㈠ 数码相机是如何定位的双目定位和系统标定问题
离交论文还有4个多小时。。。估计告诉你你也来不及了。。不如就按你自己原先理解的来做。。。结题给分得了。。
㈡ 通过双目摄像头，通过对运动物体进行拍照的方式，能否精确计算出物体的三维空间速度，以及自旋角速度
第一、物体的三维空间速度需要根据物体在空间的三维坐标来计算，通过双目视觉的方式来获取被测对象的三维坐标进行计算，原理上是完全行得通的。精确度跟以下几点有关：
1、图像获取帧率：每秒钟获取的图像帧数越多，对被测物的位置描述就越精确；
2、运动速度较高，要想清晰的抓拍到，对相机的曝光方式和曝光时间要求较高，需要用比较好的硬件设备；
3、最终三维坐标的测量精度和双目系统的标定精度、立体匹配算法、相机分辨率、基线距离等都有关系。
第二、自转角速度测量。这个比较难，因为物体在空间中的转动是随机的，采用双目视觉没有办法把球体表面的所有特征点都获取到。也就是说没有办法获取到同一个点的序列三维坐标。
综上，把被测对象简化为一个点来计算其序列三维空间坐标只要硬件配置的好，还是可以解决的。但是检测被测对象自身的信息还是比较难得。
㈢ 双目如何标定障碍物高度
基于视觉的障碍物高度
检测常用的基于双目视觉的障碍物高度检测方法是首先利用双目测距原理获得三维环境的深度图，然后将摄像机标系下的坐标转换成车体坐标系下的坐标，车体坐标系中的y轴值即表示三维环境的高度。此方法需要标定板的辅助，标定过程复杂，当环境发生变化时，需要重新标定适应性差，而且畸变现象严重精度不高。
㈣ 双目视觉的匹配算法是不是有好几种具体是哪几种
与普通的图像模板匹配不同的是，立体匹配是通过在两幅或多幅存在视点差异、几何畸变、灰度畸变、噪声干扰的图像对之间进行的，不存在任何标准模板进行匹配。立体匹配方法一般包含以下三个问题:(1)基元的选择，即选择适当的图像特征如点、直线、相位等作为匹配基元;(2)匹配的准则，将关于物理世界的某些固有特征表示为匹配所必须遵循的若干规则，使匹配结果能真实反映景物的本来面目;(3)算法结构，通过利用适当的数学方法设计能正确匹配所选择基元的稳定算法。
根据匹配基元的不同，立体视觉匹配算法目前主要分为三大类,即区域匹配、相位匹配和特征匹配:
基于区域灰度的匹配算法是把一幅图像(基准图)中某一点的灰度邻域作为模板，在另一幅图像(待匹配图)中搜索具有相同(或相似)灰度值分布的对应点邻域，从而实现两幅图像的匹配。这类算法的性能取决于度量算法及搜索策略的选择。另外，也必须考虑匹配窗口大小、形式的选择，大窗口对于景物中存在的遮挡或图像不光滑的情况会更多的出现误匹配，小窗口则不具有足够的灰度变化信息，不同的窗口形式对匹配信息也会有不同的影响。因此应该合理选取匹配区域的大小和形式来达到较好的匹配结果。
相位匹配是近二十年发展起来的一种匹配算法，相位作为匹配基元，即认为图像对中的对应点局部相位是一致的。最常用的相位匹配算法有相位相关法和相位差——频率法，虽然该方法是一种性能稳定、具有较强的抗辐射抗透视畸变能力、简单高效、能得到稠密视差图的特征匹配方法。但是，当局部结构存在的假设不成立时，相位匹配算法因带通输出信号的幅度太低而失去有效性，也就是通常提到的相位奇点问题，在相位奇点附近，相位信息对位置和频率的变化极为敏感，因此用这些像素所确定的相位差异来衡量匹配误差将导致极不可靠的结果。此外，相位匹配算法的收敛范围与带通滤波器的波长有关，通常要考虑相位卷绕，在用相位差进行视差计算时，由于所采用的相位只是原信号某一带通条件下的相位，故视差估计只能限制在某一限定范围之内，随视差范围的增大，其精确性会有所下降。
基于特征的图像匹配方法是目前最常用的方法之一，由于它能够将对整个图像进行的各种分析转化为对图像特征(特征点、特征曲线等)的分析的优点，从而大大减小了图像处理过程的计算量，对灰度变化、图像变形、噪音污染以及景物遮挡等都有较好的适应能力。
基于特征的匹配方法是为使匹配过程满足一定的抗噪能力且减少歧义性问题而提出来的。与基于区域的匹配方法不同，基于特征的匹配方法是有选择地匹配能表示景物自身特性的特征，通过更多地强调空间景物的结构信息来解决匹配歧义性问题。这类方法将匹配的搜索范围限制在一系列稀疏的特征上。利用特征间的距离作为度量手段，具有最小距离的特征对就是最相近的特征对，也就是匹配对。特征间的距离度量有最大最小距离、欧氏距离等。
特征点匹配算法严格意义上可以分成特征提取、特征匹配和消除不良匹配点三步。特征匹配不直接依赖于灰度，具有较强的抗干扰性。该类方法首先从待匹配的图像中提取特征，用相似性度量和一些约束条件确定几何变换，最后将该变换作用于待匹配图像。匹配中常用的特征基元有角点、边缘、轮廓、直线、颜色、纹理等。同时，特征匹配算法也同样地存在着一些不足，主要表现为:
(l)特征在图像中的稀疏性决定了特征匹配只能得到稀疏的视差场，要获得密集的视差场必须通过使用插值的过程，插值过程通常较为复杂。
(2)特征的提取和定位的准确与否直接影响特征匹配结果的精确度。
(3)由于其应用场合的局限性，特征匹配往往适用于具有特征信息显着的环境中，在缺少显着主导特征环境中该方法有很大困难。
总之，特征匹配基元包含了算法编程上的灵活性以及令人满意的统计特性。算法的许多约束条件均能清楚地应用于数据结构，而数据结构的规则性使得特征匹配非常适用于硬件设计。例如，基于线段的特征匹配算法将场景模型描绘成相互联结的边缘线段，而不是区域匹配中的平面模型，因此能很好地处理一些几何畸变问题，对对比度和明显的光照变化等相对稳定。特征匹配由于不直接依赖于灰度，计算量小，比基于区域的匹配算法速度快的多。且由于边缘特征往往出现在视差不连续的区域，特征匹配较易处理立体视觉匹配中的视差不连续问题。
㈤ matlab双目测距中怎样把摄像机标定后的内外参数和视差图结合起来计算深度距离
你用的是双面立体相机配置吗？如果是，你需要标定左右两个相机的内部参数，即焦距，像素物理尺寸，还有两个相机间的三维平移，旋转量。如果你不做三维重建的话，就不需要得到外部参数。得到相机内部参数，就可以矫正左右两幅图像对，然后使用立体匹配算法得到目标的视差图像，然后用你得到的，fc,cc参数，用三角法则计算出目标点到相机平面的距离。三角法则：z=f*b/d。f是焦距，b是两相机间的横向距离，d是立体匹配得到的视差值，即目标像素点在左右两相机平面x方向的坐标差值。
㈥ 双目标定中R=rodrigues 什么公式
我一直也有这样的疑问：我们实验时，也没有严格把相机按照平行模式或会聚模式放呀，只是手动把两个相机斜视下方被测物，（Halcon软件）经过标定，然后在拍摄被测物体，最后测出了任意两个特征点的三维坐标，他们的间距和实际测量值一样（误差可控），请问什么平行模式啦等等，到底是为了干嘛呀？？？？？求解
㈦ opencv双目标定，知道左右相机的旋转和平移矩阵，如何求出两个相机的相对位置
非常简单。
将第一个矩阵的旋转矩阵转换为单位矩阵，平移向量转换为0向量，即可。
㈧ 双目标定后对图像校正，畸变很大，请问原因是什么
如果知道图像，不知道相机还怎么通过相机来标定畸变？
1、只给定一张图片可以根据图像中相关特征进行标定，比如：图像中的某个物体具有直线性特点。一般是找出本来应当是直线的物体边缘，在其上取若干点，根据这些点将图像中的物体边缘重新校正为直线。简单讲就是利用： line is straight 这个原理。
2、目前最常用的张正友在1998年提出的一种标定方法，是通过二维标定板（平面标定板），根据小孔成像的原理，通过对 reprojection error 最小化进行非线性优化，来实现对相机的标定。并非根据看似高大上的训练集来标定。
当然他写这篇文章的目的不单单是为了校正畸变。畸变参数只是张正友相机标定法所求参数的一部分，即：两个径向畸变系数和两个切向畸变系数。
消除畸变的目的是让相机尽量地逼近针孔相机模型，这样相机成像时直线才会保持其直线性。一般常见的畸变校正算法都是根据这一原理来实现的。
当然，还有二般的情况。比如：图像中压根就没有直线性物体存在。我们该怎么办？还能进行标定吗？
答案是肯定的。可以利用对极约束，对图像畸变进行标定。不过，这需要至少两幅图像，而且这两幅图像必须是同一相机在短时间内拍摄得到。
㈨ 如何获取双目立体视觉的标定图像
目立体视觉的研究一直是机器视觉中的热点和难点。
使用双目立体视觉系统可以确定任意物体的三维轮廓，并且可以得到轮廓上任意点的三维坐标。因此双目立体视觉系统可以应用在多个领域。现说明介绍如何基于HALCON实现双目立体视觉系统。
㈩ 单目摄像机标定与双目摄像机标定有什么区别
两台摄像机标定是为求旋转矩阵和平移矩阵，而单目为求相机内参数，目的不同，立体标定重建三维就得需要标定两个摄像机，标定为了确定内外参数包括畸变等。标定方法一样，只不过标定了两次。新手，如理解错误可以交流。谢谢！标定可以用MATLAB标定工具箱也可以opencv标定方法多个。