立体视觉初探

偏执的太偏执、 2022-09-07 15:55 221阅读 0赞

### 立体视觉 ###

*  概述
 *  原理
 *   *  1.1 单目系统
     *  1.2 双目系统
     *  1.3 视差和深度计算原理
     *   *  总结
 *  代码
 *  参考

# 概述 #

立体视觉(Stereo Vision)是计算机视觉技术的一个重要模块。当看到一个物体的时候，人类的视觉系统不仅可以识别出这个物体是什么，而且还能估计出这个物体是离我们比较近还是比较远的。那我们赋予机器人视觉系统时，除了能够识别物体外，同样的要能够判断出障碍物距离有多远。人类时靠双眼来估计距离的，因此一句话总结以下立体视觉：立体视觉是一种计算机视觉技术，其目的是从两幅或两幅以上的图像中推理出图像中**每个像素点的深度信息**。（这里的深度指物体距离相机的距离）

简单的说明就是，通过两张（或多张）图像，拍摄同一物体，得到物体距离摄像头的深度（距离）

# 原理 #

## 1.1 单目系统 ##

单目系统中只有一个相机，如下图所示，O点为相机的光心，π是摄像头的成像平面(注意：实际的成像平面在相机光心的后面，这里画在光心和物体之间方便展示和理解，一般这个称为虚拟成像平面)。

从图中可以看出，如果P点与Q点在同一条直线上，那么他们在图像上的成像点就是同一个点，也就是p=q ，那么也就看不出来他们在距离上的差异（也就无法知道Q在前还是P在前）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70]

## 1.2 双目系统 ##

为了改善单目系统的上述缺陷，双目系统中存在两个相机，从而形成一个立体系统，如下图所示。两个相机拍摄同一场景，如果我们可以从拍摄出的两幅图像中找到对应点，就可以模拟人眼的视差原理计算出物体的深度(距离)。

从图中可以很明显的看出，在增加了一个摄像头之后，P与Q在目标面T上的成像不在位于同一个点，而是有自己分别的成像点，也就是p′和q′ 。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 2]

## 1.3 视差和深度计算原理 ##

有了上述的双目系统后，接下来就是通过参考面和目标面计算深度。先看下双目系统中的一些定义，下图中O1,O2是两个相机的光心，I1,I2是对应的成像平面，p1,p2是物体P在两个相机中的成像点，有下面一些常见定义：

*  极平面：O1,O2,P三个点确定的平面；
 *  极点：O1O2连线与像平面I1,I2的交点e1、e2；
 *  基线（baseline）：O1O2
 *  极线：极平面与两个像平面之间的交线l1、l2。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 3]  
    简化上面的双目系统，确保两个摄像头的参数是完全一致的，并且两者的位置是平行，让两个成像平面保持水平，如下图所示，我们假设 P为空间中的一点，OR为左边摄像头的光心，OT为右边摄像头的光心，摄像头的焦距为f（光心到成像平面的距离），成像平面在图中用粉色线表示， OROT表示两个摄像头光心之间的距离，也称为基线，P在左右两个摄像机成像平面上的成像点分别为p与p′ ， XR与 XT为成像点的水平方向的距离（通常我们得到的是像素坐标系下的 x坐标，其单位为像素，因此需要转换为实际的物理长度，涉及到坐标系的转换问题)，Z就是我们需要求的深度。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 4]

从上图中可以找到一组相似三角形△Ppp′∼△PQrQt，根据三角形相似定理，可以得到：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 5]  
上式中的D就是我们通常所说的视差（disparity ），即同一个物体在两幅图像上的像素值差异。（注意：上述表达式中B，f的值为物理单位，D的值为像素单位，实际计算时要将像素单位转化为物理单位后再计算）

1.  两个相平面不平行怎么办？

上面推导中我们假设了两个平行的相平面，这是由于双目系统实际安装时都会进行校准，保证两个相机参数完全一致，让相平面尽量平行。如果的确相平面不平行，根据相机转动角度，是可以得到这个倾斜角的，根据角度将倾斜相平面投影到水平，再进行计算

### 总结 ###

因此通过两个摄像头，得到图像的深度信息，需要进行  
1、两个相机的外参标定，得到RT矩阵。得到B  
2、标定各自相机的内参，从相机坐标系转换到图像坐标系。得到 f  
3、求出同一物体的像素坐标，计算出视差。

# 代码 #

# 参考 #

1、[https://www.cnblogs.com/silence-cho/p/15056778.html][https_www.cnblogs.com_silence-cho_p_15056778.html]  
2、[https://zhuanlan.zhihu.com/p/30116734][https_zhuanlan.zhihu.com_p_30116734]  
3、[https://blog.csdn.net/LuohenYJ/article/details/113795379][https_blog.csdn.net_LuohenYJ_article_details_113795379]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70]: /images/20220829/4bdef06b78f24b49993ea7ddc98976ea.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 1]: /images/20220829/885b56f2fa9c46e49e9d2a498a432c22.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 2]: /images/20220829/0d0b7fc8340842f9be639d325275093c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 3]: /images/20220829/50645bbba3354b5f9926f314f3184ca3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 4]: /images/20220829/d6bcaf3419be4656bf484e641eb294f7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hb19odWlfZmVp_size_16_color_FFFFFF_t_70 5]: /images/20220829/d5c562a3d0794d6283fe081b317ea366.png
[https_www.cnblogs.com_silence-cho_p_15056778.html]: https://www.cnblogs.com/silence-cho/p/15056778.html
[https_zhuanlan.zhihu.com_p_30116734]: https://zhuanlan.zhihu.com/p/30116734
[https_blog.csdn.net_LuohenYJ_article_details_113795379]: https://blog.csdn.net/LuohenYJ/article/details/113795379