㈠ 數碼相機是如何定位的雙目定位和系統標定問題
離交論文還有4個多小時。。。估計告訴你你也來不及了。。不如就按你自己原先理解的來做。。。結題給分得了。。
㈡ 通過雙目攝像頭，通過對運動物體進行拍照的方式，能否精確計算出物體的三維空間速度，以及自旋角速度
第一、物體的三維空間速度需要根據物體在空間的三維坐標來計算，通過雙目視覺的方式來獲取被測對象的三維坐標進行計算，原理上是完全行得通的。精確度跟以下幾點有關：
1、圖像獲取幀率：每秒鍾獲取的圖像幀數越多，對被測物的位置描述就越精確；
2、運動速度較高，要想清晰的抓拍到，對相機的曝光方式和曝光時間要求較高，需要用比較好的硬體設備；
3、最終三維坐標的測量精度和雙目系統的標定精度、立體匹配演算法、相機解析度、基線距離等都有關系。
第二、自轉角速度測量。這個比較難，因為物體在空間中的轉動是隨機的，採用雙目視覺沒有辦法把球體表面的所有特徵點都獲取到。也就是說沒有辦法獲取到同一個點的序列三維坐標。
綜上，把被測對象簡化為一個點來計算其序列三維空間坐標只要硬體配置的好，還是可以解決的。但是檢測被測對象自身的信息還是比較難得。
㈢ 雙目如何標定障礙物高度
基於視覺的障礙物高度
檢測常用的基於雙目視覺的障礙物高度檢測方法是首先利用雙目測距原理獲得三維環境的深度圖，然後將攝像機標系下的坐標轉換成車體坐標系下的坐標，車體坐標系中的y軸值即表示三維環境的高度。此方法需要標定板的輔助，標定過程復雜，當環境發生變化時，需要重新標定適應性差，而且畸變現象嚴重精度不高。
㈣ 雙目視覺的匹配演算法是不是有好幾種具體是哪幾種
與普通的圖像模板匹配不同的是，立體匹配是通過在兩幅或多幅存在視點差異、幾何畸變、灰度畸變、雜訊干擾的圖像對之間進行的，不存在任何標准模板進行匹配。立體匹配方法一般包含以下三個問題:(1)基元的選擇，即選擇適當的圖像特徵如點、直線、相位等作為匹配基元;(2)匹配的准則，將關於物理世界的某些固有特徵表示為匹配所必須遵循的若干規則，使匹配結果能真實反映景物的本來面目;(3)演算法結構，通過利用適當的數學方法設計能正確匹配所選擇基元的穩定演算法。
根據匹配基元的不同，立體視覺匹配演算法目前主要分為三大類,即區域匹配、相位匹配和特徵匹配:
基於區域灰度的匹配演算法是把一幅圖像(基準圖)中某一點的灰度鄰域作為模板，在另一幅圖像(待匹配圖)中搜索具有相同(或相似)灰度值分布的對應點鄰域，從而實現兩幅圖像的匹配。這類演算法的性能取決於度量演算法及搜索策略的選擇。另外，也必須考慮匹配窗口大小、形式的選擇，大窗口對於景物中存在的遮擋或圖像不光滑的情況會更多的出現誤匹配，小窗口則不具有足夠的灰度變化信息，不同的窗口形式對匹配信息也會有不同的影響。因此應該合理選取匹配區域的大小和形式來達到較好的匹配結果。
相位匹配是近二十年發展起來的一種匹配演算法，相位作為匹配基元，即認為圖像對中的對應點局部相位是一致的。最常用的相位匹配演算法有相位相關法和相位差——頻率法，雖然該方法是一種性能穩定、具有較強的抗輻射抗透視畸變能力、簡單高效、能得到稠密視差圖的特徵匹配方法。但是，當局部結構存在的假設不成立時，相位匹配演算法因帶通輸出信號的幅度太低而失去有效性，也就是通常提到的相位奇點問題，在相位奇點附近，相位信息對位置和頻率的變化極為敏感，因此用這些像素所確定的相位差異來衡量匹配誤差將導致極不可靠的結果。此外，相位匹配演算法的收斂范圍與帶通濾波器的波長有關，通常要考慮相位卷繞，在用相位差進行視差計算時，由於所採用的相位只是原信號某一帶通條件下的相位，故視差估計只能限制在某一限定范圍之內，隨視差范圍的增大，其精確性會有所下降。
基於特徵的圖像匹配方法是目前最常用的方法之一，由於它能夠將對整個圖像進行的各種分析轉化為對圖像特徵(特徵點、特徵曲線等)的分析的優點，從而大大減小了圖像處理過程的計算量，對灰度變化、圖像變形、噪音污染以及景物遮擋等都有較好的適應能力。
基於特徵的匹配方法是為使匹配過程滿足一定的抗噪能力且減少歧義性問題而提出來的。與基於區域的匹配方法不同，基於特徵的匹配方法是有選擇地匹配能表示景物自身特性的特徵，通過更多地強調空間景物的結構信息來解決匹配歧義性問題。這類方法將匹配的搜索范圍限制在一系列稀疏的特徵上。利用特徵間的距離作為度量手段，具有最小距離的特徵對就是最相近的特徵對，也就是匹配對。特徵間的距離度量有最大最小距離、歐氏距離等。
特徵點匹配演算法嚴格意義上可以分成特徵提取、特徵匹配和消除不良匹配點三步。特徵匹配不直接依賴於灰度，具有較強的抗干擾性。該類方法首先從待匹配的圖像中提取特徵，用相似性度量和一些約束條件確定幾何變換，最後將該變換作用於待匹配圖像。匹配中常用的特徵基元有角點、邊緣、輪廓、直線、顏色、紋理等。同時，特徵匹配演算法也同樣地存在著一些不足，主要表現為:
(l)特徵在圖像中的稀疏性決定了特徵匹配只能得到稀疏的視差場，要獲得密集的視差場必須通過使用插值的過程，插值過程通常較為復雜。
(2)特徵的提取和定位的准確與否直接影響特徵匹配結果的精確度。
(3)由於其應用場合的局限性，特徵匹配往往適用於具有特徵信息顯著的環境中，在缺少顯著主導特徵環境中該方法有很大困難。
總之，特徵匹配基元包含了演算法編程上的靈活性以及令人滿意的統計特性。演算法的許多約束條件均能清楚地應用於數據結構，而數據結構的規則性使得特徵匹配非常適用於硬體設計。例如，基於線段的特徵匹配演算法將場景模型描繪成相互聯結的邊緣線段，而不是區域匹配中的平面模型，因此能很好地處理一些幾何畸變問題，對對比度和明顯的光照變化等相對穩定。特徵匹配由於不直接依賴於灰度，計算量小，比基於區域的匹配演算法速度快的多。且由於邊緣特徵往往出現在視差不連續的區域，特徵匹配較易處理立體視覺匹配中的視差不連續問題。
㈤ matlab雙目測距中怎樣把攝像機標定後的內外參數和視差圖結合起來計算深度距離
你用的是雙面立體相機配置嗎？如果是，你需要標定左右兩個相機的內部參數，即焦距，像素物理尺寸，還有兩個相機間的三維平移，旋轉量。如果你不做三維重建的話，就不需要得到外部參數。得到相機內部參數，就可以矯正左右兩幅圖像對，然後使用立體匹配演算法得到目標的視差圖像，然後用你得到的，fc,cc參數，用三角法則計算出目標點到相機平面的距離。三角法則：z=f*b/d。f是焦距，b是兩相機間的橫向距離，d是立體匹配得到的視差值，即目標像素點在左右兩相機平面x方向的坐標差值。
㈥ 雙目標定中R=rodrigues 什麼公式
我一直也有這樣的疑問：我們實驗時，也沒有嚴格把相機按照平行模式或會聚模式放呀，只是手動把兩個相機斜視下方被測物，（Halcon軟體）經過標定，然後在拍攝被測物體，最後測出了任意兩個特徵點的三維坐標，他們的間距和實際測量值一樣（誤差可控），請問什麼平行模式啦等等，到底是為了幹嘛呀？？？？？求解
㈦ opencv雙目標定，知道左右相機的旋轉和平移矩陣，如何求出兩個相機的相對位置
非常簡單。
將第一個矩陣的旋轉矩陣轉換為單位矩陣，平移向量轉換為0向量，即可。
㈧ 雙目標定後對圖像校正，畸變很大，請問原因是什麼
如果知道圖像，不知道相機還怎麼通過相機來標定畸變？
1、只給定一張圖片可以根據圖像中相關特徵進行標定，比如：圖像中的某個物體具有直線性特點。一般是找出本來應當是直線的物體邊緣，在其上取若干點，根據這些點將圖像中的物體邊緣重新校正為直線。簡單講就是利用： line is straight 這個原理。
2、目前最常用的張正友在1998年提出的一種標定方法，是通過二維標定板（平面標定板），根據小孔成像的原理，通過對 reprojection error 最小化進行非線性優化，來實現對相機的標定。並非根據看似高大上的訓練集來標定。
當然他寫這篇文章的目的不單單是為了校正畸變。畸變參數只是張正友相機標定法所求參數的一部分，即：兩個徑向畸變系數和兩個切向畸變系數。
消除畸變的目的是讓相機盡量地逼近針孔相機模型，這樣相機成像時直線才會保持其直線性。一般常見的畸變校正演算法都是根據這一原理來實現的。
當然，還有二般的情況。比如：圖像中壓根就沒有直線性物體存在。我們該怎麼辦？還能進行標定嗎？
答案是肯定的。可以利用對極約束，對圖像畸變進行標定。不過，這需要至少兩幅圖像，而且這兩幅圖像必須是同一相機在短時間內拍攝得到。
㈨ 如何獲取雙目立體視覺的標定圖像
目立體視覺的研究一直是機器視覺中的熱點和難點。
使用雙目立體視覺系統可以確定任意物體的三維輪廓，並且可以得到輪廓上任意點的三維坐標。因此雙目立體視覺系統可以應用在多個領域。現說明介紹如何基於HALCON實現雙目立體視覺系統。
㈩ 單目攝像機標定與雙目攝像機標定有什麼區別
兩台攝像機標定是為求旋轉矩陣和平移矩陣，而單目為求相機內參數，目的不同，立體標定重建三維就得需要標定兩個攝像機，標定為了確定內外參數包括畸變等。標定方法一樣，只不過標定了兩次。新手，如理解錯誤可以交流。謝謝！標定可以用MATLAB標定工具箱也可以opencv標定方法多個。