1.openmvg是源码内参什么？
2.一文详解头部位姿估计收藏好文
3.易航智能——专注量产的自动驾驶解决方案供应商
4.opencv棋盘格实现相机标定(附源码)
5.Opencv中的两种去畸变函数
6.图像对齐根据cv2.findhomography()计算出的变换矩阵,能够
openmvg是什么？
OpenMVG是一个开源的多视角立体几何库，它在计算机视觉领域中用于处理多视角几何问题。源码内参这个库以其简洁性和可维护性而闻名，源码内参提供了一系列经过测试且可靠的源码内参接口。它可以在GitHub上找到，源码内参并且有一个详细的源码内参网易云年度歌单源码在哪文档说明如何使用。OpenMVG的源码内参主要功能包括解决多视角立体几何的精准匹配问题，提供用于特征提取和匹配的源码内参方法，以及一个完整的源码内参单视图几何重建（SfM）工具链，包括校正、源码内参参数估计、源码内参重建和表面处理等步骤。源码内参
OpenMVG的源码内参核心库包含了多个功能的核心算法实现，例如图像处理、源码内参数值计算、源码内参特征处理、相机模型和多视角几何等模块。它还提供了一些样例，教用户如何使用这些工具。OpenMVG在Windows平台上有着良好的支持，并且可以通过CMake和Visual Studio进行编译。
在安装OpenMVG时，建议与OpenCV一起编译，并在CMake配置中启用OpenCV支持。如果使用的是较旧的Visual Studio版本（如），可能会遇到兼容性问题，此时可以修改源代码中的一些部分以兼容旧版本。
在使用OpenMVG时，可能会遇到一些断言错误，尤其是在调试模式下。这些错误通常与数据结构的对齐问题有关，可以通过修改源代码中相关的数据结构和算法来解决。
OpenMVG的SfM模块提供了一系列用于结构从运动（SfM）问题的方法和数据存储接口，包括相机位置估计、结构测量和Bundle Adjustment（BA）等。SfM_Data类是SfM问题的核心数据结构，包含了视图、姿态、内参和3D点等信息。
OpenMVG还提供了一些样例程序，展示了如何使用不同的特征提取和匹配方法，以及如何估计单应矩阵和本征矩阵。这些样例有助于用户理解和掌握OpenMVG的使用。
总的等分坐标源码来说，OpenMVG是一个功能强大的开源库，适用于需要在多个视图中处理立体几何问题的项目。
一文详解头部位姿估计收藏好文
在许多应用中，我们需要知道头部相对于相机是如何倾斜的。例如，在虚拟现实应用程序中，可以使用头部的姿势来渲染场景的正确视图。在驾驶员辅助系统中，汽车上的摄像头可以观察驾驶员的面部，通过头部姿态估计来判断驾驶员是否在关注道路。当然，人们也可以使用基于头部姿势的手势来控制免提应用程序。
本文中我们约定使用下面术语，以免混淆。位姿：英文是pose，包括位置和姿态。位置：英文是location。：英文是photo，本文中用来指一幅照片。图像：英文是image，本文中用在平面或坐标系中，例如image plane指图像平面，image coordinate system指图像坐标系统。旋转：英文是rotation。平移：英文是translation。变换：英文是transform。投影：英文是project。
什么是位姿估计？在计算机视觉中，物体的姿态是指物体相对于相机的相对方向和位置。你可以通过物体相对于相机移动，或者相机相对于物体移动来改变位姿。—— 这二者对于改变位姿是等价的，因为它们之间的关系是相对的。本文中描述的位姿估计问题通常被称为“Perspective-n-Point” 问题，或计算机视觉中的PnP问题。PnP问题的目标是找到一个物体的位姿，我们需要具备两个条件：条件1：有一个已经校准了的相机；条件2：我们知道物体上的n个3D点的位置locations和这些3D点在图像中相应的2D投影。
如何在数学上描述相机的运动？一个3D刚体(rigid object)仅有2种类型的相对于相机的运动。第一种：平移运动（Translation）。平移运动是指相机从当前的位置location其坐标为（X， Y， Z）移动到新的坐标位置（X‘， Y’，主页介绍源码Z‘）。平移运动有3个自由度——各沿着X，Y，Z三个轴的方向。平移运动可以用向量t = (X’-X, Y’-Y, Z’-Z)来描述。第二种：旋转运动（Rotation）。是指将相机绕着X，Y，Z轴旋转。旋转运动也有3个自由度。有多种数学上的方法描述旋转运动。使用欧拉角（横摇roll, 纵摇pitch, 偏航yaw）描述，使用3X3的旋转矩阵描述，或者使用旋转方向和角度（directon of rotation and angle）。
进行位姿估计时你需要什么？为了计算一幅图像中一个刚体的3D位姿，你需要下面的信息：信息1：若干个点的2D坐标。你需要一幅图像中若干个点的2D（x, y）位置locations。在人的面部这个例子中，你可以选择：眼角、鼻尖、嘴角等。在本文中，我们选择：鼻尖、下巴、左眼角、右眼角、左嘴角、右嘴角等6个点。信息2：与2D坐标点一一对应的3D位置locations。你需要2D特征点的3D位置locations。信息3：相机的内参。正如前文说提到的，在这个PnP问题中，我们假定相机已经被标定了。换句话说，你需要知道相机的焦距focal length、图像的光学中心、径向畸变参数。
位姿估计算法是如何工作的？有很多的位姿估计算法，最有名的可以追溯到年。该算法的详细讨论超出了本文的讨论范围。这里只给出其简要的核心思想。该位姿估计PnP问题涉及到3个坐标系统。gdb源码原理（1）世界坐标系。前面给出的各个面部特征的3D点就是在世界坐标系之中；（2）如果我们知道了旋转矩阵R和平移向量t，我们就能将世界坐标系下的3D点“变换Transform”到相机坐标系中的3D点。（3）使用相机内参矩阵，能将相机坐标系中的3D点能被投影到图像平面image plane, 也就算图像坐标系统image coordinate system。整个问题就是在3个坐标系统中玩耍：3D的世界坐标系World coordiantes、3D的相机坐标系Camera coordinates、2D的图像坐标系Image coordinates。下面，我们来深入研究图像生成方程式，以理解上述三个坐标系是如何工作的。
在上述中，左下角的O是相机的中心，中间的平面Image Plane就是像平面，我们感兴趣的是找出“将3D点P投影到像平面中点p的方程式”。首先，我们假设已经知道了位于世界坐标系中3D点P的位置（U，V，W），如果我们还知道了世界坐标系相对于相机坐标系之间的旋转矩阵R和平移向量t,通过下面方程式，就能计算出点P在相机坐标系下的位置（X，Y，Z）。
下面，我们来深入研究图像生成方程式，以理解上述三个坐标系是如何工作的。在上述中，左下角的O是相机的中心，中间的平面Image Plane就是像平面，我们感兴趣的是找出“将3D点P投影到像平面中点p的方程式”。首先，我们假设已经知道了位于世界坐标系中3D点P的位置（U，V，W），如果我们还知道了世界坐标系相对于相机坐标系之间的旋转矩阵R和平移向量t,通过下面方程式，就能计算出点P在相机坐标系下的位置（X，Y，Z）。
正如将在下面章节讲述的，我们知道(X, Y, Z)只在一个未知的尺度上或者说(X, Y, Z)仅由一个未知的尺度所决定，所以我们没有一个简单的线性系统。
直接线性变换（Direct Linear Transform）我们已经知道了3D模型世界坐标系中的很多点也就是（U，V，失信系统源码W），但是，我们不知道(X, Y, Z)。我们只知道这些3D点对应的2D点在图像平面Image Plane中的位置也就是(x, y)。在不考虑畸变参数的情况下，像平面中点p的坐标(x,y)由下面的方程式（3）给出。方程式（3）中的s是什么？它是一个未知的尺度因子scale factor。由于在图像中我们没有点的depth信息，所以这个s必须存在于方程中。引入s是为了表示：图2中射线O-P上的任何一点，无论远近，在像平面Image Plane上的都是同一个点p。也就是说：如果我们将世界坐标系中的任何一点P与相机坐标系的中心点O连接起来，射线O-P与像平面Image Plane的交点就是点P在像平面上的像点p，该射线上的任何一点P，都将在像平面上产生同一个像点p。现在，上面这些讨论已经将方程式（2）搞复杂了。因为这已经不是我们所熟悉的、能解决的一个“好的线性方程”了。我们方程看起来更像下面的形式。不过，幸运的是，上面形式的方程，可以使用一些“代数魔法”来解决——直接线性变换（DLT）。当你发现一个问题的方程式“几乎是线性的，但又由于存在未知的尺度因子，造成该方程不完全线性”，那么你就可以使用DLT方法来求解。
列文伯格-马夸尔特优化算法（Levenberg-Marquardt Optimization）由于下面的一些原因，前面阐述的DLT解决方案并不能非常精确地求解。第一：旋转向量R有3个自由度，但是DLT方案中使用的矩阵描述有9个数，DLT方案中没有任何措施“强迫估计后得到的3X3的矩阵变为一个旋转矩阵”。更重要的是：DLT方案没有“正确的目标函数”。的确，我们希望能最小化“重投影误差reprojection error”，正如下面将要讲的。
对于方程式（2）和方程式（3），如果我们知道正确的位姿（矩阵R和向量t），通过将3D点投影到2D像平面中，我们能预测到3D面部点的2D点在图像中的位置locations。换而言之，如果我们知道R和t，对于每一个3D点P，我们都能在像平面上找到对于的点p。我们也知道了2D面部特征点通过Dlib或者手工点击给出。我们可以观察被投影的3D点和2D面部特征之间的距离。当位姿估计结果是准确的时候，被投影到像平面Image Plane中的3D点将与2D面部特征点几乎完美地对齐。但是，当位姿估计不准确时，我们可以计算“重投影误差reprojection error”——被投影的3D点和2D面部特征点之间的距离平方和。
位姿（R和t）的近似估计可以使用DLT方案。改进DLT解决方案的一个简单方法是随机“轻微”改变姿态(R和t)，并检查重投影误差是否减小。如果的确减小了，我们就采用新的估计结果。我们可以不断地扰动R和t来找到更好的估计。尽管这种方法可以工作，但是很慢。可以证明，有一些基本性的方法可以通过迭代地改变R和t的值，从而降低重投影误差。——其中之一就是所谓的“列文伯格-马夸尔特优化算法”。在OpenCV中，有两种用于位姿估计的API：solvePnP和solvePnPRansac。solvePnP实现了几种姿态估计算法，可以使用参数进行选择不同的算法。默认情况下，它使用标志SOLVEPNP_ITERATIVE，其本质上是DLT解决方案，然后是列文伯格-马夸尔特算法进行优化。SOLVEPNP_P3P只使用3个点来计算姿势，并且应该只在使用solvePnPRansac时使用。在OpenCV3中，引入了SOLVEPNP_DLS和SOLVEPNP_UPNP两种新方法。关于SOLVEPNP_UPNP有趣的事情是，它在估计位姿时，也试图估计相机内部参数。solvePnPRansac中的“Ransac”是“随机抽样一致性算法Random Sample Consensus”的意思。引入Ransac是为了位姿估计的鲁棒性。当你怀疑一些数据点是噪声数据的时候，使用RANSAC是有用的。
样例CMakeLists.txt文件：文件：源代码：OAK中国|追踪AI技术和产品新动态公众号|OAK视觉人工智能开发点「这里」添加微信好友（备注来意）戳「+关注」获取最新资讯↗↗
易航智能——专注量产的自动驾驶解决方案供应商
北京易航远智科技有限公司自年成立以来，致力于自动驾驶系统的自主研发，成为中国首批自动驾驶创业公司之一。公司获得了包括经纬中国、源码资本、明势资本等知名创投机构的支持，以及北汽产投、广汽资本和理想汽车等主机厂的战略投资。
易航智能自年起便涉足自动驾驶Tier1量产项目，至今已拥有万辆整车量产经验，积累了超过亿公里的驾驶数据。公司拥有感知、决策规划控制、软硬件开发、测试标定等全栈自研能力，并率先实现了NOA行泊一体、城市全场景FSD等高阶功能。
易航智能团队在感知、决策、控制、故障诊断等核心算法方面拥有深厚的技术实力。公司主营自动驾驶解决方案（ADAS、NOA、FSD）、域控制器、摄像头模组、驾驶算法与软件等产品，并在北京、苏州设有研发中心和工厂，固安设有测试基地。主要客户包括理想汽车、北汽集团、江铃雷诺、上汽大通、一汽大众、威马汽车等主机厂。
易航智能汇集了汽车行业精英和计算机视觉、深度学习领域专家，硕士及以上学历人员占比超过一半。团队成员主要来自国内外主机厂、Tier 1供应商、国内外顶尖科研机构和伯克利、剑桥、清华、北大、北航等知名院校。
苏州平方米的一期生产工厂已建成并投入使用，拥有全球领先的智能化、自动化自动驾驶专用摄像头及域控制器生产线，产品已在多款车型中前装量产。
公司还建立了全球领先的摄像头调试和测试实验室，产线可进行AA和内参标定，已量产1M、2M、8M前视、侧视、环视摄像头，FOV覆盖°-°。
易航智能已通过IATF 、ISO、ISO 、ISO等国际认证。
opencv棋盘格实现相机标定(附源码)
在理解相机标定的原理前，必须明确相机模型的四个坐标系：像素坐标系、图像坐标系、相机坐标系以及世界坐标系。像素坐标系的单位为像素，而图像坐标系则为归一化单位，具体单位（如mm或m）由深度值决定。畸变图像坐标通过相机标定得到的畸变参数校正，从而帮助理解内参矩阵与畸变系数的角色。图像坐标系与相机坐标系的转换需注意，这里的[Xc,Yc,Zc]代表物体在相机坐标系下的位置。相机坐标系与世界坐标系的转换则需理解相机位姿。
使用OpenCV实现相机标定，首步是准备*7的棋盘格图像，可通过链接获取。确保从不同角度拍摄多张棋盘格图像，关键在于每张图像的角点应保持一致。不一致的图像应排除，确保图像走向一致。主要使用的OpenCV函数用于处理图像与坐标系的转换，具体函数使用可查阅相关文档。
相机标定的结果通过重投影误差评估。核心代码简化了标定过程，有效提高效率。运行结果展示了棋盘格图像与标定后的结果对比，直观展示了标定效果。项目源码在链接中提供，适用于Ubuntu .系统。使用者只需打印棋盘格，将拍摄的存储于指定文件夹，即可完成标定。
Opencv中的两种去畸变函数
在探讨 OpenCV 中的两种去畸变函数前，我们首先需要了解畸变校正和损失有效像素原理。在相机标定后，OpenCV 提供了两种主要方法来处理图像畸变：直接使用 cv::undistort() 函数得到去畸变图像，或通过 cv::getOptimalNewCameraMatrix() 获取新的矩阵，再利用 cv::initUndistortRectifyMap() 和 cv::remap() 函数映射原图至新图。
在比较两种方法的差异之前，让我们先对 getOptimalNewCameraMatrix() 函数进行简要介绍。函数参数 alpha 对结果影响重大。当 alpha 为 0 时，生成的矩阵为内矩阵，即不包含任何黑色边框的图像大小，以此重新计算内参。如果 alpha 为 1，则生成的矩阵为外矩阵，等同于原图大小。当 alpha 在 0 到 1 之间时，将按照比例重新计算内参。内矩阵等同于不含任何黑色边框的图幅大小，而外矩阵等同于原图大小。
深入探究 getOptimalNewCameraMatrix() 的实现过程，我们发现其 inner 和 outer 矩阵的生成与原始内参和畸变系数之间存在密切联系。通过在 icvGetRectangles() 函数中生成 9x9 个点，并对这些点进行去畸变转换，我们得到外围矩阵 oX0, oY0, oX1, oY1 及内围矩阵。这些矩阵的生成有助于理解原始图像的畸变情况。
在实际应用中，如处理 Ladybug 相机时，可以自动获得去畸变图像，但通常包含黑色边框。为了去除这些边框，尝试将 alpha 设为 0 来得到去黑边图像。然而，当只提供相机内参而无畸变系数时，使用空畸变系数会导致内参不变。通过深入研究源码，我们发现，在畸变系数为空时，inner 与 outer 矩阵大小相同，导致 fx, fy, cx, cy 参数保持不变。因此，为了获得理想的去黑边图像，需要手动截取可视范围，并基于新左上角重新计算 cx, cy，从而得到新的去黑边图像和对应的新相机内参。
综上所述，理解 OpenCV 中的两种去畸变方法有助于在实际项目中灵活选择合适的处理策略。通过分析内参、畸变系数和生成的矩阵，可以更有效地处理和优化图像，满足不同应用需求。
图像对齐根据cv2.findhomography()计算出的变换矩阵,能够
在使用OpenCV进行图像处理时，有时需要计算图像间的变换矩阵，以实现图像对齐。其中，cv2.findHomography()函数是实现这一目标的重要工具。但请注意，这一计算得到的变换矩阵仅适用于平面物体，并且在使用前，需要先获取相机的内参信息（通常通过标定过程获得）。
进一步操作中，若需要将计算出的变换矩阵中的旋转部分（R）和位移部分（t）分开，OpenCV提供了相应的接口。具体而言，可以利用cv2.decomposeEssentialMat()或cv2.decomposeHomographyMat()函数，来分别从Essential矩阵或Homography矩阵中提取旋转和位移信息。这些接口在处理三维场景时尤其有用。
在实际应用中，如OpenVSLAM（一种用于视觉SLAM（同步定位与地图构建）的开源系统）的源码中，通常直接利用OpenCV提供的分解Homography或Essential矩阵的接口来进行初始化，以实现目标物体在不同相机视图间的对齐与定位。
