1 前言

雙目相機標定，從廣義上講，其實它包含兩個部分內容：

兩臺相機各自誤差的標定（單目標定）

兩臺相機之間相互位置的標定（狹義，雙目標定）

在這里我們所說的雙目標定是狹義的，講解理論的時候僅指兩臺相機之間相互位置的標定，在代碼實踐的時候，我們才說完整的雙目標定。 首先來思考一個問題：為什么要進行雙目標定？

這是因為在許多三維重建算法中，我們都要知道兩臺相機之間的相對位置關系，這樣才能進行距離計算。

基線：兩個光心的連線稱為基線；

極平面：物點（空間點M）與兩個光心的連線構成的平面稱為極平面；

極線：極平面與成像平面的交線

極點：極線的一端，基線與像平面的交點

像點：極線的一端，光心與物點連線與像平面的交點；

可以看出：

校正前，相機的光心不是相互平行的

校正后，極點在無窮遠處，兩個相機的光軸平行，像點在左右圖像上的高度一致

標定+校正后圖片： 圖1 立體校正后左右相機圖像發生一定扭曲這樣的好處是：比如后續的立體匹配時，只需在同一行上搜索左右像平面的匹配點即可，能使效率大大提高。

注：可以看出來，最重要的，我們要知道右相機相對于左相機的位姿關系，那我們才可以做校正！

2 單目理論回顧

先來回顧下單目標定理論，理想的單目相機模型可以簡化為：

而四大坐標系，包括世界坐標系、相機坐標系、圖像坐標系、像素坐標系，它們之間的轉換關系如下：

最終，從理想的相機模型，從世界坐標系到像素坐標系的轉換關系：

但由于制造原因，使得成像過程（從相機坐標系到圖像坐標系轉換過程中）存在著畸變，主要有兩類，徑向畸變和切向畸變，它們可以通過以下公式進行修正：

3 雙目標定公式推導

圖3 標定模型 ［2］ 記：

另外，右相機主點相對于左相機主點，顯然還有：

代入上式，因為拍攝了多張圖片，利用最小二乘法，也可以是奇異值分解（數學的部分比較復雜，在這里忽略），總而言之，最小化誤差，即可得到我們最佳估計的 矩陣，有了這兩個矩陣，我們做個旋轉、平移就可以了。 注：雖然得到了旋轉、平移矩陣，也但是極線校正的方法有很多，這個我們之后講。

4 極線校正理論推導

雙目標定后，我們得到了右相機相對于左相機的位姿關系，也就是R、T矩陣，下面一步即做極線校正。校正好處是之后做立體匹配搜索的時候，只需要在同高度附近進行搜索，大幅提升效率。根據前文的推導，在獲取了R、T矩陣后，我們就要進行極線校正（立體校正），使兩部相機光軸平行，如下所示：

圖4（a） 立體校正前 ［2］圖4（b） 立體校正后 ［2］

但是平行的方法有很多，可以：

左相機不動，右相機動。

也可以兩部相機旋轉到中間等等。

最常見的校正方法就是Bouguet極線校正方法。

Bouguet極線校正方法：左右相機成像平面各旋轉一半，使得左右圖像重投影造成的誤差最小，左右視圖的共同面積最大。

具體步驟（這塊理論推導可以去看論文，這里只給出結論，看不懂沒關系，不妨礙我們使用它）：

得到這兩個變換矩陣，左、右相機分別乘以這兩個矩陣即可完成變換，其中已經包含了平移信息！

再計算重投影矩陣，其實現了像素坐標系（左相機）到世界坐標系之間的轉換：

校正后，可以根據需要對圖像進行裁剪，需重新選擇一個圖像中心，和圖像邊緣從而讓左、右疊加部分最大。

責任編輯：lq6