我正在使用OpenCP和Python进行三维重建和距离测量。我生成左相机的视差图,然后使用这个公式得到距离:
D=(f*b/disp)
其中,f
是焦距,b
是两个摄像机之间的距离,disp
是视差图的矩阵。
我的问题是:
我得到的数字,应该是图片中每个点的距离吗?
用这种方法我能得到的最大距离是多少(例如在我的项目中,我得到的最大距离是110)?
img_L = cv2.pyrDown( cv2.imread(Li) )
img_R = cv2.pyrDown( cv2.imread(Ri) )
'''h, w = img_L.shape[:2]
diff=(6,6,6)
mask=np.zeros((h+2,w+2),np.uint8)
window_size = 3
min_disp = 16
num_disp = 112-min_disp
stereo = cv2.StereoSGBM(minDisparity = min_disp,
numDisparities = num_disp,
SADWindowSize = window_size,
uniquenessRatio = 10,
speckleWindowSize = 100,
speckleRange = 32,
disp12MaxDiff = 1,
P1 = 8*3*window_size**2,
P2 = 32*3*window_size**2,
fullDP = False
)
print "computing disparity..."
disp = stereo.compute(img_L, img_R).astype(np.float32) / 16.0
print "generating 3d point cloud..."
h, w = img_L.shape[:2]
f = 0.8*w # guess for focal length
points = cv2.reprojectImageTo3D(disp, Mat)
colors = cv2.cvtColor(img_L, cv2.COLOR_BGR2RGB)
mask = disp > disp.min()
cv2.imshow('left', img_L)
disparity=(disp-min_disp)/num_disp
cv2.imshow('disparity',disparity )
b=6.50
D=b*f/disp
cv2.waitKey()
cv.DestroyAllWindows()
return D
使用此公式得到的值
D
是提供差异的每个点的深度。深度和距离是两个稍有不同的东西。如果使用相机的标准坐标系(即沿光轴的Z轴、图像X轴和Y轴方向的X轴和Y轴),则三维点距光学中心的距离为
sqrt(X²+Y²+Z²)
,深度为Z
。公式中的D
是深度,而不是距离。如果要从深度值中检索三维点
M = (X, Y, Z)
,需要知道相机矩阵K
:M = D * inv(K) * [u; v; 1]
,其中(u, v)
是该点的图像坐标。编辑:关于第二个问题,使用此方法可以获得的最大深度与最小视差(不是最大视差,因为
disp
在分母上)。由于视差估计是量化的(逐像素进行),所以不能估计到无限深。相关问题 更多 >
编程相关推荐