标签：pen title back htm ceo points through frame .so
关键词：相机位姿估计，单目尺寸测量，环境探知
用途：基于相机的环境测量，SLAM，单目尺寸测量
文章类型：原理说明、Demo展示
@Author：VShawn
@Date:2016-11-28
@Lab: CvLab202@CSU
早就写好了....不过doc放在笔记本电脑里，平时一直都在用台式机，所以拖到现在才发:(
写了这么多篇关于位姿估计的博客后，终于要写一篇有点用的东西了：本文将展示位姿估计的一种应用，即通过单目相机对环境进行测量。简单来说，本文的工作就是利用下面的两幅图，在已知P1、P2、P3、P4四点世界坐标的情况下，计算出P5的世界坐标。
该研究的应用范围很广，例如对某建筑群，可以通过设置几个已知的标志点（世界坐标已确定），用本文的方法将建筑的各个角的世界坐标求出来，从而测量出建筑的高度，建筑间的距离，乃至将整个建筑群的环境重构出来。又或者在某个露天货场，设置好标志点后只需要无人机飞一圈，就能知道货场中货物的体积有多少，从而安排货运计划。总之该项应用的前景很大，配合目前很火的无人机应用，可以为生产、研究带来不少的便利。最后，本文基于前几篇文章的结果，建议没有看过我博客的读者先读读前面的几篇原理介绍。
在一开始，先设待求点为P。
根据两条直线确定一个点的原理，在二维平面中只要知道两条相交直线的方程，就可以解出它们的交点坐标。现在假设我们是在二维平面中拍照的，如下图：
根据文章《相机位姿估计1：根据四个特征点估计相机姿态》的内容，我们根据P1、P2、P3、P4四点的空间坐标，可以估计出两次拍照的相机位姿Oc1与Oc2，也就知道了相机的坐标Oc1与Oc2。那么将Oc1与P，Oc2与P联成直线（如上图的橙色线），则可以获得两条直线方程，组成方程组求解得到它们的交点，即为待求点P的坐标。
到三维空间中，原理跟二维是一样的，只是两条直线从二维空间升到了三维空间成为了两条空间。通过解PNP求出了相机两次拍摄的空间位置Oc1、Oc2，在根据P在图像中的坐标，可以知道P点在空间中位于相机的哪个方向（将二维图像中的P点用公式映射到三维空间中，需要使用到内参数与外参数矩阵），也就是可以确定一条从相机指向点P的射线。用两幅图像确定了关于P的两条射线，那么解方程求出他们的交点坐标，就能得到P的空间坐标。
关于P点如何从二维映射到三维，参考上图，Oc的坐标通过解PNP已经求出，待求点P在图像中的像素坐标为(u,v)。根据《图像坐标系-相机坐标系-世界坐标系的关系》（由于懒癌，还没写）可以套公式求出P在相机坐标系中的坐标Pc（也就是上图中的Pc点）。具体的转换公式如下，式中F为相机镜头的焦距(mm)，u、v为点的像素坐标，其余为相机内参数。
代码如下：
代码中使用本人封装好的解PNP问题类解决PNP问题，具体使用方法参见《OpenCV:solvePnP二次封装与性能测试》。
PNPSolver p4psolver1; //初始化相机参数 p4psolver1.SetCameraMatrix(fx, fy, u0, v0); //设置畸变参数 p4psolver1.SetDistortionCoefficients(k1, k2, p1, p2, k3); p4psolver1.Points3D.push_back(cv::Point3f(0, 0, 0)); //P1三维坐标的单位是毫米 p4psolver1.Points3D.push_back(cv::Point3f(0, 200, 0)); //P2 p4psolver1.Points3D.push_back(cv::Point3f(150, 0, 0)); //P3 p4psolver1.Points3D.push_back(cv::Point3f(150, 200, 0)); //P4 //p4psolver1.Points3D.push_back(cv::Point3f(0, 100, 105)); //P5 cout << "特征点世界坐标 = " << endl << p4psolver1.Points3D << endl << endl << endl; //求出图一中几个特征点与待求点P的坐标 //cv::Mat img1 = cv::imread("1.jpg"); p4psolver1.Points2D.push_back(cv::Point2f(2985, 1688)); //P1 p4psolver1.Points2D.push_back(cv::Point2f(5081, 1690)); //P2 p4psolver1.Points2D.push_back(cv::Point2f(2997, 2797)); //P3 p4psolver1.Points2D.push_back(cv::Point2f(5544, 2757)); //P4 //p4psolver1.Points2D.push_back(cv::Point2f(4148, 673)); //P5 cout << "图一中特征点坐标 = " << endl << p4psolver1.Points2D << endl; cv::Point2f point2find1_IF = cv::Point2f(4149, 671);//图1中待求点P的图像坐标系坐标 if (p4psolver1.Solve(PNPSolver::METHOD::CV_P3P) != 0) return -1; cout << "图一中相机位姿" << endl << "Oc坐标=" << p4psolver1.Position_OcInW << " 相机旋转=" << p4psolver1.Theta_W2C << endl; //将P投射到相机坐标系，再经过反旋转求出向量OcP，最终获得图1中，直线OcP上的两个点坐标，确定了直线的方程 cv::Point3f point2find1_CF = p4psolver1.ImageFrame2CameraFrame(point2find1_IF, 350);//待求点P在图一状态下的相机坐标系坐标，输入参数350表示将P投影到350mm外的相机成像平面
此时我们得到了Pc(xc,yc,zc)，但这个点坐标是在相机坐标系中的，而我们需要知道的其实是P点在世界坐标系中对应的坐标Pw(xw,yw,cw)。为了将Pc转为Pw，需要使用到解PNP求位姿时得到的三个欧拉角
。我们知道相机坐标系C按照z轴、y轴、x轴的顺序旋转以上角度后将与世界坐标系W完全平行（详见《子坐标系C在父坐标系W中的旋转问题》），在这三次旋转中Pc显然是跟着坐标系旋转的，其在世界系W中的位置会随着改变。为了抵消旋转对P点的影响，保证C系旋转后P点依然保持在世界坐标系W原本的位置，需要对Pc进行三次反向旋转，旋转后得到点Pc在相机坐标系C中新的坐标值记为Pc‘，Pc‘的值等于世界坐标系中向量OP的值。那么Pc‘的值+ Oc的世界坐标值=P点的世界坐标Pw。
代码如下（代码中变量接上一段代码）：
double Oc1P_x1 = point2find1_CF.x;//待求点P的相机坐标系x坐标 double Oc1P_y1 = point2find1_CF.y; //待求点P的相机坐标系y坐标 double Oc1P_z1 = point2find1_CF.z; //待求点P的相机坐标系z坐标 //进行三次反向旋转，得到世界坐标系中向量OcP的值，也就是方向向量 PNPSolver::CodeRotateByZ(Oc1P_x1, Oc1P_y1, p4psolver1.Theta_W2C.z, Oc1P_x1, Oc1P_y1); PNPSolver::CodeRotateByY(Oc1P_x1, Oc1P_z1, p4psolver1.Theta_W2C.y, Oc1P_x1, Oc1P_z1); PNPSolver::CodeRotateByX(Oc1P_y1, Oc1P_z1, p4psolver1.Theta_W2C.x, Oc1P_y1, Oc1P_z1); //两点确定一条直线，a1为Oc的世界坐标，a2为P的世界坐标Pw cv::Point3f a1(p4psolver1.Position_OcInW.x, p4psolver1.Position_OcInW.y, p4psolver1.Position_OcInW.z); cv::Point3f a2(p4psolver1.Position_OcInW.x + Oc1P_x1, p4psolver1.Position_OcInW.y + Oc1P_y1, p4psolver1.Position_OcInW.z + Oc1P_z1);
上面的代码中获得了一条射线A的两个端点，其中a1为相机的世界坐标系坐标，a2为求出的P点映射到世界坐标系时的方向向量+相机的世界坐标系坐标
对另外一幅图也进行1、2的操作，得到点b1，b2。于是获得两条直线A、B，求出两条直线A与B的交点，大功告成。然而在现实中，由于误差的存在，A与B相交的可能性几乎不存在，因此在计算时，应该求他们之间的最近点坐标。
根据文章《求空间内两条直线的最近距离以及最近点的坐标(C++)》中给出的GetDistanceOf2linesIn3D类，可以求出两条直线的交点或者说两条直线的最近点坐标。
代码：
/*************************求出P的坐标**************************/ //现在我们获得了关于点P的两条直线a1a2与b1b2 //于是两直线的交点便是点P的位置 //但由于存在测量误差，两条直线不可能是重合的，于是退而求其次 //求出两条直线最近的点，就是P所在的位置了。 GetDistanceOf2linesIn3D g;//初始化 g.SetLineA(a1.x, a1.y, a1.z, a2.x, a2.y, a2.z);//输入直线A上的两个点坐标 g.SetLineB(b1.x, b1.y, b1.z, b2.x, b2.y, b2.z);//输入直线B上的两个点坐标 g.GetDistance();//计算距离 double d = g.distance;//获得距离 //点PonA与PonB分别为直线A、B上最接近的点，他们的中点就是P的坐标 double x = (g.PonA_x + g.PonB_x) / 2; double y = (g.PonA_y + g.PonB_y) / 2; double z = (g.PonA_z + g.PonB_z) / 2; cout << endl << "-------------------------------------------------------------" << endl; cout << "解得P世界坐标 = (" << x << "," << y << "," << z << ")" << endl;
最后解得P点坐标为：
P的实际坐标为(5,100,105)，计算结果的误差在1mm左右，考虑到绘图与测量时产生的误差，以及拍摄的时的视距，这样的误差在可接受范围之内。
将上述理论应用到实际当中，我用130w的工业相机在距离800上对目标拍摄了一系列的图。
该测量的误差来源于以下几个方面：
这个误差是由于在设备安装，以及尺寸测量中所形成的。最典型的比如说在用马克笔画点时画歪了一点，又或在用尺子测量P5点高度时度数不准等。
这一误差是在确定几个点的像素坐标时，取点不准所造成的。不过由于本文用的图像有2000w像素，因此该误差不太明显。若是用100w的图像，该误差的影响就会被大大增强。
理论上两次拍照位置相互垂直时，最后计算出来的P点世界坐标的误差最小，如下图。
但实际情况却不一定这么理想，尤其是在处理无人机拍摄的视频时，可能隔几帧就进行一次处理，这样就会带来较大的误差，所以最好的办法是求多组值，取它们的加权平均值。像本文所用的两幅图像的拍摄角度大概是这样的：
主视图：
侧视图：
用这两幅图像处理产生的误差就会比较大，但最终计算出的误差也就在1mm左右，能够接受。用这两幅图做实验是因为作者比较懒惰，直接用了以前拍的图片，而没有重新采集图像，好同志不要学。
标签：pen title back htm ceo points through frame .so
原文地址：http://www.cnblogs.com/singlex/p/pose_estimation_3.html
