### OpenCV 中相机坐标到实际世界坐标的转换 要实现从相机坐标系中的点转换为实际世界坐标系中的点，通常需要以下几个关键步骤： #### 1. **获取相机内参矩阵** 相机内参矩阵 \( K \) 是描述相机内部几何特性的参数集合。它包括焦距、光学中心以及可能存在的径向畸变系数等[^1]。 ```python import numpy as np # 假设已知的相机内参矩阵 K = np.array([[fx, 0, cx], [0, fy, cy], [0, 0, 1]], dtype=np.float32) fx, fy = 800, 800 # 焦距 (像素单位) cx, cy = 320, 240 # 图像中心 (像素单位) ``` #### 2. **计算旋转和平移矩阵** 使用 `cv2.solvePnP` 函数可以估计目标物体相对于相机的姿态（即旋转和平移）。该函数通过一组三维空间点及其对应的二维图像投影点来求解姿态[^2]。 ```python import cv2 # 定义真实世界的三维点集 (单位：米 或其他物理长度单位) object_points = np.array([ [0, 0, 0], # 已知的真实世界坐标 [1, 0, 0], [0, 1, 0], [0, 0, 1] ], dtype=np.float32) # 对应的图像平面内的二维点集 (单位：像素) image_points = np.array([ [300, 200], [400, 200], [300, 300], [300, 250] ], dtype=np.float32) dist_coeffs = np.zeros((4, 1)) # 如果无畸变，则设置为零矢量 _, rvec, tvec = cv2.solvePnP(object_points, image_points, K, dist_coeffs) ``` #### 3. **将相机坐标映射至世界坐标** 给定某个点在相机坐标系下的位置 \( P_c = [X_c, Y_c, Z_c]^T \)，可以通过以下公式将其变换到世界坐标系下： \[ P_w = R^{-1} \cdot (P_c - T) \] 这里 \( R \) 和 \( T \) 分别是从 `solvePnP` 得到的旋转矩阵和平移向量。注意需先利用 Rodrigues 变换将旋转向量转成旋转矩阵形式[^3]。 ```python from scipy.spatial.transform import Rotation as Rot # 将rvec转化为旋转矩阵R rot_mat, _ = cv2.Rodrigues(rvec) # 设定某一点位于相机坐标系的位置 Pc=[xc yc zc].T xc, yc, zc = 1., 2., 3. pc_homogeneous = np.array([xc, yc, zc, 1]).reshape(4, 1) pw_homogeneous = np.linalg.inv(rot_mat).dot(pc_homogeneous[:3] - tvec.reshape(-1, 1)) print(f"World Coordinates: {pw_homogeneous.flatten()}") ``` #### 4. **验证与优化** 转换完成后，建议再次投射回图像平面上以确认一致性。这一步骤有助于发现潜在误差并调整模型参数[^4]。 --- ### 注意事项 - 上述方法假设不存在显著镜头失真；如果存在较大失真，应当校正输入数据后再执行后续操作。 - 实际应用中，\(object\_points\) 的定义依赖于具体场景需求，比如棋盘格图案或其他易于识别的目标物。