单目相机测距
前言
根据导师的项目需求，需要在工厂环境下控制相机拍摄水泥罐车车顶图片，识别出车顶的水泥罐装圆形口并进行坐标定位，这其中需要涉及到 相机标定、单目测距、图像坐标确定、圆形物体识别 等。
一、单目测距
进行单目相机测距之前我们首先要做到两点：1.保证测距使用的图片是矫正后的、没有畸变的，可以提高我们的精度（涉及相机标定）；2.我们已知相机的焦距（可以通过相机标定得到）。
1.相机标定
参考
https://blog.csdn.net/spw_1201/article/details/78417551
我们首先使用MATLAB对相机拍摄图片进行标定得到内外参数，再使用opencv通过已知内外参数进行图片矫正。
（1）获取标定板
使用最简单的黑白棋盘格标定板，可以直接从opencv官网下载得到：
https://docs.opencv.org/2.4/_downloads/pattern.png
（2）拍摄图片
使用系统所用的单目相机拍摄带有棋盘格标定板各个角度的照片，保存大概15-20张即可。需要测量记录好棋盘格方格的大小，在标定中会使用。按照opencv官网提供的图片下载打印出的方格大小大约为26mm。
（3）进行标定
使用MATLAB进行相机标定：首先在命令行窗口中输入cameraCalibrator调用标定应用；
或者在APP中找到cameraCalibrator。
即可打开 Camera Calibrator
将我们之前采集的图片添加进去，会出现选择棋盘格方格大小的窗口，按照我们之前的测量记录选择参数即可。
单击确定后，MATLAB会自动地分析图片
图片分析结束后，会出现结果窗口
可以看到，我们的20张图片中有6个是不可以使用的，可能是由于角度等问题。点击view images也可以具体查看时哪些图片不可以使用。
点击确定后出现检测成功的图片结果
后面就是比较关键的一步，我们需要选择标定的参数
畸变参数，总共有五个，径向畸变3个（k1,k2,k3）和切向畸变2个(p1,p2)。
在OpenCV中的畸变系数的排列（k1，k2，p1，p2，k3），千万不要以为k是连着的
1.camera model : standard(标准) fisheye(鱼眼),我的摄像头是标准。
2.options:选中径向畸变:“2 coefficients”并且选择偏差:“Skew“和切向畸变:“Tangential Distortion“
径向畸变:通常，两个系数足以进行校准。对于严重失真，例如在广角镜头中，您可以选择3″“3 coefficients””个系数来包含k3。
偏差: 选择Compute Skew 复选框时，校准器会估算图像轴偏斜。某些相机传感器包含缺陷，导致图像的x轴和y轴不垂直。您可以使用skew参数对此缺陷进行建模。如果不选中该复选框，则假定图像轴是垂直的，大多数现代相机都是这种情况。
切向畸变: 当镜头和图像平面不平行时，发生切向畸变。切向失真系数模拟了这种类型的失真:
（这些选项根据你的相机进行选择）
然后点击Calibrate按钮即可得到标定的结果。
点击Show Undistorted按钮可以显示无畸变的图像
选择导出数据，即可把参数进行保存
保存后可以退出标定应用，在MATLAB主界面中将保存的cameraParams文件打开。
里面的RadialDistortion对应 **k1，k2（k3设置为0了）。
TangentialDistortion对应 p1，p2。
IntrinsicMatrix对应 内参数矩阵，注意这个和OpenCV中是转置的关系，注意不要搞错。
对应于
FocalLength对应 相机焦距，这个在后面进行测距工作会用到
（4）使用opencv查看标定结果
代码如下
import cv2
import numpy as np
#将相机的参数设置好，固定值
#相机内参数矩阵，3*3矩阵
cameraMatrix = np.array([[3.520275278305173e+03, 7.951186274833666, 2.302224660073940e+03],
[0, 3.521771625935550e+03, 1.729056461937039e+03],
[0, 0, 1]])
#相机畸变系数矩阵，5*1矩阵(k1,k2,p1,p2,k3)
distCoeffs = np.array([0.092142020349690, -0.532537876414274, -0.002400984624408, 0.001577353702050, 0])
# 读入原图片
img = cv2.imread("E:/Cement Canning/600.jpg")
h, w = img.shape[:2]
newCameraMatrix, roi = cv2.getOptimalNewCameraMatrix(cameraMatrix, distCoeffs, (w,h), 1, (w,h), 0)
# 计算无畸变和修正转换关系
mapx, mapy = cv2.initUndistortRectifyMap(cameraMatrix, distCoeffs, None, newCameraMatrix, (w,h), cv2.CV_16SC2)
# 重映射
dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)
# 调整显示窗口大小
cv2.namedWindow("dst",0);
cv2.resizeWindow("dst", 1268, 952);
cv2.imshow("dst", dst)
#按任意键退出
cv2.waitKey(0)
cv2.destroyAllWindows()
矫正后的结果如下：
可以看到矫正的效果并不理想，可能是选择options时不合适。
对比其他博主的效果，我认为问题可能是由于，我的图片是用手机拍摄的，手机可能已经带有去畸变矫正，所以导致实验效果不佳？
2.测距
参考
https://blog.csdn.net/m0_37811342/article/details/80394935
通过阅读其他资料可以得知 焦距F（单位像素值）、目标物体宽度W（单位m）、目标物体在图片中的像素宽度P（单位像素值）、目标物体距离相机距离X（单位m） 之间的关系：
F = (P*X) / W
那么在我们已知F、P、W的情况下即可求得物体距离D：
X = (F*W) / P
F我们在上面可以得到：
Fx = 3.520275278305173e+03
Fy = 3.521771625935550e+03
至于为什么一个相机出现两个焦距可以参考下面的讲解：
https://www.cnblogs.com/zipeilu/p/6658177.html
目标物体我使用的是标准的A4纸对折，宽度W为：0.21m，高度H为：0.1485m。
至于像素宽度P我们可以使用霍夫变换检测并求出白纸在图像中的像素宽度值
代码如下，用霍夫变换检测到图像中的矩形，即可得到矩形的，并通过得到的矩阵的轮廓长度和面积来计算像素宽度和像素高度
（需要注意的是： 拍摄的图片中最后不要出现太多无关物体，否则识别白纸时会造成干扰。）
import cv2
import math
import numpy as np
img = cv2.imread("E:/Cement Canning/400.jpg") #读取图像
cv2.namedWindow("img",0);
cv2.resizeWindow("img", 1268, 952);
cv2.imshow("img",img) #显示原图像
dst = img.copy()
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转为灰度值图
gaussian = cv2.GaussianBlur(gray, (5, 5), 0, 0) #高斯去噪
cv2.namedWindow("gaussian",0);
cv2.resizeWindow("gaussian", 1268, 952);
cv2.imshow("gaussian", gaussian)
ret, binary = cv2.threshold(gaussian,127,255,cv2.THRESH_BINARY) #转为二值图
cv2.namedWindow("binary",0);
cv2.resizeWindow("binary", 1268, 952);
cv2.imshow("binary", binary)
contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE) #寻找轮廓
#n=len(contours) #轮廓个数
#for i in range(n):
#去除掉根本不可能是要识别的矩形的物体，这个可以在
# if len(contours[i]) >= 4:
# print(contours[i])
# length = cv2.arcLength(contours[i], True) #获取轮廓长度
# area = cv2.contourArea(contours[i]) #获取轮廓面积
# print('length['+str(i)+']长度=',length)
# print("contours["+str(i)+"]面积=",area)
# cv2.drawContours(dst, contours, i, (0, 0, 255), 3) #绘制轮廓
#通过面积来筛选出我们要识别的矩形
c = max(contours, key=cv2.contourArea)
print(c)
cv2.drawContours(dst, c, -1, (0, 0, 255), 3) #绘制轮廓
#轮廓长度
length = cv2.arcLength(c, True)
#轮廓面积
area = cv2.contourArea(c)
#通过周长和面积计算矩形的高度和宽度
x = length/4 - (math.sqrt(math.pow(length, 2)/16 - area))
y = length/2 - x
print("高度或宽度：", x)
print("高度或宽度：", y)
cv2.namedWindow("dst",0);
cv2.resizeWindow("dst", 1268, 952);
cv2.imshow("dst", dst)
cv2.waitKey()
cv2.destroyAllWindows()
接下来就可以计算相机距离拍摄的白纸的距离，我们在拍摄时测量了手机镜头到白纸的距离为0.21m，后面我们通过计算来看看误差是多少。
（1）通过高度计算：
距离 = （Fy * H）/ 2251.85589
距离 = 0.23225m
误差： 10.595%
（2）通过宽度计算：
距离 = （Fx * W）/ 4381.74687
距离 = 0.16871m
误差：19.662%
分析：（1）x，y方向到白纸的距离有差别，可能是我用手机拍摄时，手机镜头不是水平的原因；（2）误差较大，可能是我测量镜头到白纸的距离用尺子测得不准确，还有就是拍摄的图片效果不好，后面可以使用工业相机再次进行尝试；（3）霍夫变换检测矩形时，检测到矩形边缘上的点不是连续的，这就导致计算出来的轮廓长度和面积有误差，导致计算出来的像素宽度和高度有误差。文章来源：https://www.toymoban.com/news/detail-425173.html
根据（3）中原因，我尝试使用手动测量像素宽度和高度，高度为：2711.0158px，宽度为：3757.6278px。
高度计算出的距离为：0.19291m， 误差为：8.138%
宽度计算出的距离为：0.19674m， 误差为：6.314%文章来源地址https://www.toymoban.com/news/detail-425173.html
到了这里，关于单目相机测距的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
