嘿，亲！知识可是无价之宝呢，但咱这精心整理的资料也耗费了不少心血呀。小小地破费一下，绝对物超所值哦！如有下载和支付问题，请联系我们QQ(微信同号)：813200300
本次赞助数额为： 2 元微信扫码支付：2 元
请留下您的邮箱，我们将在2小时内将文件发到您的邮箱
双目相机标定.py
import numpy as np
import cv2
import glob
# 终止标定
criteria = (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
# 准备标定点，例如 (0,0,0), (1,0,0), (2,0,0) ....,(6,5,0)
objp = np.zeros((6 * 8, 3), np.float32)
objp[:, :2] = np.mgrid[0:6, 0:8].T.reshape(-1, 2)
# 存储所有图像中的对象点和图像点的数组
objpoints = [] # 3d 现实空间中的点
imgpoints_l = [] # 2d 存储左侧相机2D点
imgpoints_r = [] # 2d 存储右侧相机2D点
images_l = glob.glob(r'camL/*.bmp')
for fname in images_l:
img = cv2.imread(fname)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 到圆点
ret, corners = cv2.findChessboardCorners(gray, (6, 8), None)
# 如果找到，添加对象点、图像点（在优化它们之后）
if ret == True:
objpoints.append(objp)
#图像平面中的点检测
corners2 = cv2.cornerSubPix(gray, corners, (24, 24), (-1, -1), criteria)
imgpoints_l.append(corners2)
# 绘制和显示角点
img = cv2.drawChessboardCorners(img, (6, 8), corners2, ret)
cv2.imshow('img', img)
cv2.waitKey(100)
cv2.destroyAllWindows()
ret_l, mtx_l, dist_l, rvecs_l, tvecs_l = cv2.calibrateCamera(objpoints, imgpoints_l, gray.shape[::-1], None, None)
mean_error = 0 # 平均误差
for i in range(len(objpoints)): # 遍历每一个世界坐标
image_position2, _ = cv2.projectPoints(objpoints[i], rvecs_l[i], tvecs_l[i], mtx_l, dist_l)
error = cv2.norm(imgpoints_l[i], image_position2, cv2.NORM_L2) / len(image_position2)
mean_error = error # 现在计算的是总的偏差
print("-------------------左摄像头标定数据-----------------------")
print('ret:', ret_l)
print('mtx:\n', mtx_l) # 内参数矩阵
print('dist:\n', dist_l) # 畸变系数 distortion cofficients = (k_1,k_2,p_1,p_2,k_3)
print('rvecs:\n', rvecs_l) # 旋转向量 # 外参数
print('tvecs:\n', tvecs_l) # 平移向量 # 外参数
print("total error: ", mean_error / len(imgpoints_l))#暂时不用显示出来
print("--------------------------------------------—-----------")
objpoints = [] # 3d 现实空间中的点
images_r = glob.glob(r'camR/*.bmp')
for fname in images_r:
img = cv2.imread(fname)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 找到圆点
ret, corners = cv2.findChessboardCorners(gray, (6, 8), None)
# 如果找到，添加对象点、图像点（在优化它们之后）
if ret == True:
objpoints.append(objp)
corners2 = cv2.cornerSubPix(gray, corners, (24, 24), (-1, -1), criteria)
imgpoints_r.append(corners2)
# 绘制并且显示角点
img = cv2.drawChessboardCorners(img, (6, 8), corners2, ret)
cv2.imshow('img', img)
cv2.waitKey(100)
cv2.destroyAllWindows()
ret_r, mtx_r, dist_r, rvecs_r, tvecs_r = cv2.calibrateCamera(objpoints, imgpoints_r, gray.shape[::-1], None, None)
#计算重投影误差
mean_error = 0 # 平均误差
for i in range(len(objpoints)): # 遍历每一个世界坐标
image_position2, _ = cv2.projectPoints(objpoints[i], rvecs_r[i], tvecs_r[i], mtx_r, dist_r)
error = cv2.norm(imgpoints_r[i], image_position2, cv2.NORM_L2) / len(image_position2)
mean_error = error # 现在计算的是总的偏差
print("-------------------右摄像头标定数据-----------------------")
print('ret:', ret_r)
print('mtx:\n', mtx_r) # 内参数矩阵
print('dist:\n', dist_r) # 畸变系数 distortion cofficients = (k_1,k_2,p_1,p_2,k_3)
print('rvecs:\n', rvecs_r) # 旋转向量 # 外参数
print('tvecs:\n', tvecs_r) # 平移向量 # 外参数
print("total error: ", mean_error / len(imgpoints_r))#暂时不用显示出来
print("--------------------------------------------—-----------")
'''
双目标定
'''
# 双目立体矫正及左右相机内参进一步修正
rms, C1, dist1, C2, dist2, R, T, E, F = cv2.stereoCalibrate(objpoints, imgpoints_l, imgpoints_r, mtx_l, dist_l, mtx_r,
dist_r, gray.shape[::-1],
flags=cv2.CALIB_USE_INTRINSIC_GUESS)
print("--------------------------摄像头参数-------------------------")
# print('rms:', rms)
print('cameraMatrix1:', C1) # 输入/输出型的第一个摄像机的相机矩阵
print('distCoeffs1:', dist1) # 第一个摄像机的输入/输出型畸变向量。根据矫正模型的不同，输出向量长度由标志决定
print('cameraMatrix2', C2) # 输入/输出型的第二个摄像机的相机矩阵。
print('distCoeffs2', dist2) # 第二个摄像机的输入/输出型畸变向量。根据矫正模型的不同，输出向量长度由标志决定
print('R', R) # 第一和第二个摄像机之间的旋转矩阵
print('T', T) # 第一和第二个摄像机之间的平移矩阵
print('E', T) # 本质矩阵，其物理意义是左右图像坐标系相互转换的矩阵，描述的是同一空间点投影在左右摄像机图像平面上对应点之间的关系，单位为mm
print('F', F) # 基础矩阵，同一物理点在左右摄像机图像平面上投影在像素坐标系下的关系：
print("-----------------------------------------------------------")