相机标定实验报告
手机相机标定实验报告
1 手机相机标定与校正1.1 实验目的要进行手机相机的标定与校正，首先需要建立模型。
通过拍摄到的图像信息获取到物体在真实三维世界里相对应的信息，建立物体从三维世界映射到相机成像平面这一过程中的几何模型。
由于相机透镜的制造工艺，会使成像产生多种形式的畸变，例如近大远小，在世界坐标系中的直线转化到其他坐标系不在是直线等。
在矫正过程中，利用畸变系数来矫正这种像差。
1.2 实验原理1.2.1 相机标定模型与方法定义如下的四个坐标系来建立模型： 世界坐标系（三维）：用户定义的三维世界的坐标系，描述目标物在真实世界里的位置。
单位为m 。
相机坐标系（三维）：在相机上建立的坐标系，从相机的角度描述物体位置，作为沟通世界坐标系和图像/像素坐标系的中间一环。
单位为m 。
图像坐标系（二维）：描述成像过程中物体从相机坐标系到图像坐标系的投影透射关系，方便进一步得到像素坐标系下的坐标。
单位为m 。
像素坐标系（二维）：描述物体成像后的像点在数字图像上（相片）的坐标，是我们真正从相机内读取到的信息所在的坐标系。
单位为个（像素数目）。
通过单应性变化实现像素坐标系与世界坐标系之间的映射，假定标定棋盘位于世界坐标系中0=w Z 的平面，两者间坐标映射关系如下：0012001101x w y w f u u X v s f v r r t Y ⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎡⎤=⎢⎥⎣⎦⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦其中，u 、v 表示像素坐标系中的坐标，s 表示尺度因子，X.Y 表示世界坐标系中的坐标。
如下矩阵为相机的内参矩阵，其中/,/x y f f dx f f dy ==为分别在x 轴和y 轴上对焦距进行归一化所求得的值，dx 、dy 为像元尺寸。
00(,)u v 为图像中心坐标。
0000001x y f u f v ⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦张氏相机标定法利用单应性矩阵来描述世界坐标系与像素坐标系之间的映射关系，将尺度因子、内参矩阵和外参矩阵的乘积定义为单应性矩阵，如下所示：001200001xy f u H s f v r r t ⎡⎤⎢⎥⎡⎤=⎢⎥⎣⎦⎢⎥⎣⎦确定角点后，可通过下述公式求得单应性矩阵H ，进一步求得内参矩阵以及外参矩阵：111213212223313233''11x h h h x y h h h y h h h ⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦展开化简，化为AX=0的齐次方程组形式，多组对应点形成超定方程组，可以运用最小二乘法求解：111213313233313233111213313233212223212223313233''()y'()y'h x h y h x h x h y h x h x h y h h x h y h h x h y h h x h y h h x h y h h x h y h ++⎧=⎪++++=++⎪→⎨++=++++⎪=⎪++⎩将单应性矩阵化为[]12H sM r r t =，M 为内参矩阵。
相机标定方法与实验研究
。机器视觉系统主要利用计算机来模拟人或再现与人
［3］
类视觉有关的某些智能行为， 从客观事物的图像中提取信息进行处理并加以理解， 最终用于实际检测和控制的系统 。在机器视觉中利用相机标定技术得到的相
机系统的内外参数的精度对整个系统的成败有很大的影响。 机器视觉系统中很重 要的一项工作就是是通过相机获取的物体图像信息计算出三维空间中物体的几 何信息， 并根据这些信息进行后续的重建和识别工作。 相机成像的数学模型决定
1.1 课题背景及研究的目的与意义 ........................................................................................... 1 1.2 国内外研究现状..................................................................................................................... 2
四、总结 .............................................................................................................................. 14 参考文献 .............................................................................................................................. 15
三、实验内容 ......................................................................................................................... 9
几何校正实验报告
几何校正实验报告几何校正实验报告概述：几何校正是数字图像处理中的一项重要技术，它通过对图像进行几何变换，使得图像中的对象与实际场景中的对象保持一致。
本实验旨在通过对不同图像进行几何校正，探究几何校正对图像质量和几何形状的影响。
实验方法：本实验采用了一种常见的几何校正方法——相机标定法。
首先，我们使用了一台高分辨率的数码相机进行拍摄，拍摄目标是一张平面上的标定板。
标定板上有一些已知尺寸的特征点，通过测量相机与特征点之间的关系，我们可以得到相机的内外参数。
接下来，我们选取了几张不同场景的图像，利用相机的内外参数进行几何校正。
实验结果：经过几何校正，我们发现图像的质量得到了显著提升。
首先，图像的畸变现象得到了有效纠正。
在进行几何校正之前，由于相机镜头的畸变，图像中的直线可能会出现弯曲的情况。
而经过几何校正后，图像中的直线变得更加直观、准确。
其次，图像的尺度得到了恢复。
在进行几何校正之前，由于相机的投影变换，图像中的物体可能会出现形变，使得物体的尺寸无法准确测量。
而经过几何校正后，图像中的物体形状得到了恢复，尺寸测量的准确性得到了提高。
讨论与分析：几何校正在数字图像处理中具有广泛的应用价值。
首先，几何校正可以提高图像的测量精度。
在很多科学研究和工程应用中，对图像中物体的尺寸进行准确测量是非常重要的。
通过几何校正，可以消除相机系统带来的误差，提高测量的准确性。
其次，几何校正可以提高图像的可视化效果。
在很多图像处理任务中，如目标检测、目标跟踪等，图像的质量直接影响算法的性能。
几何校正可以消除图像中的畸变，使得图像更加直观、准确，提高算法的准确性和鲁棒性。
不过，几何校正也存在一些挑战和局限性。
首先，几何校正需要相机的内外参数，而相机的标定过程相对复杂，需要专业的设备和技术支持。
其次，几何校正可能会引入一定的误差。
在实际应用中，由于标定误差、图像噪声等因素的影响，几何校正的效果可能会有所降低。
因此，在进行几何校正时，需要综合考虑实际需求和误差容忍度。
实验报告：摄像机标定
北京联合大学实验报告摄像机标定班级：14级软件工程学号：140803502姓名：郑永荣2015年 6 月 28 日1 实验任务（原始任务）使用个人摄像机拍摄一组标定图片，完成对拍摄设备进行标定的任务。
为了更加便捷方便，开发一个程序实现自动开启摄像机，并且自动拍摄标定图片以及完成摄像机标定，得到摄像机的内外参数，均需XML文件保存。
2 实验原理2.1 摄像机内外参数定义（或说明）摄像机内参数：主点（图像帧存的中心点）、实际焦距、镜头畸变(径向镜头畸变和切向镜头畸变)以及系统计算误差参数等。
摄像机外参数：将给出摄像机坐标相对于世界坐标系的位置和方向，即摄像机相对于外部世界坐标的方位。
如旋转参数和平移参数。
2.2 摄像机标定原理2.2.1 摄像机光学成像过程的四个步骤：2.2.2坐标系2.2.2.1 世界坐标系--摄像机坐标系世界坐标系摄像机坐标系世界坐标系与摄像机坐标系的转换关系为：R和T分别为从世界坐标到摄像机坐标系的旋转变换系数和平移变换系数，反映的是摄像机坐标系与世界坐标系之间的位置关系，因此称为外参数。
摄像机将三维空间点P 经过摄像机中心C 投影到像平面上为点p ，其中点p 为摄像机中心O C 和三维空间点P 的连线与图像平面的交点。
其中，),,(C C C Z Y X 是点P 在摄像机坐标系中的三维坐标， ),(u u y x 是针孔摄像机模型下p 点的物理图像坐标，单位为mm 。
2.2.2.2 物理坐标系--像素坐标系令p 为归一化的理想物理坐标，相当于摄像机的焦距f 为1。
像素坐标系图像物理坐标与像素坐标之间的关系如下：其中Sx，Sy为x、y轴的畸变因子，则图像点的像素坐标m与规一化图像坐标p之间的关系以齐次坐标表示为：（其中S为畸变因子）2.2.3 摄像机内参数求解最终得到世界坐标与像素坐标之间的关系如下所示。
在后续的设计当中考虑的是线性摄像机成像，故将畸变因子S去除。
2.3 机器视觉标定板说明对摄像机进行内外参数标定需要使用到标定板，那么摄像机标定板都有哪些，各有什么特点？这需要根据实际情况去选择。
《基于棋盘格和圆标定物的双目相机标定方法研究》范文
《基于棋盘格和圆标定物的双目相机标定方法研究》篇一一、引言在三维重建、机器视觉、立体测量等领域中，双目立体视觉技术具有重要地位。
而为了获得高精度的双目视觉系统，准确的相机标定是必不可少的步骤。
本文旨在研究基于棋盘格和圆标定物的双目相机标定方法，通过分析棋盘格和圆标定物的特点，结合双目相机的成像原理，提出一种高效、准确的标定方法。
二、相关技术背景2.1 棋盘格标定法棋盘格标定法是计算机视觉中常用的一种相机标定方法。
该方法通过拍摄包含棋盘格的图像，并检测棋盘格的角点位置来获得相机的内参和外参。
由于棋盘格具有明显的特征点，易于被检测和定位，因此该方法具有较高的精度和稳定性。
2.2 圆标定物法圆标定物法是一种基于圆特征的相机标定方法。
该方法通过拍摄包含圆标定物的图像，并检测出圆心位置来获得相机的参数。
与棋盘格相比，圆标定物具有更好的旋转不变性和尺度不变性，能够更好地适应不同的拍摄环境和角度。
三、基于棋盘格和圆标定物的双目相机标定方法3.1 棋盘格与圆标定物的结合本文将棋盘格和圆标定物相结合，提出一种新的双目相机标定方法。
该方法首先利用棋盘格标定法获取相机的初始参数，然后通过拍摄包含圆标定物的图像，利用圆心位置对相机参数进行进一步优化。
3.2 标定过程（1）准备阶段：制作棋盘格和圆标定物，并将其放置在双目相机的视野范围内。
（2）拍摄阶段：分别拍摄包含棋盘格和圆标定物的图像，并确保图像清晰、无畸变。
（3）角点与圆心检测：利用计算机视觉算法检测棋盘格的角点位置和圆标定物的圆心位置。
（4）参数估计：根据检测到的角点和圆心位置，利用相机成像原理和双目立体视觉技术，估计相机的内外参数。
（5）参数优化：利用非线性优化算法对相机参数进行优化，以提高标定的精度和稳定性。
四、实验与分析为了验证本文提出的基于棋盘格和圆标定物的双目相机标定方法的可行性和有效性，我们进行了大量的实验和分析。
实验结果表明，该方法能够有效地提高双目视觉系统的精度和稳定性，具有较高的实用价值。
摄像机标定实验报告(浙大2013机器视觉硕班课程实验报告)
图3揭示了经过解算得到的摄像机与“标定板”之间位置关系， 标定误差情况则由图4给出。
Extrinsic parameters (camera-centered)
5 6 1 9 10 13 717 1611 4 15 19 1812 3 20
Oc -0.05 Xc -0.1 -0.1 0 Y c 0.1 0 0.2 0.1 0.3 Zc
参考文献
[1] 陈利红, 毛剑飞, 诸静. CCD 摄像机标定与修正的简便方法[J]. 浙江大学学报 (工
学版), 2003, 37(4): 406-409.
[2] 孙玉青, 冀小平. Matlab 标定工具箱在摄像机定标中的应用[J]. 太原科技, 2010, 3: 040. [3] 王建强 , 张海花 . 基于 Matlab 工具箱的摄像机标定 [J]. 实验室研究与探索 , 2013, 32(6): 37-39.
1000
O
dY
1000
dX
1200
1200
1400
1400
1400
1600
2
1600
1600
1800 500 1000 1500 2000 2500
1800 500
1800 500 1000 1500 Xc (in camera frame) 2000 2500
图2 部分角点检测仿真结果
当21张图像全部完成角点检测后，可通过仿真界面的Calibration按钮实现摄像机标定
其中， fc代表焦距， cc代表相机坐标系下的原点坐标， 该坐标系中x、 y轴夹角为alpha_c， 几 何 畸 变 系 数 则 由 kc 表 征 。 从 上 述 仿 真 结 果 可 以 看 出 , 相 机 的 径 向 畸 变 参 数 为 0.07712,-0.12206；切向畸变参数则为-0.00632,0.00632。
相机标定实验报告
相机标定一、实验原理相机标定就是求解相机的内参数以及畸变参数的过程。
相机的标定主要有两种：传统的摄像头标定方法和摄像头自标定方法，典型的有：（1）Tsai（传统的标定方法）；（2）张正友（介于传统和自标定之间）。
1999年，微软研究院的张正友提出了基于移动平面模板的相机标定方法。
此方法是介于传统标定方法和自标定方法之间的一种方法，传统标定方法虽然精度高设备有较高的要求，其操作过程也比较繁琐，自标定方法的精度不高，张正友标定算法克服了这两者的缺点同时又兼备二者的优点，因此对办公、家庭的场合使用的桌面视觉系统(DVS)很适合。
张正友标定方法由于简单、效果好而得到广泛使用。
张正友标定法的标定步骤：1、打印一张模板并贴在一个平面上；2、从不同角度拍摄若干张模板图像；3、检测出图像中的特征点；4、求出摄像机的外参数（单应性矩阵）和内参数（最大似然估计）；5、求出畸变系数；6、优化求精。
张正友标定方法的主要思想是：1、相机内参矩阵其中，q 的坐标系是默认的OpenCV 的像素坐标系，Q 的坐标系是标定板坐标系，Z 轴为0，原点在标定板的某个内角点上（标定板上角点的坐标均为[*,*,0]的形式），在OpenCV 3.0中使用的是（[i ∗Squres_Size ，j ∗Square_Size ，0]的形式）。
其中fx 和fy 表示相机x 轴和y 轴的焦距，s 表示成像平面x 轴和y 轴的不正交性。
2、基础公式对于不同位置的棋盘格到相机的成像，可以使用下面的公式进行表示：其中，[R|t]表示棋盘格坐标系相对于相机坐标系的位姿。
把矩阵R 和M ~写开，如下式所示：进行化简得：其中[u v 1]是已知量，[X Y 1]也是已知量，A 和[r1 r2 t]是未知量。
其中H=A[r1 r2 t]又叫做单应性矩阵，可以使用下面的3中所述的方法求解。
3、单应矩阵求解这里使用的方法基于最大似然准则：假设提取的m 存在均值为0，噪声协方差矩阵为的高斯白噪声。
相机标定
Based on reflector column：基本思想：在一个场景中的一个垂直柱面上，设置由许多反射目标组成的试验区域。
下图显示的是在桥桩上贴反射片的例子。
目标应该(1)覆盖照相机的垂直视场；(2)在深度上有一定的变化。
也就是说，反射体不能被放置在和照相机主轴正交的平面内。
右图显示的是反射片覆盖在一个视场范围内的垂直带上的照相机图像。
The image below shows an indoor scene with9下面图像显示的是一个室内场景，在大约3m的距离内的一个柱体上分布了9个反射片，在大约8m的距离内有7个反射片，在大约相距13m处有一个反射片。
通过一次闪光拍摄，所有目标都可以在一幅图像中清晰显示出来。
单个校准视场，不能精确确定照相机校准参数。
但是因为照相机是固定在扫描仪的旋转部分上的，可以记录下一系列的图像，并且从所有图像上提取出的反射标靶覆盖了照相机的整个视场，由此能给出一个非常好的校准视场。
通常校准视场是通过全站仪进行测量的。
因为激光扫描仪通过进行精密扫描（像结点扫描），能够在它自身坐标系统中提供高精度的标靶位置，因此不需要用全站仪进行测量。
因此如上面所描述的，通过放置许多标靶，可设置一个试验视场，将顶部固定有照相机的扫描仪，放置在试验视场前面，开始一个新的校准任务。
Creating the new camera-calibration-task：创建一个新的照相机校准任务在一个现存的工程（Project）中建立一个新的照相机校准任务或首先创建一个新的工程。
可通过在CAMERA节点上点击右键，从菜单中选择新的校准（反射柱面）。
你将被提示选择一个初始照相机校准和一个初始的Mounting校准。
可以从下拉列表中选择或从其他工程中导入calibration（举例来说，默认的工程――在设置RiSCAN PRO时可以拷贝过来）。
这个校准用于任务的初始化。
初始校准越准确，数据采集越简单，整个校准任务也越快。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
相机标定一、实验原理相机标定就是求解相机的内参数以及畸变参数的过程。
相机的标定主要有两种：传统的摄像头标定方法和摄像头自标定方法，典型的有：（1）Tsai（传统的标定方法）；（2）张正友（介于传统和自标定之间）。
1999年，微软研究院的张正友提出了基于移动平面模板的相机标定方法。
此方法是介于传统标定方法和自标定方法之间的一种方法，传统标定方法虽然精度高设备有较高的要求，其操作过程也比较繁琐，自标定方法的精度不高，张正友标定算法克服了这两者的缺点同时又兼备二者的优点，因此对办公、家庭的场合使用的桌面视觉系统(DVS)很适合。
张正友标定方法由于简单、效果好而得到广泛使用。
张正友标定法的标定步骤：1、打印一张模板并贴在一个平面上；2、从不同角度拍摄若干张模板图像；3、检测出图像中的特征点；4、求出摄像机的外参数（单应性矩阵）和内参数（最大似然估计）；5、求出畸变系数；6、优化求精。
张正友标定方法的主要思想是：1、相机内参矩阵其中，q 的坐标系是默认的OpenCV 的像素坐标系，Q 的坐标系是标定板坐标系，Z 轴为0，原点在标定板的某个内角点上（标定板上角点的坐标均为[*,*,0]的形式），在OpenCV 3.0中使用的是（[i ∗Squres_Size ，j ∗Square_Size ，0]的形式）。
其中fx 和fy 表示相机x 轴和y 轴的焦距，s 表示成像平面x 轴和y 轴的不正交性。
2、基础公式对于不同位置的棋盘格到相机的成像，可以使用下面的公式进行表示：其中，[R|t]表示棋盘格坐标系相对于相机坐标系的位姿。
把矩阵R 和M ~写开，如下式所示：进行化简得：其中[u v 1]是已知量，[X Y 1]也是已知量，A 和[r1 r2 t]是未知量。
其中H=A[r1 r2 t]又叫做单应性矩阵，可以使用下面的3中所述的方法求解。
3、单应矩阵求解这里使用的方法基于最大似然准则：假设提取的m 存在均值为0，噪声协方差矩阵为的高斯白噪声。
则优化目标为其中其中i h 是矩阵H 的第i 列，并且假设i i mi M m I ,,2σ=Λ已知，求解上面的非线性优化问题可以使用LM 算法。
初始值求解：令[]321,,h h h x =，则M H m s ~~=可以重写为对于n个点，对应n个方程，Lx=0，其中x是1×9的，L是2n×9的。
x的解对应于L的最小奇异值的右奇异向量。
4、求解相机内参利用约束条件求解内参矩阵A：在公式中，由于r1和r2是单位向量且是正交的，所以存在下面的关系：上面的公式写成方程组的形式如下所示：上面的等式是一个最小二乘问题，可以使用SVD求解.由于A有5个参数：α，β，u0，v0，γ一个单应性矩阵对应两个约束，所以求解A需要3个单应性矩阵，也就是最小需要3幅图像（超定方程）。
当然，也可以使用两个单应性矩阵，此时需要令γ=0。
算出了b之后，可以用下面的公式求A。
5、求解相机外参在上面求解了相机的内参之后，可以求出棋盘格的位姿，公式如下：在OpenCV中，上面的公式是用来求解优化参数的初始值的，最终的结果是使用优化的方法得到的。
由于存在误差，还是需要迭代求解以提高精度（问题描述如下）：给定棋盘格的n个图像和m个角点，并假设图像点被独立同分布的噪声影响。
似然函数如下所示：其中旋转矩阵R 用向量r 表示（罗巨格公式）。
6、相机的畸变参数求解记(u,v)为理想的像素坐标，为实际观测得到的像素坐标（受到畸变）。
同样的，有归一化的相机坐标系(x ，y)和。
对于径向畸变：用像素坐标表示则为：写成如下形式：给定n 个图像中的m 个点，可以得到2mn 个方程，记为Dk=d 。
则()d D DD k T T 1-=最小二乘方法求解：如果求解了畸变参数k1和k2，则可以求解出没有畸变的坐标，从而使用上面的方法求解位姿和内参。
（畸变参数k1和k2初始化可以简单的设为0。
）OpenCV 的模型还包括了切向畸变，并且镜像畸变有三项。
因此，OpenCV 中一共有五个参数[k1,k2,p1,p2,k3]。
7、OpenCV 的标定步骤1、初始化参数求解； a 、求解单应性矩阵；b 、根据理论的第4步求解相机内参的初始值；c 、根据理论的第5步求解相机外参的初始值；d 、畸变参数设置为0。
2、迭代求解总体最小二乘问题，也就是上面6所示的最小二乘问题。
二、实验结果此处只显示一张图片为例，下图为原图片、校正后的图片以及标定的图片：运行结果如下：每幅图像的标定误差：第1幅图像的平均误差：0.0659641像素第2幅图像的平均误差：0.064092像素第3幅图像的平均误差：0.0626566像素第4幅图像的平均误差：0.06671像素第5幅图像的平均误差：0.0679925像素第6幅图像的平均误差：0.0671491像素第7幅图像的平均误差：0.0658722像素第8幅图像的平均误差：0.0622518像素第9幅图像的平均误差：0.0598439像素第10幅图像的平均误差：0.0597705像素总体平均误差：0.0642303像素相机内参数矩阵：[4647.519111875004, 0, 936.3966456915516;0, 4672.655609872659, 397.6431398815363;0, 0, 1]畸变系数：[-0.03490484218080629, -3.960345879900159, -0.01107630076788155, -0.006547187271713956, -2.224948187478699]第1幅图像的旋转向量：[-20.75017314309292;-4.484167435853328;556.6954023094822]第1幅图像的旋转矩阵：[-0.5057361118315893, 0.861284872044086, -0.04918693299514142;-0.8603807668570445, -0.5077302640246805, -0.04421442090440898;-0.06305490632734467, 0.0199586618146247, 0.9978104682787302]第1幅图像的平移向量：[-0.1470392111668472;-3.139232896018378;-0.04121913110947828]第2幅图像的旋转向量：[-20.73617167770193;-4.481114007558208;556.6471225514971]第2幅图像的旋转矩阵：[-0.5470912939554095, 0.8355236059055473, -0.05090599230726645;-0.8345957673179489, -0.5491378079309527, -0.04356114180955369;-0.06435076730824343, 0.01865400427200083, 0.997752978883782]第2幅图像的平移向量：[-0.1465234029496155;-3.138856852621159;-0.04222551390139223]第3幅图像的旋转向量：[-20.74887860969298;-4.474639433402478;556.8082716236654]第3幅图像的旋转矩阵：[-0.4058075595012663, 0.9128475849885876, -0.04505009691587029;-0.9120056682526959, -0.4076687585652097, -0.0452972887141638; -0.05971503769219046, 0.02270396155748794, 0.9979572357586353]第3幅图像的平移向量：[-0.1468173977857457;-3.141123377435706;-0.0427073517501458]第4幅图像的旋转向量：[-20.72640696849341;-4.474060436294295;556.599996980735]第4幅图像的旋转矩阵：[-0.586107880750257, 0.8085261998110076, -0.05256364087097773; -0.8075767453768992, -0.5882046127985406, -0.04283846179514141; -0.06555419474676973, 0.01734121396239316, 0.9976983160502044]第4幅图像的平移向量：[-0.1464490252377377;-3.139753*********;-0.04300810501325393]第5幅图像的旋转向量：[-20.73172643909561;-4.473657404249217;556.6579056082325]第5幅图像的旋转矩阵：[-0.5382579978592557, 0.8412640341775744, -0.05052872984568273; -0.8403432612158349, -0.5402921650675931, -0.04367584796781208; -0.06404319690396747, 0.01895260314165515, 0.9977671410526976]第5幅图像的平移向量：[-0.1465703123589403;-3.139755216642065;-0.04362990844397591]第6幅图像的旋转向量：[-20.7513187837344;-4.482799122681538;556.9558619067801]第6幅图像的旋转矩阵：[-0.267245543110148, 0.9628199441867522, -0.03946612172460388; -0.9620599398746359, -0.2689225206452732, -0.04605811522635869; -0.05495900086586333, 0.02565994867515947, 0.9981588426988031]第6幅图像的平移向量：[-0.1467338112280252;-3.141296442203932;-0.04083980247648675]第7幅图像的旋转向量：[-20.73750187032778;-4.469918511835682;556.7265394661864]第7幅图像的旋转矩阵：[-0.4792442979678552, 0.8763645053830694, -0.04806408815306319; -0.8754797685693511, -0.48120124695038, -0.04450319942605047; -0.06212952350576181, 0.02075123220647965, 0.9978523481311549]第7幅图像的平移向量：[-0.1465803780311733;-3.140388407577689;-0.04302370816301927]第8幅图像的旋转向量：[-20.7411534889429;-4.480154696601399;556.9693059185084]第8幅图像的旋转矩阵：[-0.2546881115151184, 0.9662384528437538, -0.03895148391232243; -0.9654868280971227, -0.256346781499902, -0.04605987826296011; -0.05448991304654329, 0.02587624124077471, 0.9981789766947758]第8幅图像的平移向量：[-0.146685554929184;-3.142630538083987;-0.04166887155581439]第9幅图像的旋转向量：[-20.68322524374374;-4.784019805522751;556.8437555183575]第9幅图像的旋转矩阵：[-0.373119263002548, 0.9267845161120396, -0.04304040277934512; -0.9259082203247999, -0.3749122076659641, -0.04620394007003018; -0.05895746866510918, 0.02261188267274245, 0.9980043685528623]第9幅图像的平移向量：[-0.1456536357808763;-3.141097817861718;-0.04251664085240466]第10幅图像的旋转向量：[-20.67032218655698;-4.788707379609274;556.7951650623063]第10幅图像的旋转矩阵：[-0.418009397122598, 0.9073354787707457, -0.04483829703572415;-0.906430055574474, -0.4198586341428947, -0.0458615491116337;-0.06043755677108479, 0.02147222157869379, 0.997941002981648]第10幅图像的平移向量：[-0.1457976684119461;-3.139896892052373;-0.03898955537567755]三、感想通过对本次实验的完成，我对相机标定的研究有了直观的认识，这个过程充分锻炼了我分析问题的能力，对理论知识的学习能力以及编程解决实际问题的能力。