commit 39d606552158de83d20328754ebf3f4f13ce7790
Author: fly6516 <fly6516@outlook.com>
Date:   Fri May 23 11:43:17 2025 +0800

    feat(camera): 添加相机标定与运动估计功能
    
    - 新增 camera_calibration.py 文件，实现相机标定功能
    - 新增 motion_estimation.py 文件，实现运动估计功能- 编写实验报告，总结相机标定与运动估计的原理和实验结果

diff --git a/camera_calibration.py b/camera_calibration.py
new file mode 100644
index 0000000..2ad03ba
--- /dev/null
+++ b/camera_calibration.py
@@ -0,0 +1,56 @@
+import cv2
+import numpy as np
+import glob
+
+# 棋盘格尺寸：内角点数量（宽度，高度）
+chessboard_size = (9, 6)
+
+# 创建棋盘格世界坐标系下的三维点阵
+# 生成形如(0,0,0), (1,0,0)...(8,5,0)的三维坐标
+objp = np.zeros((chessboard_size[0] * chessboard_size[1], 3), np.float32)
+objp[:, :2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2)
+
+# 存储对象点和图像点的列表
+objpoints = []  # 世界坐标系中的3D点
+imgpoints = []  # 图像坐标系中的2D点
+
+# 加载所有棋盘格图像路径
+images = glob.glob('images/*.jpg')
+
+for fname in images:
+    img = cv2.imread(fname)
+    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+
+    # 寻找棋盘格角点
+    ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)
+
+    if ret:
+        objpoints.append(objp)
+        imgpoints.append(corners)
+
+        # 绘制并显示检测到的角点
+        cv2.drawChessboardCorners(img, chessboard_size, corners, ret)
+        cv2.imshow('Corners', img)
+        cv2.waitKey(0)  # 修改此处：改为等待用户按键关闭窗口
+
+# 销毁所有OpenCV创建的窗口
+cv2.destroyAllWindows()
+
+if len(objpoints) > 0:
+    # 执行相机标定，获取相机矩阵、畸变系数等参数
+    ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)
+
+    # 输出相机矩阵和畸变系数
+    print("相机矩阵:\n", mtx)
+    print("畸变系数:\n", dist)
+
+    # 计算重投影误差
+    mean_error = 0
+    for i in range(len(objpoints)):
+        imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)
+        error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2)
+        mean_error += error
+
+    print("平均重投影误差: ", mean_error / len(objpoints))
+else:
+    print("未找到有效的棋盘格图像。")
\ No newline at end of file
diff --git a/images/calib_1.jpg b/images/calib_1.jpg
new file mode 100644
index 0000000..1f9112c
Binary files /dev/null and b/images/calib_1.jpg differ
diff --git a/images/left.jpg b/images/left.jpg
new file mode 100644
index 0000000..9e0db2d
Binary files /dev/null and b/images/left.jpg differ
diff --git a/images/right.jpg b/images/right.jpg
new file mode 100644
index 0000000..7d5fdae
Binary files /dev/null and b/images/right.jpg differ
diff --git a/motion_estimation.py b/motion_estimation.py
new file mode 100644
index 0000000..9da0314
--- /dev/null
+++ b/motion_estimation.py
@@ -0,0 +1,55 @@
+import cv2
+import numpy as np
+
+# 读取左右视角图像（灰度模式）
+img1 = cv2.imread('images/left.jpg', 0)
+img2 = cv2.imread('images/right.jpg', 0)
+
+# 初始化SIFT特征检测器
+sift = cv2.SIFT_create()  # 创建SIFT对象
+
+# 检测关键点并计算描述符
+kp1, des1 = sift.detectAndCompute(img1, None)
+kp2, des2 = sift.detectAndCompute(img2, None)
+
+# FLANN匹配器参数配置
+FLANN_INDEX_KDTREE = 1
+index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)  # KD树算法参数
+search_params = dict(checks=50)  # 搜索参数：检查次数
+
+# 创建FLANN匹配器实例
+flann = cv2.FlannBasedMatcher(index_params, search_params)
+matches = flann.knnMatch(des1, des2, k=2)  # k近邻匹配
+
+pts1 = []
+pts2 = []
+good_matches = []  # 初始化优质匹配列表
+
+# 使用Lowe's比率测试筛选优质匹配
+for i, (m, n) in enumerate(matches):
+    if m.distance < 0.7 * n.distance:  # 修改此处：调整距离比阈值
+        good_matches.append(m)
+        pts2.append(kp2[m.trainIdx].pt)  # 记录右图匹配点坐标
+        pts1.append(kp1[m.queryIdx].pt)  # 记录左图匹配点坐标
+
+if len(good_matches) > 8:
+    pts1 = np.int32(pts1)
+    pts2 = np.int32(pts2)
+
+    # 计算基础矩阵（使用RANSAC算法）
+    F, mask = cv2.findFundamentalMat(pts1, pts2, cv2.FM_RANSAC)
+    print("基础矩阵:\n", F)
+
+    # 通过基础矩阵恢复旋转和平移变换
+    _, R, t, _ = cv2.recoverPose(F, pts1, pts2)
+    print("旋转矩阵:\n", R)
+    print("平移向量:\n", t)
+
+    # 可视化优质匹配结果
+    img_match = cv2.drawMatches(img1, kp1, img2, kp2, good_matches, None, 
+                               flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
+    cv2.imshow('特征匹配', img_match)
+    cv2.waitKey(0)
+    cv2.destroyAllWindows()
+else:
+    print("匹配点不足，无法计算基础矩阵。")
\ No newline at end of file
diff --git a/实验报告_相机标定与运动估计.md b/实验报告_相机标定与运动估计.md
new file mode 100644
index 0000000..5fac756
--- /dev/null
+++ b/实验报告_相机标定与运动估计.md
@@ -0,0 +1,43 @@
+# 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
+![标定角点](results/calibration_corners.png)
+
+### 运动估计特征匹配图
+![特征匹配](results/feature_matching.jpg)
+
+## 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。
\ No newline at end of file