我想在Python 2.7和OpenCV 3.3中使用triangulatePoints
了解立体相机的3D点。为此,我在文件夹中校准了立体相机和存储的矩阵。我还使用cv2.stereoRectify
并使用cv2.initUndistortRectifyMap
对图像进行了无效处理来纠正我的图像。然后我保存了这些图像以及投影矩阵P1和P2,并找到了两个图像中的对应点。指向左图像ptl = np.array([304,277])
和右图像ptr = np.array([255,277])
中的对应点。之后我试了points = cv2.triangulatePoints(P1,P2,ptl,ptr)
。代码是:
import cv2
import numpy as np
import matplotlib.pyplot as plt
cameraMatrixL = np.load('mtx_left.npy')
distCoeffsL = np.load('dist_left.npy')
cameraMatrixR = np.load('mtx_right.npy')
distCoeffsR = np.load('dist_right.npy')
R = np.load('R.npy')
T = np.load('T.npy')
# following matrices I saved which i got from stereoRectify
R1 = np.load('R1.npy')
R2 = np.load('R2.npy')
P1 = np.load('P1.npy')
P2 = np.load('P2.npy')
Q = np.load('Q.npy')
# upload alreday distorted and rectified images
imgL = cv2.imread('D:\python/triangulate in 3 D\left.png',0)
imgR = cv2.imread('D:\python/triangulate in 3 D/right.png',0)
ptl = np.array([304,277]) # point in left image
ptr = np.array([255,277]) # Corresponding point in right image
points = cv2.triangulatePoints(P1,P2,ptl,ptr)
print points
但是,当我运行此代码时,我的结果发生了变化(所有结果都是错误的)。一次结果看起来像
[[ 518845863]
[ 1667138857]
[-1189385102]
[ -661713]]
另一次结果看起来像
[[-1766436066]
[ 0]
[ 0]
[-1299735447]]
有时看起来像是
[[ 0]
[ 0]
[697559541]
[ 0]]
我不知道为什么结果会发生变化,即使我的所有参数都相同?此外,这些3D点不正确。如何纠正这些问题?
编辑: 我在此代码中发现了一件事,在运行后它没有完成。它既不显示Process finished with exit code 0
也不显示Process finished with exit code 1
。当我按下红色停止按钮时,它以Process finished with exit code 1
结束。为什么这样?我认为由于这个原因,上面只会出现错误。为什么此代码未与Process finished with exit code 0
一起运行?
答案 0 :(得分:1)
最后,经过这么多尝试,我发现了我在做什么错。实际上,我是以错误的方式在代码中定义我的观点。根据{{3}},分数应为
projPoints1 - 第一张图像中的2xN特征点阵列。
但在代码中我写了
ptl = np.array([304,277]) # point in left image
ptr = np.array([255,277]) # Corresponding point in right image
意味着我正在定义1x2
数组,而我应该为单点定义2x1
数组。同样对于5点阵列应该是2x5
。 N
点偏离2xN
。最初,我没有注意到这一点,因为我以前在Matlab中进行了交互,并且相应的点被用作Nx2数组。现在我把我的点放在
l = np.array([[ 304],[ 277]],dtype=np.float)
r = np.array([[ 255 ],[ 277]],dtype=np.float)
我上面的代码工作了。
在定义此点数组时,还有一点dtype=np.float
非常重要,以避免出现错误结果。
我得到的结果不是很准确并显示差不多20-25毫米,但我解决了上述问题所以我回答了这个问题,现在我必须找出最小化错误的方法。如果有人知道如何减少错误,请告诉我。