标签摄像机标定

合集下载

摄像机标定 方法

摄像机标定 方法

摄像机标定方法摄像机标定是计算机视觉领域的一项重要任务,主要目的是确定摄像机的内外参数,以便将图像中的像素坐标转换为世界坐标。

摄像机标定有多种方法可供选择,其中包括使用标定物体、使用棋盘格、使用角点等。

下面将详细介绍其中的几种方法。

第一种方法是使用标定物体进行摄像机标定。

该方法需要摄像机拍摄带有已知尺寸的标定物体,例如固定尺寸的棋盘格或标尺。

通过测量图像中标定物体的像素坐标和已知尺寸,可以计算出摄像机的内外参数。

这个过程通常涉及到图像坐标和世界坐标的转换,以及通过最小二乘法进行参数求解。

第二种方法是使用棋盘格进行摄像机标定。

这种方法是比较常用且简单的一种标定方法。

首先,在摄像机拍摄的图像中绘制一个棋盘格,然后使用摄像机内参数和外参数将棋盘格的世界坐标与图像坐标建立对应关系。

通过采集多幅图像并测量每幅图像中的棋盘格角点的像素坐标,可以得到摄像机的内外参数。

这个过程通常使用角点检测算法来自动检测图像中的棋盘格角点。

第三种方法是使用角点进行摄像机标定。

这种方法也是比较常用的一种标定方法。

和使用棋盘格类似,该方法也是通过摄像机内参数和外参数将角点的世界坐标与图像坐标建立对应关系。

角点通常是由几条直线的交点或者是物体的尖锐边缘。

通过采集多幅图像并测量每幅图像中的角点的像素坐标,可以得到摄像机的内外参数。

这个过程通常也使用角点检测算法来自动检测图像中的角点。

除了上述几种常用方法,还有其他一些比较新颖的摄像机标定方法。

例如,基于模板匹配的方法可以在不需要标定物体的情况下估计摄像机的内外参数。

这种方法需要摄像机拍摄多幅图像,并在每幅图像中定位模板。

通过比较模板在不同图像中的位置,可以估计摄像机的内外参数。

此外,还有基于结构光的方法和基于手眼标定原理的方法等。

总之,摄像机标定是计算机视觉领域的一项重要任务,有多种不同的方法可供选择。

使用标定物体、棋盘格、角点等进行摄像机标定是常见的方法。

这些方法可以通过采集多幅图像并测量像素坐标,计算摄像机的内外参数。

摄像机标定的基本原理实现及性能分析_小论文

摄像机标定的基本原理实现及性能分析_小论文

摄像机标定的基本原理实现及性能分析_小论文1.采集标定图像:通过摄像机拍摄一系列已知的标定板图像,标定板上通常有明确的特征点或者标定物体,这些特征点被用来进行摄像机标定的计算。

2. 特征点提取:使用图像处理算法,如Harris角点检测或SIFT算法等,从标定图像中找到特征点,并提取其特征描述子。

3.特征点匹配:将标定板图像中的特征点与实际世界坐标点进行匹配,建立特征点之间的对应关系。

4.摄像机的内参数标定:通过已知的标定板图像和其对应的实际世界坐标点,利用摄像机模型的投影关系,计算出摄像机的内参数,包括焦距、主点和畸变参数等。

5.摄像机的外参数标定:利用摄像机的内参数和特征点的对应关系,通过最小化重投影误差的方法,估计出摄像机的外参数,包括旋转矩阵和平移矩阵。

6.误差评估:对标定结果进行误差评估和优化,例如通过重投影误差的计算和最小化、重复采样一致性算法(RANSAC)等方法,对标定的准确性进行验证和改进。

1.精度:即标定结果与实际情况之间的误差。

精度的评估通常通过计算摄像机内外参数的重投影误差来进行,重投影误差较小则说明标定结果较为准确。

2.稳定性:即标定结果对输入数据的变化的稳定性。

稳定性的评估可以通过在不同条件下进行多次标定实验,计算不同实验结果之间的差异之来进行。

3.鲁棒性:即标定方法对噪声和异常值的容忍能力。

鲁棒性的评估可以通过向标定图像中加入噪声或异常值,并观察标定结果的变化情况来进行。

4.计算效率:即标定过程所需的计算时间。

计算效率的评估可以通过记录标定过程的耗时来进行。

5.实际应用:即标定方法在实际应用中的可行性和有效性。

实际应用的评估可以通过将标定结果应用到三维重构、姿态估计等任务中,观察其效果和性能来进行。

总之,摄像机标定是计算机视觉领域中的一个重要研究课题,其基本原理是通过建立摄像机内外参数与实际世界坐标的对应关系,实现图像坐标与实际世界坐标之间的转换。

标定的实现包括采集标定图像、特征点提取与匹配、摄像机内外参数标定和误差评估等步骤。

摄像机标定原理

摄像机标定原理

摄像机标定原理摄像机标定是指确定摄像机内参数和外参数的过程,它是计算机视觉和机器视觉中的重要环节。

摄像机标定的目的是为了将摄像机拍摄到的图像与真实世界的坐标系进行对应,从而实现对图像中物体的测量和分析。

摄像机标定原理是基于摄像机成像的几何关系和摄像机的内外参数进行计算和推导的。

首先,我们需要了解摄像机成像的基本原理。

摄像机成像是通过透镜将三维空间中的物体投影到二维图像平面上。

透镜会引起透视失真,因此需要进行校正。

在进行摄像机标定时,我们需要考虑到透镜的畸变、焦距、主点等内参数,以及摄像机的位置、姿态等外参数。

摄像机的内参数包括焦距、主点坐标和畸变参数。

焦距决定了摄像机成像的大小,主点坐标则决定了成像的中心位置,畸变参数则用于校正透镜引起的径向和切向畸变。

这些内参数可以通过摄像机标定板进行标定,通过观察标定板在图像中的投影位置和真实世界中的坐标位置进行计算和推导。

摄像机的外参数包括摄像机的位置和姿态,通常用旋转矩阵和平移向量来表示。

通过摄像机标定板上已知的特征点的位置和摄像机拍摄到的图像中的对应点,可以通过解PnP(Perspective-n-Point)问题来计算摄像机的外参数。

摄像机标定的过程可以分为内参数标定和外参数标定两个部分。

内参数标定是通过摄像机标定板进行的,而外参数标定则是通过摄像机观察到的真实世界中的特征点来进行的。

在进行标定时,需要注意选取合适的标定板和特征点,以及保证摄像机在不同位置和姿态下的观察角度,从而获得更准确的标定结果。

摄像机标定的原理和方法是计算机视觉和机器视觉中的重要内容,它为后续的三维重建、姿态估计、目标跟踪等任务提供了基础。

通过准确的摄像机标定,可以提高计算机视觉系统的精度和稳定性,从而更好地应用于工业自动化、智能监控、无人驾驶等领域。

总之,摄像机标定原理是基于摄像机成像的几何关系和摄像机的内外参数进行计算和推导的,它是计算机视觉和机器视觉中的重要环节。

通过准确的摄像机标定,可以实现对图像中物体的测量和分析,为后续的视觉任务提供基础支撑。

摄像机标定技术的研究与应用

摄像机标定技术的研究与应用

摄像机标定技术的研究与应用随着科技的不断发展,摄像机应用越来越广泛,从普通家庭摄像机、监控摄像机,到行车记录仪、工业机器视觉等,摄像机已经成为了人们生活、工作中必不可少的设备。

而在摄像机的应用过程中,为了保证摄像机的准确性和稳定性,摄像机标定技术也越来越受到了研究者和工程师们的关注。

一、摄像机标定技术的意义摄像机标定技术可以通过一系列的计算和校准来对摄像机进行精度校准,使摄像机的结果准确可靠,为后续的图像处理和识别技术提供了必要的前提条件。

同时,摄像机标定技术也为摄像机的应用提供了重要的技术保障。

二、摄像机标定技术的基本原理1、摄像机内部参数标定摄像机的内部参数指的是摄像机镜头的具体参数,包括焦距、主点坐标和畸变参数等。

对于不同的摄像机,这些参数的值都是不同的。

因此,摄像机标定的第一步就是对其内部参数进行标定。

一般情况下,使用三维点对来标定这些参数的数值,通过一系列的计算和校准,得到了摄像机的一些基本参数,如焦距、主点坐标和畸变参数等。

2、摄像机外部参数标定摄像机的外部参数指的是摄像机在三维空间中的位置和方向等参数。

通过标定摄像机的外部参数,可以将摄像机与三维物体建立起关系,并从中获取一些重要的图像信息。

一般情况下,使用多组三维点对来标定这些参数的数值,通过一系列的计算和校准,得到了摄像机在三维空间中的位置和方向等参数。

三、摄像机标定技术的应用摄像机标定技术在很多领域都有着广泛的应用和意义。

1、3D重建与模拟技术通过摄像机标定技术,可以捕捉真实世界中的三维信息,进而实现三维重建与模拟技术。

例如,以飞机机身的三维重建为例,通过多组摄像机对同一物体的拍摄,运用摄像机标定技术对每一组影像进行处理,最终得到了整个机身的三维图像和模型。

这种技术可以广泛应用于航空、汽车、机器人等领域。

2、工业制造领域摄像机标定技术在机器视觉和自动化生产中也有着广泛的应用。

例如,在智能制造中,通过安装摄像机和标定器,在流程中捕获数据并计算出每一台机器的性能参数,检测实时数据来提高制造效率和操作质量等,从而达到智能制造的目的。

工业摄像机标定课件

工业摄像机标定课件

图像采集
使用相机拍摄标定板在不同角度、位置和光线条件下的多张照片 。
图像预处理
对采集到的图像进行去噪、对比度增强等预处理操作,以提高标定 精度。
特征提取
从预处理后的图像中提取出标定板的特征点,如角点或边缘。
参数计算与优化
内参计算
根据标定板特征点的图像坐标和对应的世界坐标,计算相机的内参 矩阵和畸变系数。
3
运动跟踪与测量
通过标定结果,可以获得相机的内部参数和畸变 系数,进而提高运动跟踪与测量的准确性和精度 。
05
常见问题与解决方案
标定板的选择与制作
标定板是用于确定摄像机 内部参数的重要工具,其 质量和精度直接影响标定 结果的准确性。
•·
1. 材料选择:标定板应选 择高稳定性、低热膨胀系 数的材料,如金属或玻璃 。
2. 多视角标定:利用不同视角下的标定 板进行标定,可以更全面地获取摄像机 参数。
•·
1. 初始参数设置:合理设置初始参数, 可以减少迭代次数,提高算法收敛速度 。
标定过程中的注意事项
1. 环境要求:标定时应选择光线
均匀、无反光的室内环境,避免
外界光线直接照射标定板。
2. 多次拍摄:为了获取更准确的
工业摄像机标定课件
目录
• 工业摄像机标定概述 • 标定前的准备工作 • 标定流程及步骤 • 标定结果分析与应用 • 常见问题与解决方案 • 案例分析与实践操作
01
工业摄像机标定概述
标定的目的和意义
确定摄像机内参数
促进机器视觉应用
通过标定,可以确定摄像机的焦距、 主点坐标等内参数,从而矫正图像畸 变。
标定环境误差
标定环境的光照、背景和拍摄角度等因素会 影响标定结果的准确性,因此需要选择合适 的环境和拍摄角度。

摄像机标定的几种方法

摄像机标定的几种方法

摄像机标定的几种方法摄像机标定是计算机视觉和机器视觉领域中的一项重要技术,用于确定相机的内参矩阵和外参矩阵,从而实现图像的准确测量与三维重建。

本文将介绍几种常用的摄像机标定方法,包括直接线性变换(DLT)、Zhang的标定法、Tsai的标定法、径向畸变模型等。

1.直接线性变换(DLT)方法:直接线性变换方法是摄像机标定最基础的方法之一,通过在物体平面上放置多个已知几何形状的标定物体,测量它们的图像坐标和真实坐标,通过最小二乘法求解相机的投影矩阵。

DLT方法简单直接,但对噪声敏感,容易产生误差。

2. Zhang的标定法:Zhang的标定法是一种常用的摄像机标定方法,通过在平面上放置一系列平行的标定板,根据不同位置姿态下的标定板的图像坐标和物理坐标,运用最小二乘法求解相机的内参矩阵和外参矩阵。

Zhang的标定法提高了标定的精度和稳定性,但要求标定板在不同位置姿态下具有较大的变化。

3. Tsai的标定法:Tsai的标定法是一种基于摄像机的投影模型的标定方法,通过摄像机的旋转和平移矩阵,以及曲率和径向畸变的参数,对图像坐标和物理坐标之间的映射关系进行数学推导和求解。

Tsai的标定法可以对畸变进行校正,提高图像测量的精度。

4. Kalibr工具包:Kalibr是一个开源的摄像机标定和多传感器校准工具包,结合了多种摄像机标定方法,例如DLT、Tsai、Zhang等。

Kalibr工具包不仅可以标定单目相机,还可以标定双目和多目视觉系统,对相机的内参、外参、畸变等参数进行标定和优化,同时还能进行相机的手眼标定、IMU与相机的联合标定等。

5. Di Zhang的自标定方法:Di Zhang提出了一种基于相对边界点的自标定方法,通过提取图像中的特定点边界,通过对这些边界点位置的检测与分析,实现对相机内参和外参的求解。

这种方法不需要使用标定板等外部标定物体,只需要相机自身可以看到的物体边界即可进行标定。

6.径向畸变模型:径向畸变是摄像机成像中常见的一种畸变形式,主要表现为物体边缘呈弯曲的形式。

摄像机标定原理

摄像机标定原理

摄像机标定原理摄像机标定是计算机视觉和机器视觉中的一项重要技术,它通过数学模型和算法,将摄像机的内部和外部参数精确地估计出来。

摄像机标定的目的是为了使摄像机能够准确地捕捉和测量物体的三维信息,从而实现精确的视觉测量、姿态估计、目标跟踪等应用。

在摄像机标定中,内部参数指的是摄像机的内部结构和参数,例如焦距、主点位置等;外部参数指的是摄像机的位置和朝向。

通过标定摄像机的内外参数,可以将摄像机坐标系与世界坐标系之间的转换关系建立起来,从而实现摄像机对物体的精确测量。

摄像机标定的原理基于投影几何和图像处理技术。

投影几何是研究摄像机成像原理的数学理论,它描述了摄像机将三维物体投影到二维图像平面上的过程。

图像处理技术则是利用计算机对图像进行处理和分析的方法,通过对图像中的特征点进行提取和匹配,可以实现对摄像机的标定。

摄像机标定的过程通常包括以下几个步骤:1. 收集标定图像:在标定过程中,需要收集一组具有已知三维空间坐标的标定物体的图像。

这些标定物体可以是特殊的标定板或标定棋盘,其具有已知的形状和大小。

2. 提取特征点:在每张标定图像中,需要通过图像处理技术提取出一些特征点,例如角点或线条交点。

这些特征点在不同图像中具有一致的几何关系,可以用来进行摄像机标定。

3. 特征点匹配:对于多张标定图像,需要将它们之间的特征点进行匹配,找出它们之间的对应关系。

这种匹配可以通过计算特征点之间的距离或使用特征描述子的相似度来实现。

4. 计算内部参数:通过已知的三维空间坐标和对应的图像坐标,可以使用数学模型和算法计算出摄像机的内部参数。

常用的数学模型包括针孔模型和多项式模型。

5. 计算外部参数:通过已知的三维空间坐标和对应的图像坐标,可以使用数学模型和算法计算出摄像机的外部参数。

外部参数包括摄像机的位置和朝向,通常使用旋转矩阵和平移向量表示。

6. 优化与评估:在标定过程中,可能存在一些误差和不确定性。

通过优化算法和评估指标,可以对标定结果进行优化和评估,以提高标定的准确性和稳定性。

标定的方法有哪些

标定的方法有哪些

标定的方法有哪些标定是指对计算机视觉系统的相机或者传感器进行定位、校准和配置,以使其能够准确地感知和测量物体的位置、形状、大小等特性。

标定的方法有很多种,常见的包括摄像机标定、传感器标定、相机内参标定、相机外参标定、立体标定等。

下面将对这些标定方法逐一进行详细解释。

1. 摄像机标定摄像机标定是指对相机的内部参数进行标定,包括焦距、主点坐标、畸变系数等,以及相机的外部参数,即相机在世界坐标系中的位置和方向。

摄像机标定的目的是为了纠正图像畸变,提高图像的几何度量精度。

摄像机标定方法主要有直接线性变换(DLT)方法和Tsai标定方法。

直接线性变换方法是通过将空间点与图像点之间的关系建立为一个线性方程组来求解相机的内部参数和外部参数;而Tsai标定方法则是在DLT方法的基础上加入非线性优化过程,通过最小化重投影差来求解相机的内部参数和外部参数。

2. 传感器标定传感器标定是指对某种传感器(如激光雷达、惯性测量单元等)的内外参数进行标定,以便正确地将其测量结果与实际空间坐标相对应。

传感器标定的目的是消除传感器的误差,提高测量的精度和准确性。

传感器标定方法根据传感器的类型和特点有所差异。

常见的传感器标定方法包括激光雷达标定、惯性测量单元标定、相机-激光雷达标定等。

激光雷达标定主要针对激光雷达的扫描点云数据进行标定,通过与真实的靶标或者地面控制点进行对比,求解出激光雷达的内外参数;惯性测量单元标定则是针对惯性测量单元中的三轴加速度计和三轴陀螺仪,通过对比其测量结果与真实运动进行优化求解内外参数。

3. 相机内参标定相机内参标定是指对相机的内部参数进行标定。

相机的内部参数包括焦距、主点坐标和畸变系数等,它们决定了相机成像的质量和精度。

相机内参标定的目的是为了提高相机的成像质量和测量精度。

相机内参标定可以通过使用标定板或者棋盘格来进行。

标定板一般是由黑白相间的方格组成的,通过在不同的位置和姿态下拍摄标定板,利用标定板上的方格来计算相机的内参矩阵。

  1. 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. 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. 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)。

标签:摄像机标定opencv标定程序的代码(完全测试好的)这个是我在win32 平台下写的程序,测试完全通过:不过要注意下面的问题:(1)opencv库是1.0的,我在vc6.0的平台使用(2)软件的设置要正确(3)图片载入的时候,使用的是批处理文件(其实就是建一个txt文件,里面写的和dos下面的操作代码一样的输入)(4)里面现在还有个问题没有解决:在得到角点坐标的时候,cvFind CornerSubPix里面的搜索区域还不明白(05)下面是我在网上搜的别人的代:测试通过的:=====================下面是我的代码:/*标定的过程:图片的加载角点的检测提取角点精确坐标参数求解利用参数对图像进行矫正*/#include<stdio.h>#include"cv.h"#include"highgui.h"#include <stdlib.h>//函数声明void PrintMat(CvMat *matrix,BOOL save_or_show,FILE *fp);int main(int argc,char **argv){int i=1;char k=0;int CurrentImage = 0;int CurrentRow = 0; //行int CurrentColumn = 0; //列int findcorner_result=0;FILE *fp; //文件指针int ChessBoardSize_w =6; //角点个数int ChessBoardSize_h =7;int width_pixel =1280; //像素int high_pixel =1024;float SquareSize=10; //棋盘大小int NImages=16;CvSize ChessBoardSize;CvSize image_pixel;int NPoints=0;int *corner_counter;float *temppoints; //这里可以使用内存动态存储管理。

CvPoint2D32f *corners; //存储角点坐标的数组//单通道灰度图像IplImage *grayimage=0;IplImage *srcimage=0; //三通道图像IplImage *result_image=0; //矫正以后的图像CvMat *intrinsic_matrix=0; //内部参数矩阵CvMat *distortion_coeffs=0; //畸变系数CvMat *rotation_vectors=0; //旋转向量CvMat *translation_vectors=0;//平移向量CvMat *points_counts=0; //图片角点数CvMat *object_points=0; //世界坐标系中角点的坐标CvMat *image_points=0; //检测到的角点坐标CvMat *temp_matrix,*rotation_matrix,*translation_matrix;//*****************************************************//数据载入、开辟空间image_pixel = cvSize(width_pixel,high_pixel); ChessBoardSize = cvSize(ChessBoardSize_w,ChessBoardSize_h);NPoints = ChessBoardSize_w*ChessBoardSize_h; corner_counter=calloc(NImages,sizeof(int)); //动态管理,记着释放空间temppoints =calloc(NImages*NPoints*3,sizeof(float));corners =calloc(NImages*NPoints,sizeof(CvPoint2D32f));if((corner_counter==0 )||(temppoints==0 )||( corners==0 ) ){return -1;}intrinsic_matrix = cvCreateMat(3,3,CV_32FC1); //内参数矩阵distortion_coeffs = cvCreateMat(1,4,CV_32FC1); //形变参数rotation_vectors = cvCreateMat(NImages,3,CV_32FC1); //旋转向量translation_vectors = cvCreateMat(NImages,3,CV_32FC1); //平移向量points_counts = cvCreateMat(NImages,1,CV_32SC1); //视图数目object_points = cvCreateMat(NImages*NPoints,3,CV_32FC1);//世界坐标系中角点的坐标image_points = cvCreateMat(NImages*NPoints,2,CV_32FC1);//检测到的坐标点坐标temp_matrix= cvCreateMat(1,3,CV_32FC1);rotation_matrix = cvCreateMat(3,3,CV_32FC1); //旋转矩阵translation_matrix = cvCreateMat(3,3,CV_32FC1); //旋转矩阵grayimage=cvCreateImage(image_pixel,IPL_DEPTH_8U,1); //单通道灰度图像result_image=cvCreateImage(image_pixel,IPL_DEPTH_8U,1); //校正以后的图像fp = fopen( "data1.txt", "w+" ); //打开文件,建立一个文件,然后写入数据fprintf(fp, "坐标数据:\n" ); //写入数据,写入文件//****************************************************//图片的加载以及角点的提取if(argc!=NImages+1){printf("图片加载有误!");return -1;}for(CurrentImage=0;CurrentImage<NImages;CurrentImage++){//加载图片if((srcimage=cvLoadImage(argv[CurrentImage+1],1))!=0){//色彩转换cvCvtColor(srcimage,grayimage,CV_BGR2GRAY);//角点检测findcorner_result=cvFindChessboardCorners(grayimage,Che ssBoardSize,&corners[CurrentImage*NPoints],&corner_counter[CurrentImage], CV_CALIB_CB_ADAPTIVE_THRESH);//画出检测到的点cvDrawChessboardCorners(srcimage,ChessBoardSize,&corners[CurrentImage*NPoints],corner_counter[CurrentImage],findcorner_result);//精确坐标位置cvFindCornerSubPix(grayimage,&corners[CurrentImage*NPo ints],corner_counter[CurrentImage],cvSize(10,10), cvSize(-1,-1),//这个搜索的范围。

?cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS,500,0.003)//迭代终止条件);cvNamedWindow("image",1);cvShowImage("image",srcimage);printf("检测到的角点:%d\n",corner_counter[CurrentImage]);//fprintf(fp,"检测到的角点:%d\n",corner_counter[CurrentImage]);//for(i=0;i<corner_counter[CurrentImage];i++)//坐标输出// {// printf("第%d个角点%f %f\n",i,corners[CurrentImage*N Points+i].x,corners[CurrentImage*NPoints+i].y);//}cvWaitKey(0);printf("按任意键提取下一幅图片角点。

\n");//fprintf(fp,"按任意键提取下一幅图片角点。

\n");}}printf("角点提取结束......\n");printf("开始定标......\n");fprintf(fp,"角点提取结束......\n");fprintf(fp,"开始定标......\n");//棋盘世界坐标系坐标for(CurrentImage = 0 ; CurrentImage < NImages ; CurrentImage++)//图片{for (CurrentRow = 0; CurrentRow < ChessBoardSize_h; CurrentRow++)//行{for (CurrentColumn = 0; CurrentColumn < ChessBoardSize_w; CurrentColumn++)//列{temppoints[(CurrentImage*NPoints*3)+(CurrentRow*Ches sBoardSize_w+CurrentColumn)*3]=(float)(CurrentRow*SquareSize);temppoints[(CurrentImage*NPoints*3)+(CurrentRow*Ches sBoardSize_w+CurrentColumn)*3+1]=(float)(CurrentColumn*SquareSize);temppoints[(CurrentImage*NPoints*3)+(CurrentRow*Ches sBoardSize_w+CurrentColumn)*3+2]=0;}}}//参数求解*object_points=cvMat(NImages*NPoints,3,CV_32FC1,temppoints); //似乎这里开始有点问题。

相关文档
最新文档