OpenCV學(xué)習(xí)日記5

2017-05-27 10:44:35?1000sprites?閱讀數(shù) 2339更多

分類專欄：?計(jì)算機(jī)視覺

版權(quán)聲明：本文為博主原創(chuàng)文章，遵循?CC 4.0 BY-SA?版權(quán)協(xié)議，轉(zhuǎn)載請附上原文出處鏈接和本聲明。

本文鏈接：https://blog.csdn.net/shengshengwang/article/details/72779289

1. solvePnP，cvPOSIT（過時(shí)），solvePnPRansac [1][2]

解析：給定物體3D點(diǎn)集與對應(yīng)的圖像2D點(diǎn)集，以及攝像頭內(nèi)參數(shù)的情況下計(jì)算物體的3D姿態(tài)。solvePnP和cvPOSIT

的輸出都是旋轉(zhuǎn)矩陣和位移向量，不過solvePnP是精確解，cvPOSIT是近似解。因?yàn)閟olvePnP調(diào)用的是

cvFindExtrinsicCameraParams2，通過已知的內(nèi)參進(jìn)行未知外參求解；而cvPOSIT是用仿射投影模型近似透視投影模

型，不斷迭代計(jì)算出估計(jì)值（在物體深度變化相對于物體到攝像機(jī)的距離比較大時(shí)，該算法可能不收斂）。

solvePnP和solvePnPRansac函數(shù)原型，如下所示：

（1）cv2.solvePnP(objectPoints, imagePoints, cameraMatrix, distCoeffs[, rvec[, tvec[, useExtrinsicGuess[, flags]]]])?

→?retval, rvec, tvec

（2）cv2.solvePnPRansac(objectPoints, imagePoints, cameraMatrix, distCoeffs[, rvec[, tvec[, useExtrinsicGuess[,?

iterationsCount[, reprojectionError[, minInliersCount[, inliers[, flags]]]]]]]]) → rvec, tvec, inliers

?

2. 對極幾何（Epipolar Geometry）

解析：

在雙目立體視覺系統(tǒng)中，有兩個攝像機(jī)在不同角度拍攝物理空間中的同一實(shí)體點(diǎn)，在兩副圖像上分別有兩個成像點(diǎn)。

立體匹配就是已知其中的一個成像點(diǎn)，在另一副圖像上找出該成像點(diǎn)的對應(yīng)點(diǎn)。極線幾何約束是一種常用的匹配約束

技術(shù)，它是一種點(diǎn)對直線的約束，將對應(yīng)點(diǎn)匹配從整幅圖像尋找壓縮到在一條直線上尋找。

import cv2

import numpy as np

from matplotlib import pyplot as plt

?

img1 = cv2.imread('myleft.jpg',0) #queryimage # left image

img2 = cv2.imread('myright.jpg',0) #trainimage # right image

?

sift = cv2.SIFT()

# find the keypoints and descriptors with SIFT

kp1, des1 = sift.detectAndCompute(img1,None)

kp2, des2 = sift.detectAndCompute(img2,None)

?

# FLANN parameters

FLANN_INDEX_KDTREE = 0

index_params = dict(algorithm=FLANN_INDEX_KDTREE,trees=5)

search_params = dict(checks=50)

flann = cv2.FlannBasedMatcher(index_params,search_params)

matches = flann.knnMatch(des1,des2,k=2)

?

good = []

pts1 = []

pts2 = []

?

# ratio test as per Lowe's paper

for i,(m,n) in enumerate(matches):

if m.distance < 0.8*n.distance:

good.append(m)

pts2.append(kp2[m.trainIdx].pt)

pts1.append(kp1[m.queryIdx].pt)

?

pts1 = np.float32(pts1)

pts2 = np.float32(pts2)

F, mask = cv2.findFundamentalMat(pts1,pts2,cv2.FM_LMEDS)

?

# we select only inlier points

pts1 = pts1[mask.ravel()==1]

pts2 = pts2[mask.ravel()==1]

?

def drawlines(img1,img2,lines,pts1,pts2):

''' img1 - image on which we draw the epilines for the points in img2

lines - corresponding epilines

'''

r,c = img1.shape

img1 = cv2.cvtColor(img1,cv2.COLOR_GRAY2BGR)

img2 = cv2.cvtColor(img2,cv2.COLOR_GRAY2BGR)

for r,pt1,pt2 in zip(lines,pts1,pts2):

color = tuple(np.random.randint(0,255,3).tolist())

x0,y0 = map(int, [0,-r[2]/r[1]])

x1,y1 = map(int, [c,-(r[2]+r[0]*c)/r[1]])

img1 = cv2.line(img1, (x0,y0), (x1,y1), color, 1)

img1 = cv2.circle(img1,tuple(pt1),5,color,-1)

img2 = cv2.circle(img2,tuple(pt2),5,color,-1)

return img1,img2

?

# find epilines corresponding to points in right image (second image) and

# drawing its lines on left image

lines1 = cv2.computeCorrespondEpilines(pts2.reshape(-1,1,2), 2,F)

lines1 = lines1.reshape(-1,3)

img5,img6 = drawlines(img1,img2,lines1,pts1,pts2)

?

# find epilines corresponding to points in left image (first image) and

# drawing its lines on right image

lines2 = cv2.computeCorrespondEpilines(pts1.reshape(-1,1,2), 1,F)

lines2 = lines2.reshape(-1,3)

img3,img4 = drawlines(img2,img1,lines2,pts2,pts1)

?

plt.subplot(121),plt.imshow(img5)

plt.subplot(122),plt.imshow(img3)

plt.show()

結(jié)果輸出，如下所示：

說明：findFundamentalMat和computeCorrespondEpilines函數(shù)原型，如下所示：

（1）cv2.findFundamentalMat(points1, points2[, method[, param1[, param2[,?mask]]]]) →?retval, mask

（2）cv2.computeCorrespondEpilines(points, whichImage, F[, lines]) →?lines

?

3. 立體圖像中的深度地圖

解析：如果同一場景有兩幅圖像，那么就可以獲得圖像的深度信息。如下所示：

構(gòu)建立體圖像中的深度地圖過程，如下所示：

import cv2

from matplotlib import pyplot as plt

?

imgL = cv2.imread('tsukuba_l.png',0)

imgR = cv2.imread('tsukuba_r.png',0)

stereo = cv2.createStereoBM(numDisparities=16, blockSize=15)

disparity = stereo.compute(imgL,imgR)

plt.imshow(disparity,'gray')

plt.show()

結(jié)果輸出，如下所示：

說明：左側(cè)為原始圖像，右側(cè)為深度圖像。結(jié)果中的噪音可以通過調(diào)整numDisparities和blockSize得到更好的結(jié)果。

createStereoBM函數(shù)原型為cv2.createStereoBM([numDisparities[, blockSize]]) → retval。

?

4. BRIEF算子詳解 [4]

解析：BRIEF（Binary Robust Independent Elementary Features）是一種對特征點(diǎn)描述子計(jì)算和匹配的快速方法，

但它不提供查找特征的方法，原始文獻(xiàn)推薦使用CenSurE特征檢測器。同時(shí)它不具備旋轉(zhuǎn)不變性和尺度不變性而且對

噪聲敏感。如下所示：

import cv2

?

img = cv2.imread('simple.jpg',0)

# initiate STAR detector

star = cv2.FeatureDetector_create("STAR")

# initiate BRIEF extractor

brief = cv2.DescriptorExtractor_create("BRIEF")

# find the keypoints with STAR

kp = star.detect(img,None)

# compute the descriptors with BRIEF

kp, des = brief.compute(img, kp)

print brief.getInt('bytes')

print des.shape

說明：在OpenCV中CenSurE檢測器叫做STAR檢測器。

?

5.opencv-4.0.0和Windows 7：ImportError: ERROR: recursion is detected during loading of "cv2" binary extensions. Check OpenCV installation

解析：

（1）將D:\opencv-4.0.0\build\python\cv2\python-3.6\cv2.cp36-win_amd64.pyd修改為cv2.pyd，然后拷貝到D:\Anaconda3\Lib\site-packages目錄。

（2）將D:\opencv-4.0.0\build\x64\vc15\bin目錄下的.dll文件拷貝到D:\Anaconda3\Library\bin目錄。

?

參考文獻(xiàn)：

[1]?Camera Calibration and 3D Reconstruction：

http://docs.opencv.org/2.4/modules/calib3d/doc/camera_calibration_and_3d_reconstruction.html

[2] 三維姿態(tài)：關(guān)于solvePnP與cvPOSIT：http://blog.csdn.net/abc20002929/article/details/8520063

[3]?極線約束（epipolar constraint）：http://blog.csdn.net/tianwaifeimao/article/details/19544861

[4] createStereoBM：http://docs.opencv.org/3.0-

beta/modules/calib3d/doc/camera_calibration_and_3d_reconstruction.html#cv2.createStereoBM

[5] 特征工程BRIEF：http://dnntool.com/2017/03/27/brief/

總結(jié)

以上是生活随笔為你收集整理的画极线的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。