我有一个使用OpenCV和Python校准的立体校准相机系统。我试图用它来计算图像点的3D位置。我收集了内在和外在矩阵，以及E，F，R和T矩阵。我对如何将2D图像点三角测量到3D对象点感到困惑。我已阅读以下帖子，但我对这个过程感到困惑（In a calibrated stereo-vision rig, how does one obtain the "camera matrices" needed for implementing a 3D triangulation algorithm?）。有人可以解释如何从2D到3D吗？从阅读中，我觉得基本矩阵（F）很重要，但我还没有找到一种将其与投影矩阵（P）联系起来的明确方法。有人可以指导我完成这个过程吗？
我感谢任何帮助。
答案 0 :(得分：9)
如果您校准了立体摄像机，则每台摄像机应具有内在的K1，K2，以及从第一台摄像机到第二台摄像机的旋转R12和平移t12。从这些中，您可以按如下方式形成相机投影矩阵P1和P2：
P1 = K1 * [I3 | 0]
P2 = K2 * [R12 | t12]
这里，I3是3x3单位矩阵，符号[R | t]表示水平堆叠R和T.
然后，您可以使用函数triangulatePoints（documentation），它实现了两个摄像机矩阵的稀疏立体三角剖分。
如果您想要密集三角剖分或深度图估计，那么有几个函数。您首先需要使用stereoRectify（documentation）来纠正这两个图像，然后执行立体匹配，例如使用StereoBM（documentation）。