本文共 6497 字，大约阅读时间需要 21 分钟。

1 针孔相机模型

   针孔相机模型在《视觉SLAM十四讲》中有详细介绍，我在这里不打算再赘述，这里只介绍其中最关键的一张图：

X、Y、Z三轴分别指向相机右侧、下侧和沿着光轴指向正前方

   尤其需要注意的是，ORB-SLAM2中的相机坐标也是按照图1给出的，相机校正过程中计算得到的内参矩阵也是在这一坐标系下得出的。

2 张正友标定法

   在SLAM领域，绝大部分情况下都是用的张正友标定法来做相机标定。“张正友标定”是指张正友教授1998年提出的单平面棋盘格的摄像机标定方法。文中提出的方法介于传统标定法和自标定法之间，但克服了传统标定法需要的高精度标定物的缺点，而仅需使用一个打印出来的棋盘格就可以。同时也相对于自标定而言，提高了精度，便于操作。因此张氏标定法被广泛应用于计算机视觉方面。

   文章引用如下：

   网上有很多实现张正友标定法的公开代码，这里选用其中用C++实现的一种，实测可以使用。记录如下：

#include "opencv2/core/core.hpp"#include "opencv2/imgproc/imgproc.hpp"#include "opencv2/calib3d/calib3d.hpp"#include "opencv2/highgui/highgui.hpp"#include 
   
    #include 
    
     using namespace cv;using namespace std;void main(){
    ifstream fin("calibration_MI9_image.txt"); /* 标定所用图像文件的路径 */ ofstream fout("calibration_MI9_result.txt");  /* 保存标定结果的文件 */ //读取每一幅图像，从中提取出角点，然后对角点进行亚像素精确化  cout << "开始提取角点………………"<
     
       image_points_buf;  /* 缓存每幅图像上检测到的角点 */ vector
      
       
        > image_points_seq; /* 保存检测到的所有角点 */ string filename; //int count = -1;//用于存储角点个数。 while (getline(fin, filename))  {
     image_count++;  // 用于观察检验输出  cout << "image_count = " << image_count << ", and image_name = " << filename << endl;  /* 输出检验*/  //cout << "-->count = " << count << endl;  Mat imageInput = imread(filename);  if (image_count == 1)  //读入第一张图片时获取图像宽高信息  {
      image_size.width = imageInput.cols;   image_size.height = imageInput.rows;   cout << "image_size.width = " << image_size.width << endl;   cout << "image_size.height = " << image_size.height << endl;  }  /* 提取角点 */  if (0 == findChessboardCorners(imageInput, board_size, image_points_buf))  {
      cout << "can not find chessboard corners!\n"; //找不到角点   exit(1);  }  else  {
      Mat view_gray;   cvtColor(imageInput, view_gray, CV_RGB2GRAY);   /* 亚像素精确化 */   find4QuadCornerSubpix(view_gray, image_points_buf, Size(5, 5)); //对粗提取的角点进行精确化   image_points_seq.push_back(image_points_buf);  //保存亚像素角点   /* 在图像上显示角点位置 */   drawChessboardCorners(view_gray, board_size, image_points_buf, true); //用于在图片中标记角点   imshow("Camera Calibration", view_gray);//显示图片   waitKey(500);//暂停0.5S    } } int total = image_points_seq.size(); cout << "total = " << total << endl; int CornerNum = board_size.width*board_size.height;  //每张图片上总的角点数 for (int ii = 0; ii
        
          第 " << j << "图片的数据 --> : " << endl; } if (0 == ii % 3) // 此判断语句，格式化输出，便于控制台查看 { cout << endl; } else { cout.width(10); } //输出所有的角点 cout << " -->" << image_points_seq[ii][0].x; cout << " -->" << image_points_seq[ii][0].y; } cout << "角点提取完成！\n"; //以下是摄像机标定 cout << "开始标定………………"; /*棋盘三维信息*/ Size square_size = Size(10, 10); /* 实际测量得到的标定板上每个棋盘格的大小 */ vector
         
          
           > object_points; /* 保存标定板上角点的三维坐标 */ /*内外参数*/ Mat cameraMatrix = Mat(3, 3, CV_32FC1, Scalar::all(0)); /* 摄像机内参数矩阵 */ vector
           
             point_counts; // 每幅图像中角点的数量 Mat distCoeffs = Mat(1, 5, CV_32FC1, Scalar::all(0)); /* 摄像机的5个畸变系数：k1,k2,p1,p2,k3 */ vector
            
              tvecsMat; /* 每幅图像的旋转向量 */ vector
             
               rvecsMat; /* 每幅图像的平移向量 */ /* 初始化标定板上角点的三维坐标 */ int i, j, t; for (t = 0; t
              
                tempPointSet; for (i = 0; i
               
                 image_points2; /* 保存重新计算得到的投影点 */ cout << "\t每幅图像的标定误差：\n"; fout << "每幅图像的标定误差：\n"; for (i = 0; i
                
                  tempPointSet = object_points[i]; /* 通过得到的摄像机内外参数，对空间的三维点进行重新投影计算，得到新的投影点 */ projectPoints(tempPointSet, rvecsMat[i], tvecsMat[i], cameraMatrix, distCoeffs, image_points2); /* 计算新的投影点和旧的投影点之间的误差*/ vector
                 
                   tempImagePoint = image_points_seq[i]; Mat tempImagePointMat = Mat(1, tempImagePoint.size(), CV_32FC2); Mat image_points2Mat = Mat(1, image_points2.size(), CV_32FC2); for (int j = 0; j < tempImagePoint.size(); j++) { image_points2Mat.at
                  
                   (0, j) = Vec2f(image_points2[j].x, image_points2[j].y); tempImagePointMat.at
                   
                    (0, j) = Vec2f(tempImagePoint[j].x, tempImagePoint[j].y); } err = norm(image_points2Mat, tempImagePointMat, NORM_L2); total_err += err /= point_counts[i]; std::cout << "第" << i + 1 << "幅图像的平均误差：" << err << "像素" << endl; fout << "第" << i + 1 << "幅图像的平均误差：" << err << "像素" << endl; } std::cout << "总体平均误差：" << total_err / image_count << "像素" << endl; fout << "总体平均误差：" << total_err / image_count << "像素" << endl << endl; std::cout << "评价完成！" << endl; //保存定标结果 std::cout << "开始保存定标结果………………" << endl; Mat rotation_matrix = Mat(3, 3, CV_32FC1, Scalar::all(0)); /* 保存每幅图像的旋转矩阵 */ fout << "相机内参数矩阵：" << endl; fout << cameraMatrix << endl << endl; fout << "畸变系数：\n"; fout << distCoeffs << endl << endl << endl; for (int i = 0; i
                   
                  
                 
                
               
              
             
            
           
          
         
        
       
      
     
    
   

   注意，上述代码中一般来说有3处需要根据自己的情况修改：

   1-main函数开头的一句话：

ifstream fin("calibration_MI9_image.txt"); /* 标定所用图像文件的路径 */

   中的calibration_MI9_image.txt是将拍摄黑白格得到的图像名按行排列在一个txt文件中，该文件名以及文件的内容都需要根据自己的实际内容修改。

   2-main函数开头的一句话：

ofstream fout("calibration_MI9_result.txt");  /* 保存标定结果的文件 */

   中的calibration_MI9_result.txt是相机校正的结果所存放在的一个txt文件中，该文件名需要根据自己的实际内容修改，文件内容由代码产生，无需用户处理。

   3-main函数开头的一句话：

Size board_size = Size(4, 6);    /* 标定板上每行、列的角点数 */     // 注意！这里得参数因图像而异

   其中的4和6分别是打印的黑白格点图中横竖角点的数目。例如在图2中，横竖角点的数目分别是4和6（只有两块黑色方格对角分布构成的才算角点），因此图2中一共有24个角点：

3 VS2013下配置openCV

   由于选用的相机标定代码是C++写的，因此选择在Windows系统下配置VS2013和openCV。关于Windows系统下配置VS2013和openCV的资料和博客网上非常多，就不再赘述了，这里就只记录几点我在配环境时踩过的坑。

   1-在往系统中添加环境变量时记得把64位和32位的都添加进去；

4 标定过程与结果

   首先，从不同角度拍摄黑白格点图，并依次命名，如图3所示：

   最后，得到相机的内参后，将其带入SLAM的配置文件，就可以进行后续的工作了。

5 经验总结与注意事项

   相机标定的过程虽然简单（事实上确实很简单，别人把代码都给出来了），但是我也是踩了不少坑（事实上我经常踩坑，就相机标定这个事儿也是别人5分钟我要弄上个两天才好）。因此在这里把遇到的一些坑和解决方案记录下来。

   1-VS2013下配置openCV时，一定要注意在配置“属性-链接器-输入-附加依赖项”时，debug版本的lib和release版本的lib不能交叉添加；

转载地址：http://yqclf.baihongyu.com/