RGB相机动捕系列：相机标定（二、标定计算）
**RGB相机动捕系列：相机标定（二、标定计算）
一、概述
在上一篇博客中我们讲了相机标定的前置步骤，特征提取，本篇讲述后续的多相机标定中的标定计算部分；主要包括：1、匹配关联；2、几何验证；3、全局优化
二、标定计算
2.1、匹配关联
红点提取完成后，可能存在同一时刻同一相机提取出了多个红点或者未提取到红点，则认为该帧为无效帧，将该帧删除，最后将有效帧进行两两匹配，构建相机-特征匹配关系。
2.2、几何验证
匹配关系构建完成后，需要去除误匹配，通过求解基础矩阵F和本质矩阵E进行几何验证（最后一次使用E矩阵），具体方法：首先根据2.1中得到的匹配关系求解基础矩阵F,常见的使用8点法求解基础矩阵，但由于噪声、误匹配等原因使用8点法求解基础矩阵不稳定，由于环境是人在动捕室中持续挥杆采集，以30帧的速度采集4分钟有7200帧，在实际使用中采集4分钟后经过上述2.1的匹配关联后最小的匹配对数量也大于500对，所以由于数据量充足，采用RANSAC（随机采样一致性）对基础矩阵进行估计，可以有效降低误匹配带来的误差。
2.3、全局优化
随着图像的不断增加，误差会不断累积，导致最后误差过大，将上述2.2中经过几何验证后的点进行全局优化消除误差。几何验证的匹配点对确保都是正确匹配，假设有N帧图像系列（每帧图像系由M个相机采集到的图像组成，假设每帧图像系列都有多个视图采集才标记点），于是最后的优化方程可以写成：
当摄像机i观察到轨迹j的时候Wij取1，反之取0，
||qij- P (Ci, Xj)||就是摄像机i中的轨迹j的投影误差累积和。
P(Ci, Xj),表示第j个三维点投影到相机i；
最优优化的输出结果包括N个三维点的坐标，以及M个相机的内外参数；
全局优化完成后，通过多次迭代上述2.3过程精确求解出相机的内外参。具体算法可以使用openMVG库实现。
下面是使用5相机标定的结果和报告，可以看出标定精度非常高，误差为0.8像素。
标定结果如图：
标定报告：
AC_RANSAC参考：
[http://www.ipol.im/pub/art/2012/mmm-oh/)
SFM参考：
[https://github.com/openMVG/openMVG/wiki)
上一篇：
[https://suntfly.github.io/2024/01/05/RGB%E7%9B%B8%E6%9C%BA%E5%8A%A8%E6%8D%95%E7%B3%BB%E5%88%97%EF%BC%9A%E7%9B%B8%E6%9C%BA%E6%A0%87%E5%AE%9A%EF%BC%88%E4%B8%80%E3%80%81%E7%89%B9%E5%BE%81%E6%8F%90%E5%8F%96%EF%BC%89/)
注。1
本文仅供学习参考，未经允许，拒绝转载或者用作他用。