OpenCV学习日记5

2017-05-27 10:44:35 1000sprites 阅读数 2339更多

分类专栏： 计算机视觉

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/shengshengwang/article/details/72779289

1. solvePnP，cvPOSIT（过时），solvePnPRansac [1][2]

解析：给定物体3D点集与对应的图像2D点集，以及摄像头内参数的情况下计算物体的3D姿态。solvePnP和cvPOSIT

的输出都是旋转矩阵和位移向量，不过solvePnP是精确解，cvPOSIT是近似解。因为solvePnP调用的是

cvFindExtrinsicCameraParams2，通过已知的内参进行未知外参求解；而cvPOSIT是用仿射投影模型近似透视投影模

型，不断迭代计算出估计值（在物体深度变化相对于物体到摄像机的距离比较大时，该算法可能不收敛）。

solvePnP和solvePnPRansac函数原型，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. 对极几何（Epipolar Geometry）

解析：

在双目立体视觉系统中，有两个摄像机在不同角度拍摄物理空间中的同一实体点，在两副图像上分别有两个成像点。

立体匹配就是已知其中的一个成像点，在另一副图像上找出该成像点的对应点。极线几何约束是一种常用的匹配约束

技术，它是一种点对直线的约束，将对应点匹配从整幅图像寻找压缩到在一条直线上寻找。

1. import cv2

2. import numpy as np

3. from matplotlib import pyplot as plt

4.  

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

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

7.  

8. sift = cv2.SIFT()

9. # find the keypoints and descriptors with SIFT

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

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

12.  

13. # FLANN parameters

14. FLANN_INDEX_KDTREE = 0

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

16. search_params = dict(checks=50)

17. flann = cv2.FlannBasedMatcher(index_params,search_params)

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

19.  

20. good = []

21. pts1 = []

22. pts2 = []

23.  

24. # ratio test as per Lowe's paper

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

26. if m.distance < 0.8*n.distance:

27. good.append(m)

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

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

30.  

31. pts1 = np.float32(pts1)

32. pts2 = np.float32(pts2)

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

34.  

35. # we select only inlier points

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

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

38.  

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

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

41. lines - corresponding epilines

42. '''

43. r,c = img1.shape

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

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

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

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

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

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

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

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

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

53. return img1,img2

54.  

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

56. # drawing its lines on left image

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

58. lines1 = lines1.reshape(-1,3)

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

60.  

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

62. # drawing its lines on right image

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

64. lines2 = lines2.reshape(-1,3)

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

66.  

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

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

69. plt.show()

结果输出，如下所示：

说明：findFundamentalMat和computeCorrespondEpilines函数原型，如下所示：

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

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

 

3. 立体图像中的深度地图

解析：如果同一场景有两幅图像，那么就可以获得图像的深度信息。如下所示：

构建立体图像中的深度地图过程，如下所示：

1. import cv2

2. from matplotlib import pyplot as plt

3.  

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

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

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

7. disparity = stereo.compute(imgL,imgR)

8. plt.imshow(disparity,'gray')

9. plt.show()

结果输出，如下所示：

说明：左侧为原始图像，右侧为深度图像。结果中的噪音可以通过调整numDisparities和blockSize得到更好的结果。

createStereoBM函数原型为cv2.createStereoBM([numDisparities[, blockSize]]) → retval。

 

4. BRIEF算子详解 [4]

解析：BRIEF（Binary Robust Independent Elementary Features）是一种对特征点描述子计算和匹配的快速方法，

但它不提供查找特征的方法，原始文献推荐使用CenSurE特征检测器。同时它不具备旋转不变性和尺度不变性而且对

噪声敏感。如下所示：

1. import cv2

2.  

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

4. # initiate STAR detector

5. star = cv2.FeatureDetector_create("STAR")

6. # initiate BRIEF extractor

7. brief = cv2.DescriptorExtractor_create("BRIEF")

8. # find the keypoints with STAR

9. kp = star.detect(img,None)

10. # compute the descriptors with BRIEF

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

12. print brief.getInt('bytes')

13. print des.shape

说明：在OpenCV中CenSurE检测器叫做STAR检测器。

 

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）将D:\opencv-4.0.0\build\python\cv2\python-3.6\cv2.cp36-win_amd64.pyd修改为cv2.pyd，然后拷贝到D:\Anaconda3\Lib\site-packages目录。

（2）将D:\opencv-4.0.0\build\x64\vc15\bin目录下的.dll文件拷贝到D:\Anaconda3\Library\bin目录。

 

参考文献：

[1] Camera Calibration and 3D Reconstruction：

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

[2] 三维姿态：关于solvePnP与cvPOSIT：http://blog.csdn.net/abc20002929/article/details/8520063

[3] 极线约束（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/