相机外参与相机位姿深度理解

文章目录

      • [1. 外参矩阵的定义](#1. 外参矩阵的定义)
      • [2. 相机姿态推导](#2. 相机姿态推导)
        • [2.1 相机的位置](#2.1 相机的位置)
        • [2.2 相机的朝向(姿态)](#2.2 相机的朝向(姿态))
      • [3. 具体步骤总结](#3. 具体步骤总结)
      • [4. 示例](#4. 示例)

外参描述了相机在世界坐标系中的位置和朝向,即它将世界坐标转换为相机坐标的几何变换。具体来说,外参包括一个 旋转矩阵 R R R 和一个 平移向量 t t t,它们共同构成了将世界坐标变换到相机坐标系的刚体变换。

1. 外参矩阵的定义

外参矩阵通常表示为一个 3 × 4 3 \times 4 3×4 的矩阵,形式如下:

R t \] \\begin{bmatrix} R \& t \\end{bmatrix} \[Rt

其中:

  • R R R 是一个 3 × 3 3 \times 3 3×3 的旋转矩阵,它描述了相机的朝向(姿态)。
  • t t t 是一个 3 × 1 3 \times 1 3×1 的平移向量,它描述了相机相对于世界坐标系的平移。

该矩阵的作用是将世界坐标系下的点 P w = ( X w , Y w , Z w ) ⊤ \mathbf{P}_w = (X_w, Y_w, Z_w)^\top Pw=(Xw,Yw,Zw)⊤ 转换为相机坐标系下的点 P c = ( X c , Y c , Z c ) ⊤ \mathbf{P}_c = (X_c, Y_c, Z_c)^\top Pc=(Xc,Yc,Zc)⊤:

P c = R P w + t \mathbf{P}_c = R \mathbf{P}_w + t Pc=RPw+t

可以将这个过程写成齐次坐标形式,方便描述:

X c Y c Z c 1 \] = \[ R t 0 1 \] \[ X w Y w Z w 1 \] \\begin{equation} \\begin{bmatrix} X_c \\\\ Y_c \\\\ Z_c \\\\ 1 \\end{bmatrix} = \\begin{bmatrix} R \& t \\\\ 0 \& 1 \\end{bmatrix} \\begin{bmatrix} X_w \\\\ Y_w \\\\ Z_w \\\\ 1 \\end{bmatrix} \\end{equation} XcYcZc1 =\[R0t1\] XwYwZw1 这其中的 \[ R t 0 1 \] \\begin{bmatrix} R \& t \\\\ 0 \& 1 \\end{bmatrix} \[R0t1\] 矩阵就是外参矩阵的扩展形式(齐次变换矩阵)。 #### 2. 相机姿态推导 我们关心的是如何从外参矩阵 \[ R t \] \\begin{bmatrix} R \& t \\end{bmatrix} \[Rt\] 中推导出相机在世界坐标系中的**姿态**,即旋转和位置。 ##### 2.1 相机的位置 相机的世界坐标位置 C \\mathbf{C} C 是通过将相机坐标原点逆变换到世界坐标系中获得的。相机坐标系中的原点在相机坐标下是 P c = ( 0 , 0 , 0 ) ⊤ \\mathbf{P}_c = (0, 0, 0)\^\\top Pc=(0,0,0)⊤,因此有: R C + t = 0 R \\mathbf{C} + t = 0 RC+t=0 解得相机在世界坐标系中的位置为: C = − R − 1 t \\mathbf{C} = -R\^{-1} t C=−R−1t 由于旋转矩阵 R R R 是正交矩阵,所以 R − 1 = R ⊤ R\^{-1} = R\^\\top R−1=R⊤,因此相机位置可以表示为: C = − R ⊤ t \\mathbf{C} = -R\^\\top t C=−R⊤t ##### 2.2 相机的朝向(姿态) 相机的姿态由旋转矩阵 R R R 表示,它将世界坐标系中的方向向量旋转到相机坐标系中。具体来说,旋转矩阵的列向量表示世界坐标系中基向量在相机坐标系中的方向。 因此, R R R 描述了相机相对于世界坐标系的旋转。如果想得到相机在世界坐标系中的姿态,可以求 R R R 的转置矩阵 R ⊤ R\^\\top R⊤,因为 R R R 将世界坐标系变换到相机坐标系,而 R ⊤ R\^\\top R⊤ 则是反向变换,即从相机坐标系变回世界坐标系的旋转。 #### 3. 具体步骤总结 要从外参推导相机在世界坐标系中的姿态,步骤如下: 1. **提取旋转矩阵 R R R** :从外参矩阵 P = \[ R t \] P = \\begin{bmatrix} R \& t \\end{bmatrix} P=\[Rt\] 中提取前 3 × 3 3 \\times 3 3×3 的部分 R R R,这就是旋转矩阵,表示相机的朝向。 2. **提取平移向量 t t t** :从外参矩阵提取最后的 3 × 1 3 \\times 1 3×1 部分 t t t,表示相机的平移。 3. **计算相机位置 C \\mathbf{C} C** :通过公式 C = − R ⊤ t \\mathbf{C} = -R\^\\top t C=−R⊤t 得到相机的世界坐标系中的位置。 4. **相机的朝向** :旋转矩阵 R R R 直接描述了世界坐标系如何转换到相机坐标系。如果需要相机在世界坐标系中的姿态(即从相机坐标系转换到世界坐标系),使用 R ⊤ R\^\\top R⊤ 作为反向旋转矩阵。 #### 4. 示例 把前后左右四个相机用opencv viz模块绘制出来。 ```cpp TEST(Demo, DemoOfCamera) { Sentinel_Config sentinel_config = GetDefaultConfig(); Camera2World front_camera2world(sentinel_config.front_yaml_path); Camera2World rear_camera2world(sentinel_config.rear_yaml_path); Camera2World left_camera2world(sentinel_config.left_yaml_path); Camera2World right_camera2world(sentinel_config.right_yaml_path); // visualize camera cv::viz::Viz3d window("Coordinate Frame"); auto visualize_function = [&](Camera2World &camera2world, std::string widget_name) { cv::Matx33d K = camera2world.camera_param.para_K; cv::Matx33d R = camera2world.camera_param.Rcw; cv::Vec3d T = camera2world.camera_param.Tcw; cv::Vec3d camera_position = -R.t() * T; cv::viz::WCameraPosition cam(0.5); // Coordinate axes cv::viz::WCameraPosition cam_frustum(K, 0.5, cv::viz::Color::green()); // Camera frustum window.showWidget(widget_name, cam); window.showWidget(widget_name+" frustum", cam_frustum); // set the viewer pose cv::Affine3d cam_pose(R.t(), camera_position); window.setWidgetPose(widget_name, cam_pose); window.setWidgetPose(widget_name+" frustum", cam_pose); }; visualize_function(front_camera2world, "Front Camera"); visualize_function(rear_camera2world, "Rear Camera"); visualize_function(left_camera2world, "Left Camera"); visualize_function(right_camera2world, "Right Camera"); // visualize world cv::viz::WCoordinateSystem world_coor(1.0); window.showWidget("World", world_coor); window.spin(); } ``` ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/728ff57fb5744c55961b1ade72015143.png) camera_position

相关推荐
Microvision维视智造39 分钟前
解析大尺寸液晶屏视觉检测,装配错位如何避免?
人工智能·计算机视觉·视觉检测
ayiya_Oese2 小时前
[预备知识]1. 线性代数基础
深度学习·计算机视觉·cnn
CoderOnly6 小时前
【图问答】DeepSeek-VL 论文阅读笔记
计算机视觉·大模型
AI技术学长6 小时前
2025年高级计算机视觉工程师路线图
人工智能·python·深度学习·机器学习·计算机视觉·数学基础·学习路线图
深圳信迈科技DSP+ARM+FPGA6 小时前
基于RK3588+FPGA+AI YOLO全国产化的无人船目标检测系统(二)平台设计
人工智能·yolo·目标检测·计算机视觉·fpga开发·信号处理
youcans_7 小时前
【医学影像 AI】早产儿视网膜病变国际分类(第三版)
论文阅读·人工智能·计算机视觉·医学影像·rop
深度学习lover7 小时前
<数据集>小船识别数据集<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·船舶识别
白熊1887 小时前
【计算机视觉】CV实战项目- CMU目标检测与跟踪系统 Object Detection & Tracking for Surveillance Video
人工智能·目标检测·计算机视觉
人工智能那些事儿8 小时前
PyTorch入门:从零开始搭建你的第一个神经网络
人工智能·pytorch·深度学习·神经网络·机器学习·计算机视觉·自然语言处理
AI技术学长10 小时前
深度学习-python猫狗识别tensorflow2.0
人工智能·深度学习·计算机视觉·图像识别·计算机技术·tensorflow2·猫狗识别