43 lines
1.7 KiB
Markdown
43 lines
1.7 KiB
Markdown
|
# 计算机视觉实验报告：相机标定与运动估计
|
|||
|
|
|
|||
|
|
## 一、 实验目的
|
|||
|
|
1. 了解相机标定和运动估计的基本原理；
|
|||
|
|
2. 了解相机标定和运动估计的应用；
|
|||
|
|
3. 掌握相机标定和运动估计实现方法。
|
|||
|
|
|
|||
|
|
## 二、 基本思想
|
|||
|
|
### 相机标定
|
|||
|
|
相机标定旨在计算相机的内部参数（焦距、主点坐标等）和外部参数（位置和方向），以及校正镜头畸变。使用棋盘格图案作为标定物，通过已知的3D-2D对应关系来求解相机矩阵和畸变系数。
|
|||
|
|
|
|||
|
|
### 运动估计
|
|||
|
|
运动估计是通过分析连续图像帧之间的特征匹配，确定两个视图之间的相对旋转和平移变换。这通常涉及基础矩阵或本质矩阵的计算，从而恢复场景的三维结构和相机运动。
|
|||
|
|
|
|||
|
|
## 三、 源码
|
|||
|
|
### 相机标定代码
|
|||
|
|
```python
|
|||
|
|
# 见camera_calibration.py文件
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 运动估计代码
|
|||
|
|
```python
|
|||
|
|
# 见motion_estimation.py文件
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
## 四、 算法分析
|
|||
|
|
### 时间复杂度
|
|||
|
|
- **相机标定**：主要耗时在角点检测O(N)和线性优化迭代求解参数，整体近似为O(N·T)，其中N为像素数，T为迭代次数。
|
|||
|
|
- **运动估计**：SIFT特征提取为O(M), 特征匹配为O(M²)，RANSAC筛选为O(K)。总体时间复杂度约为O(M²+K)。
|
|||
|
|
|
|||
|
|
### 空间复杂度
|
|||
|
|
- **相机标定**：存储对象点和图像点的数组为O(P)，P为角点数目。
|
|||
|
|
- **运动估计**：保存关键点和描述符的空间为O(Q), Q为特征数量。
|
|||
|
|
|
|||
|
|
## 五、 实验运行结果图
|
|||
|
|
### 相机标定角点检测示例
|
|||
|
|
|
|||
|
|
|
|||
|
|
### 运动估计特征匹配图
|
|||
|
|
|
|||
|
|
|
|||
|
|
## 六、 实验总结
|
|||
|
|
这里可以添加你的实验心得和遇到的问题及解决方案。
|