立体视觉的核心技术：视差计算与图像校正详解

立体视觉的核心技术：视差计算与图像校正详解

在立体视觉中，通过双目相机（即左右两台相机）的不同视角捕获的图像，结合几何关系，我们可以推算出场景中物体的深度。本文将深入讲解如何基于视差（disparity）和相似三角形的几何关系推导深度 $z$，并阐述图像校正（Image Rectification）的作用及其在视差匹配中的意义。

一、立体成像中的几何关系

在双目立体视觉系统中，左相机和右相机之间存在一个固定的水平距离，称为基线（baseline），记作 $B$。两个相机的焦距（focal length）为 $f$。

图中展示了双目立体视觉系统的结构和关键参数，帮助我们理解视差与深度的关系。

1. 基本变量定义

如图所示，双目视觉系统由左相机（光心 $O_l$）和右相机（光心 $O_r$）构成，两者之间的距离为基线 $B$。设待测物体在三维空间中的真实坐标为 $P(X,Y,Z)$，其在左、右相机图像平面上的投影点分别为 $p_l(x_l,y_l)$ 和 $p_r(x_r,y_r)$。

2. 焦距与图像平面

每个相机都有一个图像平面，其焦距为 $f$。图像平面是相机感知三维世界的二维空间，它距离相机光心的垂直距离为 $f$。在此图像平面上，左、右相机的成像点分别为 $p_l$ 和 $p_r$，其横坐标分别为 $x_l$ 和 $x_r$。

3. 视差的定义

视差（Disparity）表示物体在左右图像平面上的水平位置差异，用 $dx$ 表示，定义为：
$$dx=x_l-x_r$$
视差的存在是因为左右相机拍摄同一物体的角度不同。视差越大，意味着物体越靠近相机；反之，视差越小，物体离相机越远。

4. 深度 $Z$ 的推导

我们可以利用相似三角形关系推导出物体到相机的深度 $Z$。根据图中的三角形关系，以下是推导深度 $Z$ 的过程。

• 对于左相机成像的三角形，可以得到：
  $$\frac{X}{Z}=\frac{x_l}{f}$$

• 对于右相机成像的三角形，可以得到：
  $$\frac{X-B}{Z}=\frac{x_r}{f}$$

通过消去 $X$，得到 $Z$ 的公式如下：

1. 由左相机的成像关系得出：
   $$X=\frac{x_l\cdot Z}{f}$$

2. 将 $X$ 代入右相机的成像关系中，得到：
   $$\frac{\frac{x_l\cdot Z}{f}-B}{Z}=\frac{x_r}{f}$$

3. 整理得出：
   $$x_l\cdot Z-B\cdot f=x_r\cdot Z$$

4. 将 $Z$ 项合并，可以得出最终深度 $Z$ 的表达式：
   $$Z=f\frac{B}{x_l-x_r}=f\frac{B}{dx}$$

5. 深度 $Z$ 与视差 $dx$ 的关系

最终，深度 $Z$ 可以表示为基线 $B$、焦距 $f$ 和视差 $dx$ 的函数：
$$Z=f\frac{B}{dx}$$

该公式表明，深度 $Z$ 与视差 $dx$ 成反比关系。具体来说：

• 当视差 $dx$ 增大时，深度 $Z$ 会减小。这表示物体距离相机更近，因为左右相机看到的物体位置差异显著。
• 当视差 $dx$ 减小时，深度 $Z$ 会增大。这表示物体距离相机更远，因为左右相机看到的物体位置几乎相同。

这种关系很直观：当物体靠近相机时，由于角度差异，左右相机的成像位置会有较大差异，形成较大的视差；而当物体较远时，左右相机成像位置差异较小，视差随之减小。

---

二、图像校正：视差匹配的预处理

在实际的双目视觉系统中，左右相机并不总是能够完美对齐。由于安装误差、镜头失真或相机的角度偏差，左右图像可能存在垂直方向或旋转上的不一致。这会导致对应点的极线（epipolar line）并不水平。

如图所示，左右图像平面中的极线可能是倾斜的，这种不对齐给视差匹配带来了额外的复杂性。为了解决这一问题，我们通常需要对图像进行图像校正（Image Rectification），即通过一种变换使得左右图像的极线变得水平平行，使得同一空间点在左右图像中的投影点位于同一条水平线上。这种操作能够简化视差匹配过程，并提高深度估计的精度。

1. 图像校正的作用

图像校正的核心目标是对输入图像进行透视变换，确保左右相机的极线在校正后的图像中保持水平。校正后的图像具有以下特点：

• 极线水平对齐：校正后的极线保持水平，从而简化视差计算。
• 简化匹配：同一个空间点的左右成像点处于同一水平线上，有利于更高效、精确地进行视差匹配。

在图中可以看到，原始左右图像的极线（红色虚线）可能并不水平；校正之后，这些极线被强制水平对齐，从而满足视差计算的要求。

2. 图像校正的数学描述

为了实现图像校正，构造一个变换矩阵 $H$ 是关键步骤。通过这个矩阵，我们可以对原始图像进行透视变换，将左右图像中的点映射到校正后的平面上，从而使得左右相机的极线水平对齐。

图像校正过程可以表示为：

$$\text{校正图像}=\text{原始图像}\times H$$

其中 $H$ 是校正变换矩阵，其求解依赖于相机的内参和外参，即相机的内部光学特性（焦距、光心）和相机相对于其他相机或世界坐标系的空间位置关系（旋转和平移）。

内参矩阵 $K$

相机的内参描述了相机的光学特性，包括焦距和光心位置。内参矩阵 $K$ 通常表示为：

$$K=\left[\begin{array}{ccc}{f}_x& 0& c_x\\ 0& f_y& c_y\\ 0& 0& 1\end{array}\right]$$

其中 $f_x$ 和 $f_y$ 是相机在 $x$ 和 $y$ 方向的焦距，$c_x$ 和 $c_y$ 是光心的位置。内参矩阵 $K$ 可以通过相机标定技术得到。

外参矩阵 $[R|t]$

外参定义了相机的空间位置和方向，包括旋转矩阵 $R$ 和平移向量 $t$。其中，$R$ 是一个 $3\times 3$ 矩阵，描述了相机坐标系相对于世界坐标系的旋转；$t$ 是一个 $3\times 1$ 向量，描述了相机的平移。外参矩阵组合表示为：

$$\text{外参矩阵}=\left[\begin{array}{cc}R& t\\ 0& 1\end{array}\right]$$

通过内参和外参的组合，我们可以构造出用于校正的变换矩阵 $H$。

构造校正矩阵 $H$

校正矩阵 $H$ 的构造如下：

$$H=K\cdot R_{\text{rect}}\cdot K^{-1}$$

其中：

• $K$ 为内参矩阵；
• $R_{\text{rect}}$ 是通过外参计算得到的旋转矩阵，用于将原始图像坐标旋转到极线水平对齐的校正坐标系下；
• $K^{-1}$ 是内参矩阵的逆矩阵，用于将校正结果映射回像素坐标系。

通过这种变换，校正后的图像点 ${\mathbf{p}}_{\text{rect}}$ 可以由原始图像点 $\mathbf{p}$ 映射得到：

$${\mathbf{p}}_{\text{rect}}=H\cdot \mathbf{p}$$

3. 校正后的视差匹配

完成图像校正后，左右图像的极线平行且水平对齐。这样一来，视差匹配可以直接在水平方向上进行，这带来了以下好处：

• 提高视差计算的准确性：由于极线对齐，视差直接反映物体深度的信息，减少了因角度偏差带来的误差。
• 降低计算复杂度：无需在垂直方向上搜索匹配点，从而简化了视差匹配的计算过程。

最终，通过图像校正，双目相机的视差匹配过程变得更加简单有效，为深度估计提供了精确的基础。这一过程在自动驾驶、三维重建和机器人视觉系统中尤为重要，因为它显著提升了双目视觉系统的鲁棒性和计算效率。

---

三、总结

立体视觉中的视差与深度成反比关系。通过双目相机拍摄的图像，我们可以利用视差来推算物体的深度。而图像校正操作则确保了左右图像的极线平行，使得视差计算更为简单和高效。这一过程在自动驾驶、3D 建模等领域中有着广泛的应用。