python实现外参标定的思路

import numpy 
import cv2
# 准备已知的3D点和它们在图像中的对应点
# 比如世界坐标点四个三维坐标为
world_points = np.array([
	[0, 0, 0],
	[1, 0, 0],
	[0, 1, 0],
	[1, 1, 0]
], dtype=np.float32)

image_points = np.array([
	[100, 100],
	[200, 100],
	[100, 200],
	[200, 200]
], dtype=float32)

K = np.array([
	[500, 0, 320],
	[0, 500, 240]
	[0, 0, 1]
], detype=np.float32)

"""
# 使用solvePnP函数进行外参标定
# retval：cv2.solvePnP 的返回值，用于指示求解是否成功。通常，如果求解成功，retval 将返回True或者一个非零值。
# rvec：旋转向量，它表示相机的旋转。该向量通过将3D旋转转换为4D单位四元数（quaternion）来表示。这个向量可以通过 Rodrigues 变换来获得旋转矩阵。旋转向量描述了相机在世界坐标系中的方向。
# tvec：平移向量，它表示相机的平移，即相机位置相对于世界坐标系的平移量。这个向量表示相机从一个位置移动到另一个位置的距离和方向。
# cv2.solvePnP 函数使用迭代优化算法来估计相机的旋转向量和平移向量，以使已知的3D点在图像上的投影误差最小化。这个过程涉及到将3D点从世界坐标系映射到相机坐标系，然后通过内参矩阵将它们映射到图像坐标系，然后与实际图像上的对应点进行比较，最终调整旋转向量和平移向量以减小误差。
"""
retval, rvec, tvec = cv2.solvePnP(world_points, image_points, K, None)
# 将旋转向量转换为旋转矩阵
rotation_matrix, _ = cv2.Rodrigues(rvec)
print("Rotation Matrix:\n", rotation_matrix)
print("Translation Vector:\n", tvec)
#相机内参矩阵，实际需要根据相机给出
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

‘’python经常在调库‘’