opencv calibrateCamera 函数产生不好的结果

Question

我正在尝试让 opencv 相机校准工作，但无法让它输出有效数据。我有一个未校准的相机，我想要校准，但为了测试我的代码，我使用 Azure Kinect 相机(彩色相机)，因为 SDK 为其提供了正确的内在函数，我可以验证它们。我从稍微不同的角度收集了 30 个棋盘图像，我认为这应该足够了，并运行校准函数，但无论我传入什么标志，我得到的 fx 和 fy 值与正确的 fx 非常不同和fy，以及截然不同的失真系数。难道我做错了什么？我需要更多或更好的数据吗？

我正在使用的图像示例可以在这里找到:https://www.dropbox.com/sh/9pa94uedoe5mlxz/AABisSvgWwBT-bY65lfzp2N3a?dl=0

将它们保存在 c:\calibration_test 中以运行下面的代码。

#include <filesystem>
#include <iostream>

#include <opencv2/core.hpp>
#include <opencv2/calib3d/calib3d.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/imgcodecs.hpp>

using namespace std;

namespace fs = experimental::filesystem;

static bool extractCorners(cv::Mat colorImage, vector<cv::Point3f>& corners3d, vector<cv::Point2f>& corners)
{
  // Each square is 20x20mm
  const float kSquareSize = 0.020f;
  const cv::Size boardSize(7, 9);
  const cv::Point3f kCenterOffset((float)(boardSize.width - 1) * kSquareSize, (float)(boardSize.height - 1) * kSquareSize, 0.f);

  cv::Mat image;
  cv::cvtColor(colorImage, image, cv::COLOR_BGRA2GRAY);

  int chessBoardFlags = cv::CALIB_CB_ADAPTIVE_THRESH | cv::CALIB_CB_NORMALIZE_IMAGE;
  if (!cv::findChessboardCorners(image, boardSize, corners, chessBoardFlags))
  {
    return false;
  }

  cv::cornerSubPix(image, corners, cv::Size(11, 11), cv::Size(-1, -1),
    cv::TermCriteria(cv::TermCriteria::EPS + cv::TermCriteria::COUNT, 30, 0.1));

  // Construct the corners
  for (int i = 0; i < boardSize.height; ++i)
    for (int j = 0; j < boardSize.width; ++j)
      corners3d.push_back(cv::Point3f(j * kSquareSize, i * kSquareSize, 0) - kCenterOffset);

  return true;
}

int main()
{
  vector<cv::Mat> frames;
  for (const auto& p : fs::directory_iterator("c:\\calibration_test\\"))
  {
    frames.push_back(cv::imread(p.path().string()));
  }


  int numFrames = (int)frames.size();
  vector<vector<cv::Point2f>> corners(numFrames);
  vector<vector<cv::Point3f>> corners3d(numFrames);

  int framesWithCorners = 0;
  for (int i = 0; i < numFrames; ++i)
  {
    if (extractCorners(frames[i], corners3d[framesWithCorners], corners[framesWithCorners]))
    {
      ++framesWithCorners;
    }
  }

  numFrames = framesWithCorners;
  corners.resize(numFrames);
  corners3d.resize(numFrames);

  // Camera intrinsics come from the Azure Kinect API
  cv::Matx33d cameraMatrix(
    914.111755f, 0.f, 960.887390f,
    0.f, 913.880615f, 551.566528f,
    0.f, 0.f, 1.f);
  vector<float> distCoeffs = { 0.576340079f, -2.71203661f, 0.000563957903f, -0.000239689150f, 1.54344523f, 0.454746544f, -2.53860712f, 1.47272563f };

  cv::Size imageSize = frames[0].size();
  vector<cv::Point3d> rotations;
  vector<cv::Point3d> translations;
  int flags = cv::CALIB_USE_INTRINSIC_GUESS | cv::CALIB_FIX_PRINCIPAL_POINT | cv::CALIB_RATIONAL_MODEL;
  double result = cv::calibrateCamera(corners3d, corners, imageSize, cameraMatrix, distCoeffs, rotations, translations,
    flags);

  // After this call, cameraMatrix has different values for fx and fy, and WILDLY different distortion coefficients.

  cout << "fx: " << cameraMatrix(0, 0) << endl;
  cout << "fy: " << cameraMatrix(1, 1) << endl;
  cout << "cx: " << cameraMatrix(0, 2) << endl;
  cout << "cy: " << cameraMatrix(1, 2) << endl;
  for (size_t i = 0; i < distCoeffs.size(); ++i)
  {
    cout << "d" << i << ": " << distCoeffs[i] << endl;
  }

  return 0;
}

一些示例输出是:

fx: 913.143
fy: 917.965
cx: 960.887
cy: 551.567
d0: 0.327596
d1: -73.1837
d2: -0.00125972
d3: 0.002805
d4: -7.93086
d5: 0.295437
d6: -73.481
d7: -3.25043
d8: 0
d9: 0
d10: 0
d11: 0
d12: 0
d13: 0

知道我做错了什么吗？

额外问题:为什么我得到 14 个失真系数而不是 8 个？如果我放弃 CALIB_RATIONAL_MODEL，那么我只会得到 5 个(三个径向和两个切向)。

Answer 1

您需要从相机的整个视场拍摄图像，才能正确捕捉镜头畸变特征。您提供的图像仅显示棋盘在一个位置，略有角度。

理想情况下，棋盘图像应该均匀分布在图像平面的 x 和 y 轴上，一直到图像的边缘。确保板周围有足够的白边框始终可见，以保证检测的稳健性。

您还应该尝试捕捉棋盘离相机较近和较远的图像，而不仅仅是统一的距离。另一方面，您提供的不同角度看起来不错。

您可以在此答案中找到如何确保良好校准结果的详细指南:How to verify the correctness of calibration of a webcam?

将您的相机矩阵与来自 Azure Kinect API 的相机矩阵进行比较，它看起来并没有那么糟糕。原理点非常准确，焦距也在合理范围内。如果您使用我的提示和我提供的 SO 答案来提高输入的质量，结果应该会更加接近。通过距离来比较失真系数集并不能很好地工作，误差函数不是凸的，因此您可以有很多产生相对较好结果的局部最小值，但它们距离产生最佳结果的全局最小值还很远。如果这个解释对你来说有意义。

关于你的奖励问题:我只看到你返回的输出中填写了8个值，其余的是0，所以没有任何影响。我不确定输出是否与该函数不同。