cv::solvePnP使用方法及注意点详解（OpenCV/C++）

cv::solvePnP(objectPoints, imagePoints, cameraMatrix, distCoeffs, rvec, tvec, useExtrinsicGuess, flags);

1、参数说明：

objectPoints：一个 vector<cv::Point3f>，包含了在世界坐标系中的三维点的坐标，至少需要4个点。imagePoints：一个 vector<cv::Point2f>，包含了对应的图像上的二维点的坐标，与 objectPoints 中的点一一对应。cameraMatrix：相机的内参数矩阵，类型为 cv::Mat，一般为 3x3 的浮点数矩阵。distCoeffs：相机的畸变系数，类型为 cv::Mat，一般为 4x1 或 5x1 的浮点数矩阵。rvec：输出的旋转向量，类型为 cv::Mat，是大小为 3x1 的浮点数矩阵。tvec：输出的平移向量，类型为 cv::Mat，是大小为 3x1 的浮点数矩阵。useExtrinsicGuess：一个布尔值，表示是否使用可选的旋转和平移向量的初始猜测。默认为 false。flags：一个用于控制函数行为的选项标志，默认为 0。

        函数返回：

成功返回 true，失败返回 false。

2、使用说明：

objectPoints, imagePoints, cameraMatrix, distCoeffs  四个参数作为输入参数

rvec, tvec 作为输出参数

objectPoints是世界坐标系的三维坐标

imagePoints是图像上的二维点坐标

例如 使用标定好的单目相机拍摄一个矩形物体（已知相机内参＆畸变系数），

objectPoints：使用量尺测量物体的左上角、右上角、左下角、右下角之间的距离，以任意一个点作为0点，建立世界坐标系，z值设为0，得到所有点的坐标则为objectPoints，保存在vector中。

imagePoints：在图像中找到物体的左上角、右上角、左下角、右下角四个点，其所有点的像素坐标为imagePoints，保存在vector中。

使用示例：

#include <iostream>#include <vector>#include <opencv2/opencv.hpp>int main() {    std::vector<cv::Point3f> objectPoints;  // 世界坐标系中的三维点    std::vector<cv::Point2f> imagePoints;   // 图像上的二维点        // 添加 objectPoints 和 imagePoints 的数据        // 创建相机内参数矩阵    cv::Mat cameraMatrix = (cv::Mat_<double>(3,3) << fx, 0, cx, 0, fy, cy, 0, 0, 1);      // 创建相机畸变系数矩阵    cv::Mat distCoeffs = (cv::Mat_<double>(1,5) << k1, k2, p1, p2, k3;        //完善内参参数＆畸变系数参数          cv::Mat rvec;  // 输出的旋转向量    cv::Mat tvec;  // 输出的平移向量        bool success = cv::solvePnP(objectPoints, imagePoints, cameraMatrix, distCoeffs, rvec, tvec);        if (success) {        // 获取旋转向量和平移向量的结果        cv::Mat rotationMatrix;        cv::Rodrigues(rvec, rotationMatrix);        std::cout << "Rotation Vector:" << std::endl << rvec << std::endl;        std::cout << "Translation Vector:" << std::endl << tvec << std::endl;        std::cout << "Rotation Matrix:" << std::endl << rotationMatrix << std::endl;    }        return 0;}

3、注意事项：

在使用solvePnP时，需注意objectPoints和imagePoints容器中的点坐标必须一一对应，例如只有四个点时，全部按左上角、右上角、左下角、右下角的顺序存放在容器中；如果顺序不相同，则最终输出值有误。

在笔者使用solvePnP时，拍摄物是四个定位圆，圆的像素坐标是通过opencv的SimpleBlobDetector识别的，识别以后的圆像素坐标是无序的，无法和objectPoints对应上，因此有了下述算法，

用于为四个二维坐标做冒泡排序得到左上角、右上角、左下角、右下角分别对应的点

（如果没有该需求，可以忽略此段）

int main() {    std::vector<cv::Point2f> imagePoints; // 存放四个点的 vector    // 假设已经将四个点的坐标存入 imagePoints 中    // 寻找左上角、右上角、右下角和左下角对应的点    cv::Point2f topLeft, topRight, bottomRight, bottomLeft;    float minX = FLT_MAX, minY = FLT_MAX;    float maxX = FLT_MIN, maxY = FLT_MIN;    for (const auto& point : imagePoints) {        if (point.x <= minX && point.y <= minY) {            topLeft = point;            minX = point.x;            minY = point.y;        }        if (point.x >= maxX && point.y <= minY) {            topRight = point;            maxX = point.x;            minY = point.y;        }        if (point.x >= maxX && point.y >= maxY) {            bottomRight = point;            maxX = point.x;            maxY = point.y;        }        if (point.x <= minX && point.y >= maxY) {            bottomLeft = point;            minX = point.x;            maxY = point.y;        }    }    // 输出左上角、右上角、右下角和左下角对应的点的坐标    std::cout << "左上角坐标: (" << topLeft.x << ", " << topLeft.y << ")" << std::endl;    std::cout << "右上角坐标: (" << topRight.x << ", " << topRight.y << ")" << std::endl;    std::cout << "右下角坐标: (" << bottomRight.x << ", " << bottomRight.y << ")" << std::endl;    std::cout << "左下角坐标: (" << bottomLeft.x << ", " << bottomLeft.y << ")" << std::endl;    // 新建一个vector存放四个点坐标，按照objectPoints的存放顺序进行存放    std::vector<cv::Point2f> imagePoints2;     imagePoints2.push_back(topLeft);    imagePoints2.push_back(topRight);    imagePoints2.push_back(bottomRight);    imagePoints2.push_back(bottomLeft);    return 0;}

4、补充

通过solvePnP得到旋转向量rvec和平移向量tvec后，可以计算相机到被测物中心的实际距离

#include <cmath>#include <iostream>#include <vector>#include <opencv2/opencv.hpp>int main() {    std::vector<cv::Point3f> objectPoints;  // 世界坐标系中的三维点    std::vector<cv::Point2f> imagePoints;   // 图像上的二维点        // 添加 objectPoints 和 imagePoints 的数据        // 创建相机内参数矩阵    cv::Mat cameraMatrix = (cv::Mat_<double>(3,3) << fx, 0, cx, 0, fy, cy, 0, 0, 1);      // 创建相机畸变系数矩阵    cv::Mat distCoeffs = (cv::Mat_<double>(1,5) << k1, k2, p1, p2, k3;        //完善内参参数＆畸变系数参数          cv::Mat rvec;  // 输出的旋转向量    cv::Mat tvec;  // 输出的平移向量        bool success = cv::solvePnP(objectPoints, imagePoints, cameraMatrix, distCoeffs, rvec, tvec);        if (success) {        //计算相机距离被测物的实际距离        float distance = sqrt(tvec.at<double>(0,0) * tvec.at<double>(0,0) + tvec.at<double>(1,0) * tvec.at<double>(1,0) + tvec.at<double>(2,0) * tvec.at<double>(2,0)) / 10;         std::cout << "distance = "<< distance << std::endl;    }        return 0;}

本文链接：https://www.kjpai.cn/news/2024-04-01/151806.html，文章来源：网络cs，作者：欧阳逸，版权归作者所有，如需转载请注明来源和作者，否则将追究法律责任！