, R, T, E, F = cv2.stereoCalibrate(
    obj_points, img_points1, img_points2, mtx1, dist1, mtx2, dist2, img_size)

# 立体校正
R1, R2, P1, P2, Q, roi1, roi2 = cv2.stereoRectify(
    mtx1, dist1, mtx2, dist2, img_size, R, T, flags=cv2.CALIB_ZERO_DISPARITY)

# 生成校正映射
mapx1, mapy1 = cv2.initUndistortRectifyMap(mtx1, dist1, R1, P1, img_size, 5)
mapx2, mapy2 = cv2.initUndistortRectifyMap(mtx2, dist2, R2, P2, img_size, 5)

八、常见问题与注意事项

标定精度：
- 棋盘格尺寸应已知（如每个格子30mm×30mm）
- 图像应覆盖相机的全视野范围
- 拍摄角度应多样化（包括倾斜、远近）
畸变校正效果：
- 校正后图像边缘可能出现黑边，需裁剪（代码中已处理）
- 鱼眼镜头需使用专门的fisheye模块
3D重建基础：
- 单目重建存在尺度不确定性（需额外信息）
- 双目重建精度取决于基线长度（两相机距离越远，深度越准确）

通过上述技术，相机标定为计算机视觉应用奠定了基础，从自动驾驶的环境感知到AR游戏的虚实融合，再到工业质检的尺寸测量，都离不开精准的相机标定技术。OpenCV的calib3d模块主要用于相机标定和三维重建，是计算机视觉中处理3D空间与2D图像映射关系的核心工具。这个模块提供了从基础几何变换到复杂场景重建的一系列功能。

核心概念

相机标定
相机标定是确定相机内部参数（如焦距、主点）和外部参数（位置、姿态）的过程。真实世界中的3D点通过相机投影到2D图像上时会产生畸变（如径向畸变、切向畸变），标定可以校正这些畸变。
坐标系统
- 世界坐标系：真实世界中的3D坐标。
- 相机坐标系：以相机为原点的3D坐标。
- 图像坐标系：2D像素坐标。
基础矩阵（Fundamental Matrix）与本质矩阵（Essential Matrix）
- 本质矩阵（E）：描述两个相机坐标系之间的关系，包含旋转和平移信息。
- 基础矩阵（F）：描述两个图像平面上点的对应关系，是本质矩阵的扩展，包含相机内参。

关键函数

相机标定
- cv2.findChessboardCorners()：检测棋盘格角点。
- cv2.calibrateCamera()：计算相机内参和畸变系数。
- cv2.undistort()：校正图像畸变。
立体视觉
- cv2.stereoCalibrate()：双目相机联合标定。
- cv2.stereoRectify()：计算校正变换矩阵。
- cv2.StereoBM_create()/cv2.StereoSGBM_create()：计算视差图。
姿态估计
- cv2.solvePnP()：已知3D点和对应2D点，求解相机位姿。
- cv2.findEssentialMat()/cv2.findFundamentalMat()：计算本质矩阵和基础矩阵。

Python示例：相机标定与畸变校正

下面是一个使用棋盘格进行相机标定的完整示例：

import cv2
import numpy as np
import glob

# 设置棋盘格参数
pattern_size = (9, 6)  # 棋盘格内角点数（横向和纵向）
square_size = 25.0     # 棋盘格方块的实际尺寸（毫米）

# 准备对象点，如 (0,0,0), (1,0,0), (2,0,0) ..., (8,5,0)
objp = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) * square_size

# 存储对象点和图像点的数组
objpoints = []  # 3D点（世界坐标系）
imgpoints = []  # 2D点（图像平面）

# 获取所有棋盘格图像
images = glob.glob('calibration_images/*.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, pattern_size, None)

    # 如果找到，添加对象点和图像点
    if ret:
        objpoints.append(objp)
        
        # 亚像素级角点检测，提高精度
        corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1),
                                   (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001))
        imgpoints.append(corners2)

        # 绘制并显示角点
        cv2.drawChessboardCorners(img, pattern_size, corners2, ret)
        cv2.imshow('img', img)
        cv2.waitKey(500)

cv2.destroyAllWindows()

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

# 打印标定结果
print("相机内参矩阵:")
print(mtx)
print("\n畸变系数:")
print(dist)

# 畸变校正示例
img = cv2.imread('calibration_images/left01.jpg')
h, w = img.shape[:2]
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))

# 方法1：使用initUndistortRectifyMap和remap
mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, np.eye(3), newcameramtx, (w, h), 5)
dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)

# 方法2：直接使用undistort
dst2 = cv2.undistort(img, mtx, dist, None, newcameramtx)

# 裁剪图像
x, y, w, h = roi
dst = dst[y:y+h, x:x+w]

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Undistorted', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 计算重投影误差（评估标定质量）
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 += error
print(f"\n总重投影误差: {mean_error/len(objpoints)}")

示例：双目相机立体匹配

下面是一个计算视差图的示例：

import cv2
import numpy as np

# 读取双目相机图像
imgL = cv2.imread('left_image.jpg', 0)
imgR = cv2.imread('right_image.jpg', 0)

# 初始化立体匹配器（StereoBM）
stereo = cv2.StereoBM_create(numDisparities=16, blockSize=15)

# 计算视差图
disparity = stereo.compute(imgL, imgR)

# 归一化视差图以便显示
disparity_normalized = cv2.normalize(disparity, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U)

# 显示结果
cv2.imshow('Left Image', imgL)
cv2.imshow('Right Image', imgR)
cv2.imshow('Disparity Map', disparity_normalized)
cv2.waitKey(0)
cv2.destroyAllWindows()

应用场景

机器人导航：通过立体视觉计算深度信息。
增强现实（AR）：将虚拟物体准确叠加到真实场景中。
3D建模：从多角度图像重建物体的三维模型。
自动驾驶：检测障碍物和估计距离。

通过掌握calib3d模块，你可以解决计算机视觉中许多与3D空间相关的复杂问题。

相机标定与3D重建技术通俗讲解