基于OpenCV做“三维重建”（3）--相机参数矩阵
通过前面的相机标定，我们能够获得一些参数模型。但是这些相机的参数矩阵到底是什么意思？怎样才能够判断是否正确？误差都会来自哪里？这里就必须要通过具体实验来加深认识。采集带相机参数的图片具有一定难度，幸好我之前有着不错的积累—这里一共有两款数据集，一款来自《OpenCV计算机视觉编程攻略》第3版，家里面好像还有一款微单可以进行采集，这样我们可以进行交叉比对，看一看获得的参数是否符合实际情况：
既然是做实验，我想初步计划一下。首先是要明确我能够获得那些东西？然后是比较这些东西是否真的像书上说的那样符合实际？然后我会添加一些干扰，看一看在有错误数据的情况，这些东西如何变化？最后是一个小结。
数据集1
来自《OpenCV计算机视觉编程攻略》第3版
数据集2
来自家中“国民床单”
1、明确我能够获得那些东西？
通过前面的代码，我们大概是准备获得这样的东西：
<
?xml version
=
"1.0"
?
>
<opencv_storage
>
<Intrinsic type_id
=
"opencv-matrix"
>
<rows
>
3
<
/rows
>
<cols
>
3
<
/cols
>
<dt
>d
<
/dt
>
<data
>
1.
3589305122261344e
+
003
0.
5.
7505355544729957e
+
002
0.
1.
3565816672769690e
+
003
6.
0423226535731465e
+
002
0.
0.
1.
<
/data
>
<
/Intrinsic
>
<Distortion type_id
=
"opencv-matrix"
>
<rows
>
1
<
/rows
>
<cols
>
14
<
/cols
>
<dt
>d
<
/dt
>
<data
>
9.
5113243912423840e
+
001
1.
4262144540955842e
+
003
5.
2119492051277685e
-
003
2.
8847713358900241e
-
003
1.
2859720255043484e
+
002
9.
5182218776001392e
+
001
1.
4741397414456521e
+
003
6.
8332022963370434e
+
002
0.
0.
0.
0.
0.
0.
<
/data
>
<
/Distortion
>
<
/opencv_storage
>
从结果上看，我将获得这两个矩阵。前面那个是相机内参矩阵，后面那个是外参数。那么在一组图片中，内参肯定是不变的；后面外参肯定是变化的。但是这里也有很多疑问。
那么具体来看结果，
对于第一组图片来说，我们获得的结果为：
<
?xml version
=
"1.0"
?
>
<opencv_storage
>
<Intrinsic type_id
=
"opencv-matrix"
>
<rows
>
3
<
/rows
>
<cols
>
3
<
/cols
>
<dt
>d
<
/dt
>
<data
>
4.
0927176647992695e
+
002
0.
2.
3724719115090161e
+
002
0.
4.
0870629848642727e
+
002
1.
7128731207874495e
+
002
0.
0.
1.
<
/data
>
<
/Intrinsic
>
<Distortion type_id
=
"opencv-matrix"
>
<rows
>
1
<
/rows
>
<cols
>
14
<
/cols
>
<dt
>d
<
/dt
>
<data
>
1.
8631118716959048e
+
001
-
5.
0639175384902096e
+
001
-
5.
2453807582033300e
-
003
-
9.
2620440694993842e
-
003
5.
2367454865598742e
+000
1.
9002289932447418e
+
001
-
4.
8948501055979285e
+
001
-
6.
5115263545215851e
-
001
0.
0.
0.
0.
0.
0.
<
/data
>
<
/Distortion
>
<
/opencv_storage
>
<
?xml version
=
"1.0"
?
>
<opencv_storage
>
<Intrinsic type_id
=
"opencv-matrix"
>
<rows
>
3
<
/rows
>
<cols
>
3
<
/cols
>
<dt
>d
<
/dt
>
<data
>
3.
9136489375791234e
+
003
0.
2.
6879080836687035e
+
003
0.
3.
9811430968074164e
+
003
1.
9454067884808153e
+
003
0.
0.
1.
<
/data
>
<
/Intrinsic
>
<Distortion type_id
=
"opencv-matrix"
>
<rows
>
1
<
/rows
>
<cols
>
14
<
/cols
>
<dt
>d
<
/dt
>
<data
>
2.
5259392493942739e
-
002
-
3.
2418875955674309e
-
001
3.
6376246418718853e
-
004
3.
2526045276898190e
-
003
-
8.
1692713459156296e
-
002
2.
5694845194956913e
-
002
4.
7826938999253371e
-
001
-
1.
3315729771950511e
+000
0.
0.
0.
0.
0.
0.
<
/data
>
<
/Distortion
>
<
/opencv_storage
>
对于第二组图片来说：
2、这些东西是否真的像书上说的那样符合实际？
对于第一套图片来说，看它的内参矩阵：
<data
>
4.
0927176647992695e
+
002
0.
2.
3724719115090161e
+
002
0.
4.
0870629848642727e
+
002
1.
7128731207874495e
+
002
0.
0.
1.
<
/data
>
解析一下，fx = fy = 409 ；
U0=237 V0 = 171，这个是代码计算值。从实际情况上来看，
标准中间为 268,178，这个和237,171是比较符合的。
对于其它信息
这个焦距和我们计算出来的东西差距较大，如何比对？进一步研究，获得这个相机的参数：
可以获得，它的传感器尺寸为23.5mm X 15.7mm,那么像素宽度分别为0.0438（=23.5/536）和0.044,反过来算焦距为17.9，这个比较接近。
书中给出的资料肯定是自己选择过的，那么我们自己重新采集一套
图片来说，那么它的固有参数为：
获得的结果：
<data
>
3.
9136489375791234e
+
003
0.
2.
6879080836687035e
+
003
0.
3.
9811430968074164e
+
003
1.
9454067884808153e
+
003
0.
0.
1.
<
/data
>
翻译一下，fx = 3913.6 fy=3981.1 U0=2687.9 V0=1945.4
先看U V，
5456/2 = 2728 3632/2=1816，这样的话，差距在1.5%，这个差距看上去比较大，但是相对值比书中提供的数据要小。
而对于焦距来说，
像素宽度分别为0.00425（=
23.2
/5456）和0.0386
算出来焦距为16.64和16.88，这个和16的差距也是比较合适的。
3、添加一些干扰，容错性如何？
最好的方法，是在有固定相机的情况下，重新采集一套图片，这个对于读者来说，如果有兴趣，可以来做。
4、小结
通过比较，可以发现一下几个特点：
1、书本上采集的图片，其角度范围更为广泛。所以说书上的采集方法对于我们后面做实际采集有指导意义；
2、棋盘的大小和最后是否能够产生良好结果关系不大，所以一个合适大小的棋盘就可以；
此外：
3、特别是对于视野比较广的情况，应该优先想出高效解决方法。我认为视场越大，误差越大；
4、对于大照片的处理，本身就是一个比较复杂的问题：因为像素比较高，所以处理起来比较慢；而又不能通过压缩之类的方法进行预处理，所以会有比较多的问题。目前还有没有很好解决方法；
此外，你还必须考虑标定的过程中失败的情况；还必须考虑采用什么模式能够让标定的效果最好。
感谢阅读至此，希望有所帮助。
