### 计算相机标定中的重投影误差 在 Python 中，可以通过 OpenCV 提供的功能来计算相机标定的重投影误差。以下是实现这一功能的具体方法。 #### 导入库 为了完成此操作，需要导入必要的库 `cv2` 和 `numpy` 来处理矩阵运算以及加载标定数据[^1]。 ```python import numpy as np import cv2 ``` #### 加载相机参数 假设已经完成了相机标定过程并获得了内参矩阵 \(K\) 和畸变系数 \(\text{dist}\)，这些参数通常存储在一个文件中或者作为变量传递给程序。以下是一个示例代码片段用于定义它们： ```python # 定义相机内参矩阵 (替换为实际值) K = np.array([[fx, 0, cx], [0, fy, cy], [0, 0, 1]], dtype=np.float32) # 定义畸变向量 (替换为实际值) dist = np.array([k1, k2, p1, p2, k3], dtype=np.float32) ``` 其中，\( fx, fy, cx, cy \) 是焦距和主点坐标；而 \( k1, k2, p1, p2, k3 \) 则表示径向和切向畸变项。 #### 准备世界坐标系下的三维点集与对应的二维图像点 要评估重投影精度，需准备一组已知的世界坐标系下物体表面特征点及其对应于同一视图内的像素位置。这一步骤可能涉及棋盘格图案或其他结构化目标物上角点提取的结果保存下来的数据集合[^2]: ```python obj_points = [] # 存储所有对象空间中的3D点列表 img_points = [] # 对应上述每组3D点所映射到图片平面上的位置(即检测出来的亚像素级精确度的角点数组) rvecs = [] # 各视角旋转矢量估计结果 tvecs = [] # 平移矢量相应记录 ``` #### 调用校准函数获取外参及其他必要信息 利用之前收集起来的对象点同其匹配好的影像平面坐标的配对关系调用OpenCv内置算法得到最终解得摄像机内外部参数的同时也会返回均方根误差rms作为整体拟合优劣程度衡量指标之一: ```python ret, mtx, dist_coeffs, rvecs, tvecs = cv2.calibrateCamera(obj_points, img_points, gray.shape[::-1], None, None) print(f"Reprojection Error: {ret}") ``` 这里需要注意的是输入尺寸应该反转顺序因为原先是按照行列数给出但是此处期望获得宽度高度形式所以采用gray.shape[::-1]. 另外如果只是单纯想单独查看某个特定姿态下的反投射偏差情况则可以手动指定该次拍摄关联的一系列要素来进行局部验证: ```python projectedPoints, _ = cv2.projectPoints(np.asarray(obj_points[i]), rvecs[i], tvecs[i], K, dist) error = cv2.norm(img_points[i], projectedPoints.reshape(-1, 2), cv2.NORM_L2)/len(projectedPoints) print(error) ``` 以上就是整个流程概述及相关核心部分展示希望对你有所帮助!