自製棋盤格標定板單目相機標定

單目相機標定方法可以選用matlab，ros，opencv等。對於非專門標定人員，了解其基本原理就可是實踐了，不需深究細究其公式解法（至少還是要看的懂），畢竟這是一門工程活。本文分別使用 opencv 和 kalibr 對某款手機的相機進行標定。

官方教程如下：

create calibration pattern

create calibration patterndocs.opencv.org

2. camera calibration with square chessboard

camera calibration with square chessboarddocs.opencv.org

3. camera calibration with opencv

步驟4因為採用charuco pattern和影象資料篩選，效果會比步驟3好。若無準備紙張列印，可以將影象用顯示器顯示，使用卡尺等工具測量，再配置相應引數使用。使用相機拍攝然後（相關專家建議15~25有效幀），配置引數，然後執行程式，程式輸出結果如下（使用300幀，因為做資料對比時使用了乙個大值）。

<?xml version="1.0"?> "2023年02月26日星期三 12時35分20秒" 3001280 7208 62.5399999618530273e+01 1.615803 3d1.2485522379913739e+03 0. 640. 0. 1.2485522379913739e+03 360. 0. 0. 1.51 d5.0384590562845866e-01 -3.0376096576568092e+00 0. 0. 7.8728630374810207e+00 5.2319322556617598e-01

# 安裝mynteye sdk包 cd path/mynt-eye-s-sdk make ros # 編譯kalibr cd ros_ws git clone catkin make # 製作標定板 kalibr_create_target_pdf --type apriltag --nx 11 --ny 6 --tsize 0.08

# 生成bag kalibr_bagcreater --folder datasets/xiaomi/ --output-bag xiaomi.bag # 標定 kalibr_calibrate_cameras --bag xiaomi.bag --topics /cam0/image_raw --models pinhole-radtan --target config/april_6x6_3x3cm.yaml

camchain-xiaomi.yaml

cam0: cam_overlaps: camera_model: pinhole distortion_coeffs: [0.38360605866599407, -1.2390358225770555, -0.005105318309031128, 0.008904478919730792] distortion_model: radtan intrinsics: [1258.0634247624691, 1262.5744117703066, 679.407979810292, 356.56135804474275] resolution: [1280, 720] rostopic: /cam0/image_raw

results-cam-xiaomi.txt

processed 115 images with 31 images used
camera-system parameters:
cam0 (/cam0/image_raw):
type: distortion: [ 0.38360606 -1.23903582 -0.00510532  0.00890448] +- [ 0.00921869  0.06175648  0.00114031  0.00136888]
projection: [ 1258.06342476  1262.57441177   679.40797981   356.56135804] +- [ 1.71014401  0.93096679  2.90029945  2.57525038]
reprojection error: [-0.000014, -0.000000] +- [0.157424, 0.165574]

另一組資料

cam0:
cam_overlaps: 
camera_model: pinhole
distortion_coeffs: [0.3563290561077106, -1.3382736411516931, -6.800422558739942e-05,
0.012937904161103493]
distortion_model: radtan
intrinsics: [1190.2025644327568, 1190.4884127469832, 649.8036045156342, 367.41226082406587]
resolution: [1280, 720]
rostopic: /cam1/image_raw
calibration results 
********************
camera-system parameters:
cam0 (/cam1/image_raw):
type: distortion: [ 0.35632906 -1.33827364 -0.000068    0.0129379 ] +- [ 0.00691535  0.04395793  0.00067249  0.00074388]
projection: [ 1190.20256443  1190.48841275   649.80360452   367.41226082] +- [ 4.35593828  4.45693539  2.28717668  1.71501437]
reprojection error: [0.000002, -0.000001] +- [0.695613, 0.334193]

同一資料，採用不同的幀數或者不同的標定板，都會導致標定結果不一樣。因為相機引數標定的過程是非線性方程優化的過程，很難有穩定解。當然標定板的平整度和位置，與中覆蓋的範圍和光照條件都可以影響標定結果。所以標定有幾點小建議：

光照條件好

標定板平整

棋盤格盡量大

影象清晰度高（計算使用亞畫素）

拍攝角度小於45°（角度大對應的重投影誤差大，會影響角度小的）

影象呈現完整標定板

上述三次標定存在些許差異，但皆為可靠資料。根據小孔成像原理，很容易得知：當相機解析度擴大（縮小）一倍時，空間點xyz沒變，內參矩陣k擴大（縮小）原來的一倍；當相機橫豎變化時，空間點xyz沒變，原u->v，原v->u，內參矩陣需交換對應行。

自製棋盤格標定板 單目相機標定

單目相機標定

單目相機標定

相機標定之棋盤標定

相關推薦

自製棋盤格標定板單目相機標定