0


自动驾驶环境感知——视觉传感器技术

文章目录

1. 摄像头的成像原理

视觉传感器:利用光学元件和成像装置获取外部环境图像信息的仪器。

通常视觉传感器,其主要功能是获取足够的机器视觉系统要处理的最原始图像,类似于人类的眼睛。
在这里插入图片描述

1.1 单目视觉传感器的硬件结构

    单目视觉的相机模组的组件包括了lens(镜头)、分色滤色片(IR cut)、感光元件等。在这里插入图片描述分色滤色片:对色光具有吸收、反射和透过作用的染有颜色的透明片。目前分色滤色片有两种分色方法:RGB原色分色法CMYK补色分色法
在这里插入图片描述感光元件,其表面包含有几十万到几百万的光电二极管。光电二极管受到光照射时,就会产生电荷。感光元件一般包括CCD和CMOS两种。像素值一般为(0-255),电路噪声导致像素值失真.

1.2 单目视觉的成像原理 –小孔成像模型

在这里插入图片描述

成像模型:相机将三维世界中的坐标点(单位为米)映射到二维图像平面(单位为像素)的过程。

相机坐标系

    O
   
   
    −
   
   
    x
   
   
    −
   
   
    y
   
   
    −
   
   
    z
   
  
  
   O−x−y−z
  
 
O−x−y−z 为相机坐标系,在轴指向相机前方,

 
  
   
    x
   
  
  
   x
  
 
x轴向右,

 
  
   
    y
   
  
  
   y
  
 
y轴向下。

 
  
   
    O
   
  
  
   O
  
 
O为摄像机的光心(或摄像头中心)。

物理成像平面

    O
   
   
    ’
   
   
    −
   
   
    x
   
   
    ’
   
   
    −
   
   
    y
   
   
    ’
   
   
    −
   
   
    z
   
   
    ’
   
  
  
   O’−x’−y’−z’
  
 
O’−x’−y’−z’为物理成像平面。物理成像平面到小孔的距离为

 
  
   
    f
   
  
  
   f
  
 
f,称之为焦距。

成像原理:空间点

     P
    
   
   
    P
   
  
 P的光束被映射到图像平面,图像平面感光之后形成像素
 
  
   
    
     
      P
     
     
      ′
     
    
   
   
    P'
   
  
 P′。

    接下来看看具体的原理推导:
    首先,已知三维世界中的坐标点

    P
   
   
    =
   
   
    (
   
   
    X
   
   
    ,
   
   
    Y
   
   
    ,
   
   
    Z
   
   
    )
   
  
  
   P=(X,Y,Z)
  
 
P=(X,Y,Z),成像平面中的

 
  
   
    
     P
    
    
     ′
    
   
   
    =
   
   
    (
   
   
    
     X
    
    
     ′
    
   
   
    ,
   
   
    
     Y
    
    
     ′
    
   
   
    )
   
  
  
   P'=(X',Y')
  
 
P′=(X′,Y′),焦距为

 
  
   
    f
   
  
  
   f
  
 
f.由相似三角形原理可得,
 
  
   
    
     
      
       
        
         
          X
         
         
          ′
         
        
        
         =
        
        
         −
        
        
         
          
           f
          
          
           ⋅
          
          
           X
          
         
         
          Z
         
        
       
      
     
    
    
     
      
       
      
     
    
    
     
      
       
        
         
          Y
         
         
          ′
         
        
        
         =
        
        
         −
        
        
         
          
           f
          
          
           ⋅
          
          
           Y
          
         
         
          Z
         
        
       
      
     
    
   
   
    \begin{array}{c}X' = - \frac{{f \cdot X}}{Z}\\\\Y' = - \frac{{f \cdot Y}}{Z}\end{array}
   
  
 X′=−Zf⋅X​Y′=−Zf⋅Y​​    在视觉感知中,常使用等效表达的方式来体现真实图像的输出过程![在这里插入图片描述](https://img-blog.csdnimg.cn/8b6bb8bd7cbe433199cc4c87e8843b1b.png#pic_center)    因此,我们可以将式子改为
 
  
   
    
     
      
       
        
         
          X
         
         
          ′
         
        
        
         =
        
        
         
          
           f
          
          
           ⋅
          
          
           X
          
         
         
          Z
         
        
       
      
     
    
    
     
      
       
      
     
    
    
     
      
       
        
         
          Y
         
         
          ′
         
        
        
         =
        
        
         
          
           f
          
          
           ⋅
          
          
           Y
          
         
         
          Z
         
        
       
      
     
    
   
   
    \begin{array}{c}X' = \frac{{f \cdot X}}{Z}\\\\Y' = \frac{{f \cdot Y}}{Z}\end{array}
   
  
 X′=Zf⋅X​Y′=Zf⋅Y​​

1.3 单目视觉的成像原理 – 像素坐标系

在这里插入图片描述

    从成像平面坐标到像素坐标:图像是基于像素来表达。像素坐标和成像平面坐标之间,相差了一个缩放和原点的平移。
    假设正向成像平面中

    P
   
   
    ’
   
   
    =
   
   
    (
   
   
    X
   
   
    ’
   
   
    ,
   
   
    Y
   
   
    ’
   
   
    )
   
  
  
   P’=(X’, Y’)
  
 
P’=(X’,Y’), 其像素坐标为

 
  
   
    (
   
   
    u
   
   
    ,
   
   
    v
   
   
    )
   
  
  
   (u, v)
  
 
(u,v).

    缩放及平移的过程可以由下式来表达:

     {
    
    
     
      
       
        
         
          u
         
         
          =
         
         
          α
         
         
          
           X
          
          
           ′
          
         
         
          +
         
         
          
           c
          
          
           x
          
         
        
       
      
     
     
      
       
        
         
          v
         
         
          =
         
         
          β
         
         
          
           Y
          
          
           ′
          
         
         
          +
         
         
          
           c
          
          
           y
          
         
        
       
      
     
    
   
   
    \left\{ {\begin{array}{ccccccccccccccc}{u = \alpha X' + {c_x}}\\{v = \beta Y' + {c_y}}\end{array}} \right.
   
  
 {u=αX′+cx​v=βY′+cy​​    将

 
  
   
    
     P
    
    
     ′
    
   
  
  
   P'
  
 
P′的坐标代入,

 
  
   
    
     
      
       
        
         X
        
        
         ′
        
       
       
        =
       
       
        
         
          f
         
         
          ⋅
         
         
          X
         
        
        
         Z
        
       
       
        ,
       
       
        
         Y
        
        
         ′
        
       
       
        =
       
       
        
         
          f
         
         
          ⋅
         
         
          Y
         
        
        
         Z
        
       
      
     
    
   
  
  
   \begin{array}{c}X' = \frac{{f \cdot X}}{Z},Y' = \frac{{f \cdot Y}}{Z}\end{array}
  
 
X′=Zf⋅X​,Y′=Zf⋅Y​​,可以得到三维坐标与像素坐标的转换关系
 
  
   
    
     
      
       
        
         {
        
        
         
          
           
            
             
              u
             
             
              =
             
             
              
               f
              
              
               x
              
             
             
              
               X
              
              
               Z
              
             
             
              +
             
             
              
               c
              
              
               x
              
             
            
           
          
         
         
          
           
            
             
              v
             
             
              =
             
             
              
               f
              
              
               y
              
             
             
              
               Y
              
              
               Z
              
             
             
              +
             
             
              
               c
              
              
               y
              
             
            
           
          
         
        
       
      
     
    
    
     
      
       
        
         
          f
         
         
          x
         
        
        
         =
        
        
         α
        
        
         f
        
        
         ,
        
        
         
          f
         
         
          y
         
        
        
         =
        
        
         β
        
        
         f
        
       
      
     
    
   
   
    \begin{array}{l}\left\{ {\begin{array}{ccccccccccccccc}{u = {f_x}\frac{X}{Z} + {c_x}}\\{v = {f_y}\frac{Y}{Z} + {c_y}}\end{array}} \right.\\{f_x} = \alpha f,{f_y} = \beta f\end{array}
   
  
 {u=fx​ZX​+cx​v=fy​ZY​+cy​​fx​=αf,fy​=βf​    用矩阵的形式表达:
 
  
   
    
     
      [
     
     
      
       
        
         
          μ
         
        
       
      
      
       
        
         
          ν
         
        
       
      
      
       
        
         
          1
         
        
       
      
     
     
      ]
     
    
    
     =
    
    
     
      1
     
     
      Z
     
    
    
     
      [
     
     
      
       
        
         
          
           f
          
          
           x
          
         
        
       
       
        
         
          0
         
        
       
       
        
         
          
           c
          
          
           x
          
         
        
       
      
      
       
        
         
          0
         
        
       
       
        
         
          
           f
          
          
           y
          
         
        
       
       
        
         
          
           c
          
          
           y
          
         
        
       
      
      
       
        
         
          0
         
        
       
       
        
         
          0
         
        
       
       
        
         
          1
         
        
       
      
     
     
      ]
     
    
    
     
      [
     
     
      
       
        
         
          X
         
        
       
      
      
       
        
         
          Y
         
        
       
      
      
       
        
         
          Z
         
        
       
      
     
     
      ]
     
    
   
   
    \left[ {\begin{array}{ccccccccccccccc}\mu \\\nu \\1\end{array}} \right] = \frac{1}{Z}\left[ {\begin{array}{ccccccccccccccc}{{f_x}}&0&{{c_x}}\\0&{{f_y}}&{{c_y}}\\0&0&1\end{array}} \right]\left[ {\begin{array}{ccccccccccccccc}X\\Y\\Z\end{array}} \right]
   
  
 ​μν1​​=Z1​​fx​00​0fy​0​cx​cy​1​​​XYZ​​    其中,

 
  
   
    [
   
   
    
     
      
       
        μ
       
      
     
    
    
     
      
       
        ν
       
      
     
    
    
     
      
       
        1
       
      
     
    
   
   
    ]
   
  
  
   \left[ {\begin{array}{ccccccccccccccc}\mu \\\nu \\1\end{array}} \right]
  
 
​μν1​​为像素坐标,

 
  
   
    [
   
   
    
     
      
       
        X
       
      
     
    
    
     
      
       
        Y
       
      
     
    
    
     
      
       
        Z
       
      
     
    
   
   
    ]
   
  
  
   \left[ {\begin{array}{ccccccccccccccc}X\\Y\\Z\end{array}} \right]
  
 
​XYZ​​为相机坐标系中的三维坐标点,

 
  
   
    [
   
   
    
     
      
       
        
         f
        
        
         x
        
       
      
     
     
      
       
        0
       
      
     
     
      
       
        
         c
        
        
         x
        
       
      
     
    
    
     
      
       
        0
       
      
     
     
      
       
        
         f
        
        
         y
        
       
      
     
     
      
       
        
         c
        
        
         y
        
       
      
     
    
    
     
      
       
        0
       
      
     
     
      
       
        0
       
      
     
     
      
       
        1
       
      
     
    
   
   
    ]
   
  
  
   \left[ {\begin{array}{ccccccccccccccc}{{f_x}}&0&{{c_x}}\\0&{{f_y}}&{{c_y}}\\0&0&1\end{array}} \right]
  
 
​fx​00​0fy​0​cx​cy​1​​为内参矩阵。

1.4 单目视觉三维坐标系转换 – 外参

    相机的三维坐标系(

     O
    
    
     C
    
   
  
  
   O_C
  
 
OC​) 并不是一个“稳定”的坐标系,会随着相机的移动而改变坐标的原点和各个坐标轴的方向。在应用中,相机安装在自动驾驶车辆上,随车辆运动相机坐标系实时变化。对一些需要固定特征坐标的应用,比如地图,因此需要引进一个稳定不变的坐标系:世界坐标系(

 
  
   
    
     O
    
    
     W
    
   
  
  
   O_W
  
 
OW​)![在这里插入图片描述](https://img-blog.csdnimg.cn/e92829d0bb674101bd58424c0cf3d1ca.png#pic_center)    从某三维世界坐标系(

 
  
   
    
     O
    
    
     W
    
   
  
  
   O_W
  
 
OW​)到相机的三维坐标系(

 
  
   
    
     O
    
    
     C
    
   
  
  
   O_C
  
 
OC​)的变换,称为**相机的外参**,本质是将世界坐标系中的特征点,转换到相机坐标系。

    三维坐标系的变换是一个刚性平移加旋转的过程,变换包括平移向量(

    t
   
  
  
   t
  
 
t:3x1)以及旋转矩阵(

 
  
   
    R
   
  
  
   R
  
 
R:3x3)。

    三维坐标变换表达:已知某世界坐标系(

     O
    
    
     W
    
   
  
  
   O_W
  
 
OW​)中空间点

 
  
   
    
     P
    
    
     W
    
   
   
    =
   
   
    (
   
   
    
     X
    
    
     W
    
   
   
    ,
   
   
    
     Y
    
    
     W
    
   
   
    ,
   
   
    
     Z
    
    
     W
    
   
   
    )
   
  
  
   P_W =(X_W, Y_W, Z_W)
  
 
PW​=(XW​,YW​,ZW​)以及

 
  
   
    
     O
    
    
     W
    
   
  
  
   O_W
  
 
OW​与相机坐标系(

 
  
   
    
     O
    
    
     C
    
   
  
  
   O_C
  
 
OC​)的变换

 
  
   
    R
   
   
    ,
   
   
    t
   
  
  
   R,t
  
 
R,t. 求解此空间点在OC坐标系的坐标

 
  
   
    
     P
    
    
     C
    
   
   
    =
   
   
    (
   
   
    
     X
    
    
     C
    
   
   
    ,
   
   
    
     Y
    
    
     C
    
   
   
    ,
   
   
    
     Z
    
    
     C
    
   
   
    )
   
  
  
   P_C =(X_C, Y_C, Z_C)
  
 
PC​=(XC​,YC​,ZC​) 。

    下式即为三维坐标变换:

      [
     
     
      
       
        
         
          
           X
          
          
           c
          
         
        
       
      
      
       
        
         
          
           Y
          
          
           c
          
         
        
       
      
      
       
        
         
          
           Z
          
          
           c
          
         
        
       
      
     
     
      ]
     
    
    
     =
    
    
     
      [
     
     
      
       
        
         
          
           R
          
          
           11
          
         
        
       
       
        
         
          
           R
          
          
           12
          
         
        
       
       
        
         
          
           R
          
          
           13
          
         
        
       
      
      
       
        
         
          
           R
          
          
           21
          
         
        
       
       
        
         
          
           R
          
          
           22
          
         
        
       
       
        
         
          
           R
          
          
           23
          
         
        
       
      
      
       
        
         
          
           R
          
          
           31
          
         
        
       
       
        
         
          
           R
          
          
           32
          
         
        
       
       
        
         
          
           R
          
          
           33
          
         
        
       
      
     
     
      ]
     
    
    
     
      [
     
     
      
       
        
         
          
           X
          
          
           w
          
         
        
       
      
      
       
        
         
          
           Y
          
          
           w
          
         
        
       
      
      
       
        
         
          
           Z
          
          
           w
          
         
        
       
      
     
     
      ]
     
    
    
     +
    
    
     
      [
     
     
      
       
        
         
          
           t
          
          
           1
          
         
        
       
      
      
       
        
         
          
           t
          
          
           2
          
         
        
       
      
      
       
        
         
          
           t
          
          
           3
          
         
        
       
      
     
     
      ]
     
    
   
   
    \left[ {\begin{array}{ccccccccccccccc}{{X_c}}\\{{Y_c}}\\{{Z_c}}\end{array}} \right] = \left[ {\begin{array}{ccccccccccccccc}{{R_{11}}}&{{R_{12}}}&{{R_{13}}}\\{{R_{21}}}&{{R_{22}}}&{{R_{23}}}\\{{R_{31}}}&{{R_{32}}}&{{R_{33}}}\end{array}} \right]\left[ {\begin{array}{ccccccccccccccc}{{X_w}}\\{{Y_w}}\\{{Z_w}}\end{array}} \right] + \left[ {\begin{array}{ccccccccccccccc}{{t_1}}\\{{t_2}}\\{{t_3}}\end{array}} \right]
   
  
 ​Xc​Yc​Zc​​​=​R11​R21​R31​​R12​R22​R32​​R13​R23​R33​​​​Xw​Yw​Zw​​​+​t1​t2​t3​​​

1.5 单目视觉的坐标系转换 – 从世界坐标点到像素坐标

    最后对整个过程进行总结:
世界坐标系(

     O
    
    
     W
    
   
  
  
   O_W
  
 
OW​)中空间点

 
  
   
    
     P
    
    
     W
    
   
   
    =
   
   
    (
   
   
    
     X
    
    
     W
    
   
   
    ,
   
   
    
     Y
    
    
     W
    
   
   
    ,
   
   
    
     Z
    
    
     W
    
   
   
    )
   
  
  
   P_W =(X_W, Y_W, Z_W)
  
 
PW​=(XW​,YW​,ZW​),成像到相机中得出其像点

 
  
   
    p
   
   
    =
   
   
    (
   
   
    u
   
   
    ,
   
   
    v
   
   
    )
   
  
  
   p=(u,v)
  
 
p=(u,v),需要经过三次变换:
  • 世界坐标系转换到相机三维坐标系→ 刚性变化,平移加旋转
  • 相机三维坐标系转换到相机成像平面坐标系 → 小孔成像模型
  • 相机成像坐标系转换到像素坐标系 →缩放加平移在这里插入图片描述

1.6 单目视觉的特性

在这里插入图片描述

  • 深度不确定:图中点X以及点X’的成像点是同一个像素点x。
  • 远小近大:高度为X的物体,离相机越远成像点越矮,远处看不见。
  • 易受遮挡:X与X’同时存在时,只能看到X,有盲区
  • 受光线强度影响:光线过强,都是255,光线过暗,都是0
  • 受分辨率影响:像素过低,细节就会丢失
  • 受帧率影响:像素过高,传输速率有限,图片帧率偏低
  • 受镜头影响:焦距和视角会直接决定看见的距离和角度范围

2. 视觉传感器的标定

    首先对成像公式进行整理:
在这里插入图片描述

          [
         
         
          
           
            
             
              μ
             
            
           
          
          
           
            
             
              ν
             
            
           
          
          
           
            
             
              1
             
            
           
          
         
         
          ]
         
        
        
         =
        
        
         
          1
         
         
          
           Z
          
          
           C
          
         
        
        
         
          [
         
         
          
           
            
             
              
               f
              
              
               x
              
             
            
           
           
            
             
              0
             
            
           
           
            
             
              
               c
              
              
               x
              
             
            
           
          
          
           
            
             
              0
             
            
           
           
            
             
              
               f
              
              
               y
              
             
            
           
           
            
             
              
               c
              
              
               y
              
             
            
           
          
          
           
            
             
              0
             
            
           
           
            
             
              0
             
            
           
           
            
             
              1
             
            
           
          
         
         
          ]
         
        
        
         
          [
         
         
          
           
            
             
              
               X
              
              
               C
              
             
            
           
          
          
           
            
             
              
               Y
              
              
               C
              
             
            
           
          
          
           
            
             
              
               Z
              
              
               C
              
             
            
           
          
         
         
          ]
         
        
       
      
     
    
    
     
      
       
        
         =
        
        
         
          1
         
         
          
           Z
          
          
           C
          
         
        
        
         ⋅
        
        
         K
        
        
         ⋅
        
        
         
          [
         
         
          
           
            
             
              
               X
              
              
               C
              
             
            
           
          
          
           
            
             
              
               Y
              
              
               C
              
             
            
           
          
          
           
            
             
              
               Z
              
              
               C
              
             
            
           
          
         
         
          ]
         
        
       
      
     
    
    
     
      
       
        
         =
        
        
         
          [
         
         
          
           
            
             
              μ
             
            
           
          
          
           
            
             
              ν
             
            
           
          
          
           
            
             
              1
             
            
           
          
         
         
          ]
         
        
        
         =
        
        
         
          1
         
         
          
           Z
          
          
           C
          
         
        
        
         
          [
         
         
          
           
            
             
              
               f
              
              
               x
              
             
            
           
           
            
             
              0
             
            
           
           
            
             
              
               c
              
              
               x
              
             
            
           
          
          
           
            
             
              0
             
            
           
           
            
             
              
               f
              
              
               y
              
             
            
           
           
            
             
              
               c
              
              
               y
              
             
            
           
          
          
           
            
             
              0
             
            
           
           
            
             
              0
             
            
           
           
            
             
              1
             
            
           
          
         
         
          ]
         
        
        
         
          [
         
         
          
           
            
             
              
               X
              
              
               C
              
             
            
           
          
          
           
            
             
              
               Y
              
              
               C
              
             
            
           
          
          
           
            
             
              
               Z
              
              
               C
              
             
            
           
          
         
         
          ]
         
        
       
      
     
    
    
     
      
       
        
         =
        
        
         
          1
         
         
          
           Z
          
          
           C
          
         
        
        
         ⋅
        
        
         K
        
        
         ⋅
        
        
         
          (
         
         
          
           R
          
          
           ⋅
          
          
           
            [
           
           
            
             
              
               
                
                 X
                
                
                 W
                
               
              
             
            
            
             
              
               
                
                 Y
                
                
                 W
                
               
              
             
            
            
             
              
               
                
                 Z
                
                
                 W
                
               
              
             
            
           
           
            ]
           
          
          
           +
          
          
           t
          
         
         
          )
         
        
       
      
     
    
    
     
      
       
        
         =
        
        
         
          1
         
         
          
           Z
          
          
           C
          
         
        
        
         ⋅
        
        
         K
        
        
         ⋅
        
        
         
          (
         
         
          
           
            [
           
           
            
             
              
               
                R
               
              
             
             
              
               
                t
               
              
             
            
            
             
              
               
                0
               
              
             
             
              
               
                1
               
              
             
            
           
           
            ]
           
          
          
           
            [
           
           
            
             
              
               
                
                 X
                
                
                 W
                
               
              
             
            
            
             
              
               
                
                 Y
                
                
                 W
                
               
              
             
            
            
             
              
               
                
                 Z
                
                
                 W
                
               
              
             
            
            
             
              
               
                1
               
              
             
            
           
           
            ]
           
          
         
         
          )
         
        
       
      
     
    
    
     
      
       
        
         =
        
        
         M
        
        
         ⋅
        
        
         
          [
         
         
          
           
            
             
              
               X
              
              
               W
              
             
            
           
          
          
           
            
             
              
               Y
              
              
               W
              
             
            
           
          
          
           
            
             
              
               Z
              
              
               W
              
             
            
           
          
          
           
            
             
              1
             
            
           
          
         
         
          ]
         
        
       
      
     
    
    
     
      
       
        
         =
        
        
         
          [
         
         
          
           
            
             
              
               
                
                 
                  
                   M
                  
                  
                   1
                  
                 
                
               
               
                
                 
                  
                   M
                  
                  
                   2
                  
                 
                
               
               
                
                 
                  
                   M
                  
                  
                   3
                  
                 
                
               
               
                
                 
                  
                   M
                  
                  
                   4
                  
                 
                
               
              
             
            
           
          
          
           
            
             
              
               
                
                 
                  
                   M
                  
                  
                   5
                  
                 
                
               
               
                
                 
                  
                   M
                  
                  
                   6
                  
                 
                
               
               
                
                 
                  
                   M
                  
                  
                   7
                  
                 
                
               
               
                
                 
                  
                   M
                  
                  
                   8
                  
                 
                
               
              
             
            
           
          
          
           
            
             
              
               
                
                 
                  
                   M
                  
                  
                   9
                  
                 
                
               
               
                
                 
                  
                   M
                  
                  
                   10
                  
                 
                
               
               
                
                 
                  
                   M
                  
                  
                   11
                  
                 
                
               
               
                
                 
                  
                   M
                  
                  
                   12
                  
                 
                
               
              
             
            
           
          
         
         
          ]
         
        
        
         ⋅
        
        
         
          [
         
         
          
           
            
             
              
               X
              
              
               W
              
             
            
           
          
          
           
            
             
              
               Y
              
              
               W
              
             
            
           
          
          
           
            
             
              
               Z
              
              
               W
              
             
            
           
          
          
           
            
             
              1
             
            
           
          
         
         
          ]
         
        
       
      
     
    
   
   
    \begin{array}{c}\left[ {\begin{array}{ccccccccccccccc}\mu \\\nu \\1\end{array}} \right] = \frac{1}{{{Z_C}}}\left[ {\begin{array}{ccccccccccccccc}{{f_x}}&0&{{c_x}}\\0&{{f_y}}&{{c_y}}\\0&0&1\end{array}} \right]\left[ {\begin{array}{ccccccccccccccc}{{X_C}}\\{{Y_C}}\\{{Z_C}}\end{array}} \right]\\ = \frac{1}{{{Z_C}}} \cdot K \cdot \left[ {\begin{array}{ccccccccccccccc}{{X_C}}\\{{Y_C}}\\{{Z_C}}\end{array}} \right]\\ = \left[ {\begin{array}{ccccccccccccccc}\mu \\\nu \\1\end{array}} \right] = \frac{1}{{{Z_C}}}\left[ {\begin{array}{ccccccccccccccc}{{f_x}}&0&{{c_x}}\\0&{{f_y}}&{{c_y}}\\0&0&1\end{array}} \right]\left[ {\begin{array}{ccccccccccccccc}{{X_C}}\\{{Y_C}}\\{{Z_C}}\end{array}} \right]\\ = \frac{1}{{{Z_C}}} \cdot K \cdot \left( {R \cdot \left[ {\begin{array}{ccccccccccccccc}{{X_W}}\\{{Y_W}}\\{{Z_W}}\end{array}} \right] + t} \right)\\ = \frac{1}{{{Z_C}}} \cdot K \cdot \left( {\left[ {\begin{array}{ccccccccccccccc}R&t\\0&1\end{array}} \right]\left[ {\begin{array}{ccccccccccccccc}{{X_W}}\\{{Y_W}}\\{{Z_W}}\\1\end{array}} \right]} \right)\\ = M \cdot \left[ {\begin{array}{ccccccccccccccc}{{X_W}}\\{{Y_W}}\\{{Z_W}}\\1\end{array}} \right]\\ = \left[ \begin{array}{l}\begin{array}{ccccccccccccccc}{{M_1}}&{{M_2}}&{{M_3}}&{{M_4}}\end{array}\\\begin{array}{ccccccccccccccc}{{M_5}}&{{M_6}}&{{M_7}}&{{M_8}}\end{array}\\\begin{array}{ccccccccccccccc}{{M_9}}&{{M_{10}}}&{{M_{11}}}&{{M_{12}}}\end{array}\end{array} \right] \cdot \left[ {\begin{array}{ccccccccccccccc}{{X_W}}\\{{Y_W}}\\{{Z_W}}\\1\end{array}} \right]\end{array}
   
  
 ​μν1​​=ZC​1​​fx​00​0fy​0​cx​cy​1​​​XC​YC​ZC​​​=ZC​1​⋅K⋅​XC​YC​ZC​​​=​μν1​​=ZC​1​​fx​00​0fy​0​cx​cy​1​​​XC​YC​ZC​​​=ZC​1​⋅K⋅​R⋅​XW​YW​ZW​​​+t​=ZC​1​⋅K⋅​[R0​t1​]​XW​YW​ZW​1​​​=M⋅​XW​YW​ZW​1​​=​M1​​M2​​M3​​M4​​M5​​M6​​M7​​M8​​M9​​M10​​M11​​M12​​​​⋅​XW​YW​ZW​1​​​

2.1 视觉传感器标定原理 – 线性标定法

标定的数学表达解释:输入

    n
   
  
  
   n
  
 
n个特征点的世界坐标及像素坐标,输出

 
  
   
    M
   
  
  
   M
  
 
M矩阵

原理:根据一对特征点

     P
    
    
     i
    
   
   
    ,
   
   
    
     p
    
    
     i
    
   
  
  
   P_i , p_i
  
 
Pi​,pi​ ,成像公式可以得到两个线性方程:

 
  
   
    
     
      [
     
     
      
       
        
         
          μ
         
        
       
      
      
       
        
         
          ν
         
        
       
      
      
       
        
         
          1
         
        
       
      
     
     
      ]
     
    
    
     =
    
    
     
      [
     
     
      
       
        
         
          
           
            
             
              
               M
              
              
               1
              
             
            
           
           
            
             
              
               M
              
              
               2
              
             
            
           
           
            
             
              
               M
              
              
               3
              
             
            
           
           
            
             
              
               M
              
              
               4
              
             
            
           
          
         
        
       
      
      
       
        
         
          
           
            
             
              
               M
              
              
               5
              
             
            
           
           
            
             
              
               M
              
              
               6
              
             
            
           
           
            
             
              
               M
              
              
               7
              
             
            
           
           
            
             
              
               M
              
              
               8
              
             
            
           
          
         
        
       
      
      
       
        
         
          
           
            
             
              
               M
              
              
               9
              
             
            
           
           
            
             
              
               M
              
              
               10
              
             
            
           
           
            
             
              
               M
              
              
               11
              
             
            
           
           
            
             
              
               M
              
              
               12
              
             
            
           
          
         
        
       
      
     
     
      ]
     
    
    
     ⋅
    
    
     
      [
     
     
      
       
        
         
          
           X
          
          
           i
          
         
        
       
      
      
       
        
         
          
           Y
          
          
           i
          
         
        
       
      
      
       
        
         
          
           Z
          
          
           i
          
         
        
       
      
      
       
        
         
          1
         
        
       
      
     
     
      ]
     
    
   
   
    {\left[ {\begin{array}{ccccccccccccccc}\mu \\\nu \\1\end{array}} \right] = \left[ {\begin{array}{lllllllllllllll}{\begin{array}{ccccccccccccccc}{{M_1}}&{{M_2}}&{{M_3}}&{{M_4}}\end{array}}\\{\begin{array}{ccccccccccccccc}{{M_5}}&{{M_6}}&{{M_7}}&{{M_8}}\end{array}}\\{\begin{array}{ccccccccccccccc}{{M_9}}&{{M_{10}}}&{{M_{11}}}&{{M_{12}}}\end{array}}\end{array}} \right] \cdot \left[ {\begin{array}{ccccccccccccccc}{{X_i}}\\{{Y_i}}\\{{Z_i}}\\1\end{array}} \right]}
   
  
 ​μν1​​=​M1​​M2​​M3​​M4​​M5​​M6​​M7​​M8​​M9​​M10​​M11​​M12​​​​⋅​Xi​Yi​Zi​1​​

在这里插入图片描述
    每一对特征点可以转换为两个线性方程,共11个自由度
    所以,如果

    n
   
   
    >
   
   
    =
   
   
    6
   
  
  
   n>=6
  
 
n>=6,即可计算得到

 
  
   
    M
   
  
  
   M
  
 
M矩阵

    实际应用中,一般会用非常多的特征点,基于最小二乘方法求解

    M
   
  
  
   M
  
 
M矩阵。

    如果镜头畸变需要矫正,则需要基于非线性方法,引入非线性畸变模型。一般可以采用非线性优化的方法求解。

2.2 相机畸变模型

2.2.1 径向畸变

由镜头透镜形状引起的畸变称为径向畸变,径向畸变主要分为桶形畸变枕型畸变
在这里插入图片描述
    在针孔相机模型中,一条直线投影到像素平面上还是一条直线。 但在实际中,相机的透镜使得真实环境中的直线在图片中变成了曲线。由于透镜往往是中心对称的,这使得不规则畸变通常径向对称。径向畸变可由三个参数

     k
    
    
     1
    
   
   
    ,
   
   
    
     k
    
    
     2
    
   
   
    ,
   
   
    
     k
    
    
     3
    
   
  
  
   k_1,k_2,k_3
  
 
k1​,k2​,k3​确定。

 
  
   
    
     
      
       
        
         
          x
         
         
          
           c
          
          
           o
          
          
           r
          
          
           r
          
          
           e
          
          
           c
          
          
           t
          
          
           e
          
          
           d
          
         
        
        
         =
        
        
         x
        
        
         (
        
        
         1
        
        
         +
        
        
         
          k
         
         
          1
         
        
        
         
          r
         
         
          2
         
        
        
         +
        
        
         
          k
         
         
          2
         
        
        
         
          r
         
         
          4
         
        
        
         +
        
        
         
          k
         
         
          3
         
        
        
         
          r
         
         
          6
         
        
        
         )
        
       
      
     
    
    
     
      
       
        
         
          y
         
         
          
           c
          
          
           o
          
          
           r
          
          
           r
          
          
           e
          
          
           c
          
          
           t
          
          
           e
          
          
           d
          
         
        
        
         =
        
        
         y
        
        
         (
        
        
         1
        
        
         +
        
        
         
          k
         
         
          1
         
        
        
         
          r
         
         
          2
         
        
        
         +
        
        
         
          k
         
         
          2
         
        
        
         
          r
         
         
          4
         
        
        
         +
        
        
         
          k
         
         
          3
         
        
        
         
          r
         
         
          6
         
        
        
         )
        
       
      
     
    
   
   
    \begin{array}{l}{x_{corrected}} = x(1 + {k_1}{r^2} + {k_2}{r^4} + {k_3}{r^6})\\{y_{corrected}} = y(1 + {k_1}{r^2} + {k_2}{r^4} + {k_3}{r^6})\end{array}
   
  
 xcorrected​=x(1+k1​r2+k2​r4+k3​r6)ycorrected​=y(1+k1​r2+k2​r4+k3​r6)​

2.2.2 切向畸变

    切向畸变源于透镜不完全平行于图像平面,即感光成像平面装配时与镜头间的角度不准;
在这里插入图片描述

    产生的影响是图像像素点以畸变中心为中心点,沿着切向产生的位置偏差;
    切向畸变由两个参数

     p
    
    
     1
    
   
   
    ,
   
   
    
     p
    
    
     2
    
   
  
  
   p_1,p_2
  
 
p1​,p2​确定。

 
  
   
    
     
      
       
        
         
          x
         
         
          
           c
          
          
           o
          
          
           r
          
          
           r
          
          
           e
          
          
           c
          
          
           t
          
          
           e
          
          
           d
          
         
        
        
         =
        
        
         x
        
        
         +
        
        
         [
        
        
         2
        
        
         
          p
         
         
          1
         
        
        
         x
        
        
         y
        
        
         +
        
        
         
          p
         
         
          2
         
        
        
         (
        
        
         
          r
         
         
          2
         
        
        
         +
        
        
         2
        
        
         
          x
         
         
          2
         
        
        
         )
        
        
         ]
        
       
      
     
    
    
     
      
       
        
         
          y
         
         
          
           c
          
          
           o
          
          
           r
          
          
           r
          
          
           e
          
          
           c
          
          
           t
          
          
           e
          
          
           d
          
         
        
        
         =
        
        
         y
        
        
         +
        
        
         [
        
        
         
          p
         
         
          1
         
        
        
         (
        
        
         
          r
         
         
          2
         
        
        
         +
        
        
         2
        
        
         
          y
         
         
          2
         
        
        
         )
        
        
         +
        
        
         2
        
        
         
          p
         
         
          2
         
        
        
         x
        
        
         y
        
        
         ]
        
       
      
     
    
   
   
    \begin{array}{l}{x_{corrected}} = x + [2{p_1}xy + {p_2}({r^2} + 2{x^2})]\\{y_{corrected}} = y + [{p_1}({r^2} + 2{y^2}) + 2{p_2}xy]\end{array}
   
  
 xcorrected​=x+[2p1​xy+p2​(r2+2x2)]ycorrected​=y+[p1​(r2+2y2)+2p2​xy]​

    结合径向畸变的式子,即可得到畸变矫正的公式:

          x
         
         
          
           c
          
          
           o
          
          
           r
          
          
           r
          
          
           e
          
          
           c
          
          
           t
          
          
           e
          
          
           d
          
         
        
        
         =
        
        
         x
        
        
         (
        
        
         1
        
        
         +
        
        
         
          k
         
         
          1
         
        
        
         
          r
         
         
          2
         
        
        
         +
        
        
         
          k
         
         
          2
         
        
        
         
          r
         
         
          4
         
        
        
         +
        
        
         
          k
         
         
          3
         
        
        
         
          r
         
         
          6
         
        
        
         )
        
        
         +
        
        
         2
        
        
         
          p
         
         
          1
         
        
        
         x
        
        
         y
        
        
         +
        
        
         
          p
         
         
          2
         
        
        
         (
        
        
         
          r
         
         
          2
         
        
        
         +
        
        
         2
        
        
         
          x
         
         
          2
         
        
        
         )
        
       
      
     
    
    
     
      
       
        
         
          y
         
         
          
           c
          
          
           o
          
          
           r
          
          
           r
          
          
           e
          
          
           c
          
          
           t
          
          
           e
          
          
           d
          
         
        
        
         =
        
        
         y
        
        
         (
        
        
         1
        
        
         +
        
        
         
          k
         
         
          1
         
        
        
         
          r
         
         
          2
         
        
        
         +
        
        
         
          k
         
         
          2
         
        
        
         
          r
         
         
          4
         
        
        
         +
        
        
         
          k
         
         
          3
         
        
        
         
          r
         
         
          6
         
        
        
         )
        
        
         +
        
        
         
          p
         
         
          1
         
        
        
         (
        
        
         
          r
         
         
          2
         
        
        
         +
        
        
         2
        
        
         
          y
         
         
          2
         
        
        
         )
        
        
         +
        
        
         2
        
        
         
          p
         
         
          2
         
        
        
         x
        
        
         y
        
       
      
     
    
   
   
    \begin{array}{l}{x_{corrected}} = x(1 + {k_1}{r^2} + {k_2}{r^4} + {k_3}{r^6}) + 2{p_1}xy + {p_2}({r^2} + 2{x^2})\\{y_{corrected}} = y(1 + {k_1}{r^2} + {k_2}{r^4} + {k_3}{r^6}) + {p_1}({r^2} + 2{y^2}) + 2{p_2}xy\end{array}
   
  
 xcorrected​=x(1+k1​r2+k2​r4+k3​r6)+2p1​xy+p2​(r2+2x2)ycorrected​=y(1+k1​r2+k2​r4+k3​r6)+p1​(r2+2y2)+2p2​xy​

2.3 单目相机标定方法

    对于单目相机的标定,我们主要需要对以下几个量进行标定:

  • 内参矩阵 K K K
  • 外参 R , t R,t R,t
  • 畸变参数 k 1 , k 2 , p 1 , p 2 k_1,k_2,p_1,p_2 k1​,k2​,p1​,p2​     有几种常用的方法用于标定:

一步法

直接使用最优化方法求出相机内外参数

两步法

  1. Tsai法(1987年) 假设: u 0 , v 0 u_0,v_0 u0​,v0​已知,只考虑径向畸变 标定设备:三维标定块
  2. 张正友法 假设:只考虑径向畸变 标定设备:平面标定板在这里插入图片描述

2.4 双目相机标定

此部分来源于北京理工大学慕课《无人驾驶车辆》

2.4.1 双目相机模型

在这里插入图片描述
    左右双目相机有以下特点:
• 光圈中心都在x轴上
• 光圈中心距离称为“基线
    将其转化为俯视图,如下所示在这里插入图片描述    双目相机有以下几何关系
在这里插入图片描述

2.4.2 双目相机标定方法

在这里插入图片描述    双面相机两相机间的角度可能存在偏差,因此测距原理

    z
   
   
    =
   
   
    
     
      f
     
     
      b
     
    
    
     
      
       u
      
      
       L
      
     
     
      −
     
     
      
       u
      
      
       R
      
     
    
   
  
  
   z = \frac{{fb}}{{{u_L} - {u_R}}}
  
 
z=uL​−uR​fb​不再适用,需要进行重新标定。具体标定对象则是两相机之间的相对旋转矩阵与平移向量。

在这里插入图片描述
    除此之外,两相机之间的相对距离也可能有安装误差,同样需要标定。把左右相机的图像在水平方向严格对齐,对原始图像进行消除畸变,再进行图像校正与图像裁剪,最后就能得到校正后的图像。

2.5 俯视图转化标定——逆透视变换

逆透视变换英文为IPM (Inverse Perspective Mapping)
原理:根据图片坐标与世界坐标的关系,将图片像素

    u
   
   
    v
   
  
  
   uv
  
 
uv对应到路面

 
  
   
    x
   
   
    y
   
  
  
   xy
  
 
xy![在这里插入图片描述](https://img-blog.csdnimg.cn/43c748624019475b88cff090b0885098.png#pic_center)

难点:一般来说,图片没有距离尺度信息,一个像素点确定一条射线而不能确定是哪个点
解决办法:假设地面平坦且高度已知

    (
   
   
    z
   
   
    =
   
   
    0
   
   
    )
   
  
  
   (z=0)
  
 
(z=0),就等于将世界坐标降维到二维,实现

 
  
   
    u
   
   
    v
   
  
  
   uv
  
 
uv与

 
  
   
    x
   
   
    y
   
  
  
   xy
  
 
xy的一一对应。

在这里插入图片描述
接下来进行公式推导:

  1. 相机成像公式,内参外参可以合并为一个3乘4矩阵 M M M Z c [ μ ν 1 ] = [ f x 0 u 0 0 0 f y v 0 0 0 0 1 0 ] [ R 3 × 3 T 3 × 1 0 1 ] [ x y z 1 ] = [ M 1 M 2 M 3 M 4 M 5 M 6 M 7 M 8 M 9 M 10 M 11 M 12 ] ⋅ [ x y z 1 ] \begin{array}{c}{Z_c}\left[ {\begin{array}{ccccccccccccccc}\mu \\nu \1\end{array}} \right] = \left[ \begin{array}{l}\begin{array}{ccccccccccccccc}{{f_x}}&0&{{u_0}}&0\end{array}\\begin{array}{ccccccccccccccc}0&{{f_y}}&{{v_0}}&0\end{array}\\begin{array}{ccccccccccccccc}0&0&1&0\end{array}\end{array} \right]\left[ {\begin{array}{ccccccccccccccc}{{R_{{\rm{3}} \times 3}}}&{{T_{3 \times 1}}}\0&1\end{array}} \right]\left[ \begin{array}{l}x\y\z\1\end{array} \right]\ = \left[ {\begin{array}{lllllllllllllll}{\begin{array}{ccccccccccccccc}{{M_1}}&{{M_2}}&{{M_3}}&{{M_4}}\end{array}}\{\begin{array}{ccccccccccccccc}{{M_5}}&{{M_6}}&{{M_7}}&{{M_8}}\end{array}}\{\begin{array}{ccccccccccccccc}{{M_9}}&{{M_{10}}}&{{M_{11}}}&{{M_{12}}}\end{array}}\end{array}} \right] \cdot \left[ {\begin{array}{ccccccccccccccc}x\y\z\1\end{array}} \right]\end{array} Zc​​μν1​​=​fx​​0​u0​​0​0​fy​​v0​​0​0​0​1​0​​​[R3×3​0​T3×1​1​]​xyz1​​=​M1​​M2​​M3​​M4​​M5​​M6​​M7​​M8​​M9​​M10​​M11​​M12​​​​⋅​xyz1​​​
  2. 假设地面平坦,令 z = 0 z=0 z=0,就可以去掉 M M M的第三列,两侧左乘 M − 1 M^{−1} M−1,并将 Z c Z_c Zc​移到右侧,记 w = 1 / Z c w=1/Z_c w=1/Zc​, P = M − 1 P=M^{−1} P=M−1 Z c [ μ ν 1 ] = [ M 1 M 2 M 4 M 5 M 6 M 8 M 9 M 10 M 12 ] [ x y 1 ] {Z_c}\left[ {\begin{array}{ccccccccccccccc}\mu \\nu \1\end{array}} \right] = \left[ {\begin{array}{ccccccccccccccc}{{M_1}}&{{M_2}}&{{M_4}}\{{M_5}}&{{M_6}}&{{M_8}}\{{M_9}}&{{M_{10}}}&{{M_{12}}}\end{array}} \right]\left[ {\begin{array}{ccccccccccccccc}x\y\1\end{array}} \right] Zc​​μν1​​=​M1​M5​M9​​M2​M6​M10​​M4​M8​M12​​​​xy1​​ [ p 11 ′ p 12 ′ p 13 ′ p 12 ′ p 22 ′ p 23 ′ p 13 ′ p 23 ′ p 33 ′ ] [ μ ν 1 ] = w [ x y 1 ] \left[ {\begin{array}{ccccccccccccccc}{{p_{11}}^\prime }&{{p_{12}}^\prime }&{{p_{13}}^\prime }\{{p_{12}}^\prime }&{{p_{22}}^\prime }&{{p_{23}}^\prime }\{{p_{13}}^\prime }&{{p_{23}}^\prime }&{{p_{33}}^\prime }\end{array}} \right]\left[ {\begin{array}{ccccccccccccccc}\mu \\nu \1\end{array}} \right] = w\left[ {\begin{array}{ccccccccccccccc}x\y\1\end{array}} \right] ​p11​′p12​′p13​′​p12​′p22​′p23​′​p13​′p23​′p33​′​​​μν1​​=w​xy1​​
  3. 归一化:将P中各元素除以 p 33 ′ p_{33}′ p33​′, w w w也除以 p 33 ′ p_{33}′ p33​′,重新整理得 [ p 11 p 12 p 13 p 12 p 22 p 23 p 13 p 23 1 ] [ μ ν 1 ] = w ′ [ x y 1 ] \left[ {\begin{array}{ccccccccccccccc}{{p_{11}}}&{{p_{12}}}&{{p_{13}}}\{{p_{12}}}&{{p_{22}}}&{{p_{23}}}\{{p_{13}}}&{{p_{23}}}&1\end{array}} \right]\left[ {\begin{array}{ccccccccccccccc}\mu \\nu \1\end{array}} \right] = w'\left[ {\begin{array}{ccccccccccccccc}x\y\1\end{array}} \right] ​p11​p12​p13​​p12​p22​p23​​p13​p23​1​​​μν1​​=w′​xy1​​

在这里插入图片描述
    记点

    A
   
  
  
   A
  
 
A在图片中坐标(

 
  
   
    
     u
    
    
     A
    
   
   
    ,
   
   
    
     v
    
    
     A
    
   
  
  
   u_A, v_A
  
 
uA​,vA​),真实世界坐标(

 
  
   
    
     x
    
    
     A
    
   
   
    ,
   
   
    
     y
    
    
     A
    
   
  
  
   x_A, y_A
  
 
xA​,yA​),则有
 
  
   
    
     
      [
     
     
      
       
        
         
          
           w
          
          
           
            x
           
           
            A
           
          
         
        
       
      
      
       
        
         
          
           w
          
          
           
            y
           
           
            A
           
          
         
        
       
      
      
       
        
         
          w
         
        
       
      
     
     
      ]
     
    
    
     =
    
    
     
      [
     
     
      
       
        
         
          
           p
          
          
           11
          
         
        
       
       
        
         
          
           p
          
          
           12
          
         
        
       
       
        
         
          
           p
          
          
           13
          
         
        
       
      
      
       
        
         
          
           p
          
          
           12
          
         
        
       
       
        
         
          
           p
          
          
           22
          
         
        
       
       
        
         
          
           p
          
          
           23
          
         
        
       
      
      
       
        
         
          
           p
          
          
           13
          
         
        
       
       
        
         
          
           p
          
          
           23
          
         
        
       
       
        
         
          1
         
        
       
      
     
     
      ]
     
    
    
     
      [
     
     
      
       
        
         
          
           u
          
          
           A
          
         
        
       
      
      
       
        
         
          
           ν
          
          
           A
          
         
        
       
      
      
       
        
         
          1
         
        
       
      
     
     
      ]
     
    
   
   
    \left[ {\begin{array}{ccccccccccccccc}{w{x_A}}\\{w{y_A}}\\w\end{array}} \right] = \left[ {\begin{array}{ccccccccccccccc}{{p_{11}}}&{{p_{12}}}&{{p_{13}}}\\{{p_{12}}}&{{p_{22}}}&{{p_{23}}}\\{{p_{13}}}&{{p_{23}}}&1\end{array}} \right]\left[ {\begin{array}{ccccccccccccccc}{{u_A}}\\{{\nu _A}}\\1\end{array}} \right]
   
  
 ​wxA​wyA​w​​=​p11​p12​p13​​p12​p22​p23​​p13​p23​1​​​uA​νA​1​​    用第三行消去

 
  
   
    w
   
  
  
   w
  
 
w,得
 
  
   
    
     
      x
     
     
      A
     
    
    
     =
    
    
     
      
       
        p
       
       
        11
       
      
      
       
        u
       
       
        A
       
      
      
       +
      
      
       
        p
       
       
        12
       
      
      
       
        v
       
       
        A
       
      
      
       +
      
      
       
        p
       
       
        13
       
      
     
     
      
       
        p
       
       
        31
       
      
      
       
        u
       
       
        A
       
      
      
       +
      
      
       
        p
       
       
        32
       
      
      
       
        v
       
       
        A
       
      
      
       +
      
      
       1
      
     
    
   
   
    {x_A} = \frac{{{p_{11}}{u_A} + {p_{12}}{v_A} + {p_{13}}}}{{{p_{31}}{u_A} + {p_{32}}{v_A} + 1}}
   
  
 xA​=p31​uA​+p32​vA​+1p11​uA​+p12​vA​+p13​​
 
  
   
    
     
      y
     
     
      A
     
    
    
     =
    
    
     
      
       
        p
       
       
        21
       
      
      
       
        u
       
       
        A
       
      
      
       +
      
      
       
        p
       
       
        22
       
      
      
       
        v
       
       
        A
       
      
      
       +
      
      
       
        p
       
       
        23
       
      
     
     
      
       
        p
       
       
        31
       
      
      
       
        u
       
       
        A
       
      
      
       +
      
      
       
        p
       
       
        32
       
      
      
       
        v
       
       
        A
       
      
      
       +
      
      
       1
      
     
    
   
   
    {y_A} = \frac{{{p_{21}}{u_A} + {p_{22}}{v_A} + {p_{23}}}}{{{p_{31}}{u_A} + {p_{32}}{v_A} + 1}}
   
  
 yA​=p31​uA​+p32​vA​+1p21​uA​+p22​vA​+p23​​    矩阵方程形成以

 
  
   
    
     p
    
    
     
      i
     
     
      j
     
    
   
  
  
   p_{ij}
  
 
pij​作为未知数的2个方程

    对

    B
   
   
    C
   
   
    D
   
  
  
   BCD
  
 
BCD重复上述操作,形成8个方程,就能求解出全部8个未知数

声明

本人所有文章仅作为自己的学习记录,若有侵权,联系立删。本系列文章主要参考了清华大学、北京理工大学、哈尔滨工业大学、深蓝学院、百度Apollo等相关课程。


本文转载自: https://blog.csdn.net/sinat_52032317/article/details/128762095
版权归原作者 yuan〇 所有, 如有侵权,请联系我们删除。

“自动驾驶环境感知——视觉传感器技术”的评论:

还没有评论