Matx33d camMat;
Matx41d distCoeffs;
Matx31d rvec;
Matx31d tvec;
std::vector<Point3f> objPoints;
std::vector<Point2f> imgPoints;
solvePnP(objPoints, imgPoints, camMat, distCoeffs, rvec, tvec);
然后我可以使用projectPoints从<3d世界点转到2d图像点：
std::vector<Point2f> projPoints;
projectPoints(objPoints, rvec, tvec, camMat, distCoeffs, projPoints);
projPoints非常接近imgPoints。
如何使用与属于同一平面的3d世界点对应的屏幕点进行反向操作。我知道从单一视图来看，重建三维位置是不可能的，但是我在同一个平面上，所以它确实是一个二维问题。我可以计算反向旋转矩阵以及反向平移向量，但是我该如何进行？
Matx33d rot;
Rodrigues(rvec, rot);
Matx33d camera_rotation_vector;
Rodrigues(rot.t(), camera_rotation_vector);
Matx31d camera_translation_vector = -rot.t() * tvec;
答案 0 :(得分：1)
这个问题似乎与另一个Stackoverflow问题重复，其中提问者提供了很好的解决方案。这是链接：答案在这里：Computing x,y coordinate (3D) from image point
答案 1 :(得分：0)
假设您通过objpoints-imgpoints对来校准相机。注意，第一个是校准板上特征点的真实世界3维坐标，第二个是每个图像中特征点的2维像素位置。因此，它们两个都应该是包含校准板图像元素数量的列表。在执行以下Python代码行之后，您将获得校准矩阵mtx，每个校准板的旋转rvecs及其转换tvecs。
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, np.zeros(5,'float32'),flags=cv2.CALIB_USE_INTRINSIC_GUESS )
现在，我们可以在该假设下找到任何像素的3D坐标。该假设是我们需要定义一些参考点。假设我们的参考是第0个（第一个）校准板，其枢轴点为0,0，校准板的长轴为x，短轴为y轴，校准板的表面也显示Z = 0平面。这是我们创建投影矩阵的方法。
# projection matrix
Lcam=mtx.dot(np.hstack((cv2.Rodrigues(rvecs[0])[0],tvecs[0])))
现在，我们可以定义任何像素位置和所需的Z值。注意，由于我想在参考校准板上投影（100,100）像素位置，因此我将Z设置为0。
px=100
py=100
Z=0
X=np.linalg.inv(np.hstack((Lcam[:,0:2],np.array([[-1*px],[-1*py],[-1]])))).dot((-Z*Lcam[:,2]-Lcam[:,3]))
现在我们有了（px，py）像素的X和Y坐标，它是X [0]，X [1]。 X的最后一个元素是λ因子。结果，我们可以说，（px，py）位置上的像素下降到第0个校准板表面的X [0]，X [1]坐标上。