本文關鍵詞：標定，由筆耕文化傳播整理發(fā)布。

嘗試用OpenCV來實現(xiàn)立體視覺也有一段時間了，主要的參考資料就是Learning OpenCV十一、十二章和OpenCV論壇上一些前輩的討論。過程中磕磕碰碰，走了不少彎路，終于在前不久解決了最頭大的問題，把整個標定、校準、匹配的流程調(diào)試成功。(雖然還有一些問題至今尚未搞清)

在這里寫這篇文章，第一方面是給自己一個總結，第二方面是感覺OpenCV立體視覺方面的資料還是相當零散和不完整，新手入門需要花很長時間才能摸索出來，第三方面，也是自己在過程中有些問題仍舊迷迷糊糊，希望可以拋磚引玉。

 

1. 攝像頭

我用的攝像頭是淘寶上買的三維攝像頭，兩個USB Camera加一個可調(diào)節(jié)的支架。實物照片如下

1.1 三維攝像頭實物圖

 

 

雙USB攝像頭的OpenCV驅(qū)動可以參考以下鏈接

使用DirectShow采集圖像

將上面代碼復制到自己的工程之后還需要對工程或者編譯環(huán)境做一下設置

 

VC6下的詳盡設置可以見代碼的注釋(修改工程的屬性)

VS2008中的設置也可以參照代碼注釋中VC++2005的設置(修改編譯環(huán)境)

 

 

2. 標定

由于OpenCV中cvStereoCalibrate總是會得到很夸張的結果(見下文5.1問題描述)，所以最后還是決定用Bouguet的Matlab標定工具箱立體標定，再將標定的結果讀入OpenCV，來進行后續(xù)圖像校準和匹配。

Matlab標定工具箱的參考鏈接如下：

上面有詳細的使用步驟，用起來相當?shù)姆奖恪?/p>

 

以下是我個人用Matlab工具箱進行立體標定的步驟，供參考，如果需要更詳細步驟的話還是參照上面的鏈接

 

 

把Matlab工具箱的文件copy到對應目錄下，把所要標定的棋盤圖也放到.m文件所在的目錄下，然后在Matlab命令行窗口中打入calib_gui，選擇Standard之后便出現(xiàn)以下窗口

2.1. calilb_gui面板

 

我們先對右攝像頭的標定，所以先把從右攝像頭上采集到的棋盤圖復制到工具箱目錄下。

點擊Image names, 命令行窗口會提示你輸入圖片的basename以及圖片的格式(比如你圖片文件名是right1, right2, …, right10，basename就是right)，然后Matlab會自動幫你讀入這些圖片，如下圖所示，可以看到，讀入了10幅右攝像頭的棋盤圖。

 

采集棋盤圖的時候要注意，盡量讓棋盤占據(jù)盡可能多的畫面，這樣可以得到更多有關攝像頭畸變方面的信息

 

2.2. 圖像basename讀入

 

2.3. 讀入的棋盤圖

 

 

 

 

然后再回到主控制界面，點擊Extract grid corners，提取每幅圖的角點

2.4. calib_gui面板

 

 

 

點擊完后，命令行會出現(xiàn)如下提示，主要是讓你輸入棋盤角點搜索窗口的大小。窗口定的大一點的話提取角點會比較方便點（即便點得偏離了也能找到），但也要注意不能大過一個方格的大小。剩下的兩個選項，只要回車選用默認設置就可以了

 

2.5. 選擇窗口大小

 

 

然后就開始了角點的提取工作，按一定順序分別提取棋盤的最邊上的角點，程序會自動幫你找到所有對應的角點

2.6. 提取角點

 

2.7. 提取角點2

 

 

 

在提取第一幅圖的時候命令行窗口可能會提示你輸入方格大小，這里輸入你方格的實際大小就行，比如我方格是27mm，就輸入27。這步事實上相當關鍵，它定義了空間的尺度，如果要對物體進行測量的話，這步是必須的。

 

按相同的方法提取完10幅圖后，點擊Calibration，開始攝像頭標定

 

 

2.8. calib_gui面板

 

 

經(jīng)過多次迭代后，程序會最終得到攝像頭的內(nèi)外參數(shù)，如下圖所示(圖中符號由于字體關系沒有完全顯示，中間的問號是表示誤差的加減號)

 

2.9. Calibration迭代過程及結果

 

 

可以通過面板上的Show Extrinsic查看一下標定結果，可以驗證一下標定外參數(shù)的結果

2.10. 外部參數(shù)圖示

 

 

 

驗證標定結果無誤之后，就點擊面板上的Save按鈕，程序會把標定結果放在一個叫Calib_Result.mat中，為了方便后續(xù)立體標定，把這個文件名改為Calib_Result_right.mat。

 

左攝像頭標定的方法與右攝像頭相同，生成的Calib_Result.mat之后，將其改名為Calib_Result_left.mat就可以了

 

左右攝像頭都標定完成之后，就可以開始立體標定了。

 

 

在Matlab命令行中鍵入stereo_gui啟動立體標定面板，如下圖所示

2.11. stereo_gui面板

 

 

點擊Load left and right calibration files并在命令行中選擇默認的文件名(Calib_Result_left.mat和Calib_Result_right.mat)之后就可以開始Run stereo calibration了，run之后的結果如下圖所示，左右攝像頭的參數(shù)都做了修正，并且也求出了兩個攝像頭之間的旋轉(zhuǎn)和平移關系向量(om和T)

 

2.12. 立體標定結果

 

 

在面板上點擊Show Extrinsics of stereo rig，可以看到如下圖所示的雙攝像頭關系圖，可以看到，兩個攝像頭基本是前向平行的

2.13. 雙攝像頭與定標棋盤間的位置關系

 

 

得到了立體標定參數(shù)之后，就可以把參數(shù)放入xml文件，然后用cvLoad讀入OpenCV了。具體的方法可以參照Learning OpenCV第11章的例子，上面就是用cvSave保存標定結果，然后再用cvLoad把之前的標定結果讀入矩陣的

2.14. xml文件示例

 

 

這里需要注意的是Matlab標定結果中的om向量，這個向量是旋轉(zhuǎn)矩陣通過Rodrigues變換之后得出的結果，如果要在cvStereoRectify中使用的話，需要首先將這個向量用cvRodrigues轉(zhuǎn)換成旋轉(zhuǎn)矩陣。關于Rodrigues變換，Learning OpenCV的第11章也有說明。

 

2.15. 旋轉(zhuǎn)矩陣的Rodrigues形式表示

 

 

 

 

 

 

3. 立體校準和匹配

有了標定參數(shù)，校準的過程就很簡單了。

我使用的是OpenCV中的cvStereoRectify，得出校準參數(shù)之后用cvRemap來校準輸入的左右圖像。這部分的代碼參考的是Learning OpenCV 十二章的例子。

 

校準之后，就可以立體匹配了。立體匹配OpenCV里面有兩種方法，一種是Block Matching，一種是Graph Cut。Block Matching用的是SAD方法，速度比較快，但效果一般。Graph Cut可以參考Kolmogrov03的那篇博士論文，效果不錯，但是運行速度實在是慢到不能忍。所以還是選擇BM。

 

以下是我用BM進行立體匹配的參數(shù)設置

 

[cpp:nogutter] 

 

 

其中minDisparity這個參數(shù)我設置為0是由于我的兩個攝像頭是前向平行放置，相同的物體在左圖中一定比在右圖中偏右，如下圖3.1所示。所以沒有必要設置回搜的參數(shù)。

如果為了追求更大的雙目重合區(qū)域而將兩個攝像頭向內(nèi)偏轉(zhuǎn)的話，這個參數(shù)是需要考慮的。

 

3.1. 校正后的左右視圖

 

 

另外需要提的參數(shù)是uniquenessRatio，實驗下來，我感覺這個參數(shù)對于最后的匹配結果是有很大的影響。uniquenessRatio主要可以防止誤匹配，其主要作用從下面三幅圖的disparity效果比對就可以看出。在立體匹配中，我們寧愿區(qū)域無法匹配，也不要誤匹配。如果有誤匹配的話，碰到障礙檢測這種應用，就會很麻煩。

 

3.2. UniquenessRatio為0時的匹配圖，可以看到大片的誤匹配區(qū)域

 

3.3. UniquenessRatio為10時的disparity map, 可以看到誤匹配被大量減少了, 但還是有噪點

 

3.4. UniquenessRatio為20時的disparity map, 可以看到誤匹配基本被去除了, 點云干凈了很多

 

 

 

關于cvFindStereoCorrespondenceBM這個函數(shù)的源代碼，曾經(jīng)做過比較詳細的研究，，過一段時間也會把之前寫的代碼注釋整理一下，發(fā)篇博文。

 

 

 

 

4. 實際距離的測量

在用cvFindStereoCorrespondenceBM得出disparity map之后，還需要通過cvReprojectImageTo3D這個函數(shù)將單通道Disparity Map轉(zhuǎn)換成三通道的實際坐標矩陣。

具體的數(shù)學原理可以參考下面這個公式(from chenyusiyuan ,實際深度的一些問題這篇博文中也有提到)

4.1 距離轉(zhuǎn)換公式

 

 

但是在實際操作過程中，用cvReprojectImageTo3D得到的數(shù)據(jù)并未如實際所想，生成深度矩陣所定義的世界坐標系我就一直沒弄清楚。這在下面的例子中會詳細說明，希望這方面的專家能幫忙解答一下：

 

圖4.2是測量時的實際場景圖，場景中主要測量的三個物體就是最前面的利樂包裝盒、中間的紙杯、和最遠的塑料瓶。

 

 

4.2. 實際場景中三個待測物體的位置

 

 

圖4.3是校準后的左右圖和匹配出來的disparity map，disparity窗口中是實際的點云，object窗口是給disparity map加了個閾值之后得到的二值圖，主要是為了分割前景和背景�？梢钥吹揭獪y的三個物體基本被正確地分割出來了

 

4.3. 雙目攝像頭得到的disparity map

 

圖4.4是在disparity窗口中選取一個點后然后在實際坐標矩陣中得到的對應三維信息，在這里，我在三個物體的點云上各選一個點來代表一個物體實際的坐標信息。(這里通過鼠標獲取一點坐標信息的方法參考的是opencv sample里的watershed.cpp)

 

4.4. 對應點的三維坐標

 

 

在這里可以看到，(265, 156)也就是利樂包裝盒的坐標是(13, 12, -157)，(137, 142)紙杯的坐標是(77, 30, -312)，(95, 115)塑料瓶的坐標是(144, 63, -482)。

補充一下：為了方便顯示，所以視差圖出來之后進行了一個0-255的normalize，所以value值的前一個是normalize之后點的灰度值，后一個是normalize之前點的實際視差圖。

由cvFindStereoCorrespondenceBM算法的源代碼：

 

dptr[y*dstep] = (short)(((ndisp - mind - 1 + mindisp)*256 + (d != 0 ? (p-n)*128/d : 0) + 15) >> 4);

其中

ndisp是ndisp = state->numberOfDisparities;

mindisp是mindisp = state->minDisparity;

mind就是sad得出的視差

實際視差大約是(64-mind-1)*256=1163, 基本是對的, 后面一項修正值在通常情況下可以忽略

 

 

 

目前我還是不是很清楚立體坐標系原點和尺度，但是從這三個點的z坐標可以大致看出這三個物體的距離差大概是1:2:3，基本與實際場景中物體的位置一致。因此，可以通過這種方法確定出物體的大致距離信息。

 

但是，如果就從攝像頭參數(shù)本身來測量距離的話，就不是很明白了，還求這方面的大牛解答。

 

5.  一些問題

5.1 關于StereoCalibrate

OpenCV自帶的cvStereoCalibrate感覺不怎么好用，用這個函數(shù)求出的內(nèi)參外參和旋轉(zhuǎn)平移矩陣進行校準，往往無法達到行對準，有時甚至會出現(xiàn)比較可怕的畸變。在看了piao的?f=1&t=4603帖子之后，也曾經(jīng)嘗試過現(xiàn)用cvCalibrateCamera2單獨標定(左右各20幅圖)，得出的結果基本和Matlab單獨標定的相同，然后再在cvStereoCalibrate中將參數(shù)設成CV_CALIB_USE_INTRINSIC_GUESS，用來細化內(nèi)參數(shù)和畸變參數(shù)，結果得出的標定結果就又走樣了。

不知道有誰在這方面有過成功經(jīng)驗的，可以出來分享一下。畢竟用Matlab工具箱還是麻煩了些。

 

 

5.2 Translation向量以及立體匹配得出的世界坐標系

Learning OpenCV中對于Translation和Rotation的圖示是這樣的

5.1. Learning OpenCV中的圖示

 

可是在實驗過程中發(fā)現(xiàn)，如果將Translation向量按尺度縮放，對于StereoRectify之后的左右視圖不會有變化，比如將T = [ -226.73817   -0.62302  8.93984 ] ，變成T = [ -22.673817   -0.062302  0.893984 ]，在OpenCV中顯示的結果不會有任何變化。而且我如果修改其中的一個參量的話，左右視圖發(fā)生的變化也不是圖5.1中所示的那種變化(比如把x縮小，那么視圖發(fā)生的變化不是往x軸方向的平移)。

 

因此又回到了老問題，這里這些坐標的尺度究竟是什么？通過ReprojectTo3D那個函數(shù)得到的三維坐標又是以哪個點為原點，那三個方向為x,y,z軸的？ 

 

補充: 對這個問題的解答來自于和maxwellsdemon的討論

他的解釋如下:rotation是兩者的旋轉(zhuǎn)角度的關系，但是你要把它矯正平行，也是需要translation matrix的。你可以設想，兩個看似已經(jīng)平行了的攝像頭，但是深度上放置的有差距，那么在矯正的時候會議translation matrix所對應的角度或者直線為基準，二者旋轉(zhuǎn)一個小角度，使得完全平行。

  本文關鍵詞：標定，由筆耕文化傳播整理發(fā)布。

本文編號：182047