相对于定义的世界坐标解释旋转矩阵

如何解决相对于定义的世界坐标解释旋转矩阵

在下面的图像中，我们看到了定义的世界平面坐标（X，Y，0），其中Z = 0。我们看到的相机正朝着定义的世界平面前进。

世界参考点位于网格（0,0）的左上方。每两个黄点之间的距离为40厘米

我已经使用棋盘格对相机进行了校准，然后使用内置功能 cv2.solvePnP 来估计相对于我定义的世界坐标的相机旋转和平移矢量。结果如下：

   tvec_cam= [[-5.47884374]
               [-3.08581371]
               [24.15112048]]
   rvec_cam= [[-0.02823308]
              [ 0.08623225]
              [ 0.01563199]]

根据结果，（tx，ty，tz）似乎正确，因为相机位于X，Y世界坐标的负四分之一处

但是，我对旋转矢量的解释感到困惑。

所得到的旋转矢量是否表示相机坐标与世界坐标轴几乎对齐（意味着几乎没有旋转！）？

如果是，这是真的吗？由于根据OPENCV的相机坐标，相机的Z轴指向场景（即世界平面），因此X-轴指向图像写入（表示与X-world轴相反），相机的Y轴指向图像底部（也与Y-world轴相反）

此外，tvec的单位是什么？

注意：我已根据平移矢量的结果（tx和ty均为负）说明了已定义的世界坐标轴的方向

我用于计算旋转和平移矢量的代码如下所示：

import cv2 as cv 
import numpy as np


WPoints = np.zeros((9*3,3),np.float64)
WPoints[:,:2] = np.mgrid[0:9,0:3].T.reshape(-1,2)*0.4




imPoints=np.array([[20,143],[90,[161,[231,144],[303,[374,[446,145],[516,146],[587,147],[18,214],[88,[159,215],[230,[302,216],[517,217],[588,[16,285],[87,[158,286],[229,287],[301,288],289],[518,[589,289]],dtype=np.float64)
      
    
#load the rotation matrix [[4.38073915e+03 0.00000000e+00 1.00593352e+03]
                       #  [0.00000000e+00 4.37829226e+03 6.97020491e+02]
                     #    [0.00000000e+00 0.00000000e+00 1.00000000e+00]]
with np.load('parameters_cam1.npz') as X:
mtx,dist,_,_ = [X[i] for i in ('mtx','dist','rvecs','tvecs')]


ret,rvecs,tvecs = cv.solvePnP(WPoints,imPoints,mtx,dist)


np.savez("extrincic_camera1.npz",rvecs=rvecs,tvecs=tvecs)

print(tvecs)
print(rvecs)
cv.destroyAllWindows()

下面显示了估算内在函数的代码

import numpy as np
import cv2
import glob
import argparse
import pathlib
ap = argparse.ArgumentParser()
ap.add_argument("-p","--path",required=True,help="path to images folder")
ap.add_argument("-e","--file_extension",required=False,default=".jpg",help="extension of images")
args = vars(ap.parse_args())
path = args["path"] + "*" + args["file_extension"]
# termination criteria
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER,30,0.001)

# prepare object points,like (0,0),(0.03,(0.06,0) ....,#(0.18,0.12,0)
objp = np.zeros((5*7,np.float32)
objp[:,:2] = np.mgrid[0:7,0:5].T.reshape(-1,2)*0.03
#print(objp)


# Arrays to store object points and image points from all the images.
objpoints = [] # 3d point in real world space
imgpoints = [] # 2d points in image plane.

#images = glob.glob('left/*.jpg') #read a series of images

images = glob.glob(path)

path = 'foundContours'
#pathlib.Path(path).mkdir(parents=True,exist_ok=True) 

found = 0
for fname in images: 
    
  img = cv2.imread(fname) # Capture frame-by-frame
  #print(images[im_i])
  gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
  # Find the chess board corners
  ret,corners = cv2.findChessboardCorners(gray,(7,5),None)
  #  print(corners)
  # If found,add object points,image points (after refining them)
  if ret == True:
    print('true')
    objpoints.append(objp)   # Certainly,every loop objp is the same,in 3D.
    #print('obj_point',objpoints)
    corners2 = cv2.cornerSubPix(gray,corners,(11,11),(-1,-1),criteria)
    # print(corners2)
    imgpoints.append(corners2)
    print(imgpoints)
    print('first_point',imgpoints[0])
    #print(imgpoints.shape())
    # Draw and display the corners
    img = cv2.drawChessboardCorners(img,corners2,ret)
    found += 1
    cv2.imshow('img',img)
    cv2.waitKey(1000)
    # if you want to save images with detected corners 
    # uncomment following 2 lines and lines 5,18 and 19
    image_name = path + '/calibresult' + str(found) + '.jpg'
    cv2.imwrite(image_name,img)

print("Number of images used for calibration: ",found)

# When everything done,release the capture
# cap.release()
cv2.destroyAllWindows()
#calibration
ret,tvecs = cv2.calibrateCamera(objpoints,imgpoints,gray.shape[::-1],None,None)


#save parameters needed in undistortion
np.savez("parameters_cam1.npz",mtx=mtx,dist=dist,tvecs=tvecs)
np.savez("points_cam1.npz",objpoints=objpoints,imgpoints=imgpoints)

print ("Camera Matrix = |fx  0 cx|")
print ("                | 0 fy cy|")
print ("                | 0  0  1|")
print (mtx)
print('distortion coefficients=\n',dist)
print('rotation vector for each image=',*rvecs,sep = "\n")
print('translation vector for each image=',*tvecs,sep= "\n")

希望您能帮助我理解这一点

预先感谢

解决方法

首先， tvec 是轴角表示形式（https://en.wikipedia.org/wiki/Axis%E2%80%93angle_representation）。

您可以使用cv2.Rodrigues（）获得旋转矩阵。对于您的数据，我几乎得到了身份：

[[ 0.99616253 -0.01682635  0.08588995]
 [ 0.01439347  0.99947963  0.02886672]
 [-0.08633098 -0.02751969  0.99588635]]

现在，根据图片中的 x 和 y 的方向，z轴指向向下（小心地将右规则）。这就解释了为什么相机的z轴与世界参考系的z轴几乎对齐。

---

编辑：从您发布的代码中进一步挖掘：

WPoints = np.zeros((9*3,3),np.float64)
WPoints[:,:2] = np.mgrid[0:9,0:3].T.reshape(-1,2)*0.4

X和Y的值都是正数，分别在右侧和底部递增，因此您的确使用了通常的约定。 实际上，您实际上是在使用X和Y分别向右和向下递增，而这仅仅是您在图片中绘制的箭头。

---

编辑：关于翻译矢量的解释：在OpenCV约定中，本地相机参考系中的点是从世界参考系中的点获得的，如下所示：

|x_cam|          |x_world|
|y_cam| = Rmat * |y_world| + tvec
|z_cam|          |z_world|

按照这种约定， tvec 是摄像机参考系中世界原点的位置。更容易解释的是摄像机原点在世界参考系中的位置，可以通过以下方式获得：

cam_center = -(tvec * R_inv)

其中R_inv是旋转矩阵的逆。在这里，旋转矩阵几乎是恒等式，因此快速近似为 -tvec ，即（5.4，3.1，-24.1）

。