### 计算三维点的OpenCV函数 在计算机视觉应用中，重建三维场景是一个重要环节。对于给定的一组匹配特征点，在两个视图中的位置已知的情况下，可以利用`cv2.triangulatePoints()`来计算这些点的世界坐标系下的三维位置[^1]。 此方法依赖于摄像机内参矩阵以及两台摄像机之间的相对位姿关系（旋转和平移）。具体来说： - `projMatr1`: 第一台摄像机投影矩阵。 - `projMatr2`: 第二台摄像机投影矩阵。 - `points1`: 在第一个视角下检测到的关键点集合。 - `points2`: 对应于`points1`但在第二个视角下的关键点集。 下面给出一段简单的代码片段展示如何调用该API: ```python import numpy as np import cv2 def calculate_3D_points(proj_matrix_left, proj_matrix_right, pts_left, pts_right): """ 使用三角测量法从一对立体图像中恢复空间点的位置 参数: proj_matrix_left (numpy.ndarray): 左侧相机的投影矩阵 proj_matrix_right (numpy.ndarray): 右侧相机的投影矩阵 pts_left (list of tuples): 来自左侧图像的兴趣点列表 [(x,y), ...] pts_right (list of tuples): 来自右侧图像对应兴趣点列表 返回值: world_points (numpy.ndarray): N×4 的齐次坐标的数组表示的空间点 """ # 将输入转换成适合传递的形式 pt_array_left = np.array(pts_left).reshape(-1, 2).T pt_array_right = np.array(pts_right).reshape(-1, 2).T # 执行三角化操作得到四维向量形式的结果(因为是齐次坐标) homog_world_pts = cv2.triangulatePoints( projMatrix1=proj_matrix_left, projMatrix2=proj_matrix_right, projPoints1=pt_array_left, projPoints2=pt_array_right) # 归一化处理获得实际世界坐标(X,Y,Z)，去除最后一列W分量 world_points = (homog_world_pts[:3]/np.repeat(homog_world_pts[-1], repeats=3)).T return world_points ``` 上述实现展示了怎样通过提供左右两侧摄像头各自的投影矩阵和对应的像素坐标来进行三维重构。值得注意的是，为了提高精度，通常还需要考虑镜头畸变等因素的影响，并据此调整参数设置[^2]。