立体匹配成像的计算方法

A. 凹透镜焦距的计算方法

1、通过透镜的成像规律来计算焦距：1/f=1/u+1/v
。（f是焦距，u是物距，v是相距）
2、对在空气中厚度为d，曲率半径为R1和R2的透镜，有效焦距为：1/f=(n－1)[1/R₁－1/R₂+(n－1)d/nR₁R₂]
此处n是透镜材料的折射率，数值1/f就是这个透镜的光学倍率，f是焦距。
已知折射率n、曲率半径R就可根据公式求出焦距f。
(1)立体匹配成像的计算方法扩展阅读
凹透镜所成的像总是小于物体的、直立的虚像，凹透镜主要用于矫正近视眼。近视眼主要是由于晶状体的变形，导致光线过早的集合在了视网膜的前面。凹透镜则起到了发散光线的作用，使像距变长，恰好落在视网膜上了。
凹透镜成像的几何作图与凸透镜者原则相同。从物体的顶端亦作为两条直线：一条平行于主光轴，经过凹透镜后偏折为发散光线，将此折射光线相反方向返回至主焦点;另一条通过透镜的光学中心点，这两条直线相交于一点，此为物体的像。
参考资料来源：搜狗网络-焦距
参考资料来源：搜狗网络-凹透镜

B. 双目立体视觉的简单介绍

双目立体视觉的简单介绍

1. 什么是视觉

视觉是一个古老的研究课题，同时又是人类观察世界、认知世界的重要功能和手段。人类从外界获得的信息约有75%来自视觉系统，用机器模拟人类的视觉功能是人们多年的梦想。视觉神经生理学，视觉心里学，特别是计算机技术、数字图像处理、计算机图形学、人工智能等学科的发展，为利用计算机实现模拟人类的视觉成为可能。在现代工业自动化生产过程中，计算机视觉正成为一种提高生产效率和检验产品质量的关键技术之一，如机器零件的自动检测、智能机器人控制、生产线的自动监控等;在国防和航天等领域，计算机视觉也具有较重要的意义，如运动目标的自动跟踪与识别、自主车导航及空间机器人的视觉控制等。

人类视觉过程可以看作是一个从感觉到知觉的复杂过程，从狭义上来说视觉的最终目的是要对场景作出对观察者有意义的解释和描述；从广义上说，是根据周围的环境和观察者的意愿，在解释和描述的基础上做出行为规划或行为决策。计算机视觉研究的目的使计算机具有通过二维图像信息来认知三维环境信息的能力，这种能力不仅使机器能感知三维环境中物体的几何信息(如形状、位置、姿态运动等)，而且能进一步对它们进行描述、存储、识别与理解，计算机视觉己经发展起一套独立的计算理论与算法。

2. 什么是计算机双目立体视觉

双目立体视觉 (Binocular StereoVision)是机器视觉的一种重要形式，它是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，来获取物体三维几何信息的方法。融合两只眼睛获得的图像并观察它们之间的差别，使我们可以获得明显的深度感，建立特征间的对应关系，将同一空间物理点在不同图像中的映像点对应起来，这个差别，我们称作视差(Disparity)图像，如图一。

双目立体视觉 测量方法具有效率高、精度合适、系统结构简单、成本低等优点，非常适合于制造现场的在线、非接触产品检测和质量控制。对运动物体（包括动物和人体形体）测量中，由于图像获取是在瞬间完成的，因此立体视觉方法是一种更有效的测量方法。

双目立体视觉 系统是计算机视觉的关键技术之一，获取空间三维场景的距离信息也是计算机视觉研究中最基础的内容。

双目立体视觉 的开创性工作始于上世纪的60年代中期。美国MIT的Roberts通过从数字图像中提取立方体、楔形体和棱柱体等简单规则多面体的三维结构，并对物体的形状和空间关系进行描述，把过去的简单二维图像分析推广到了复杂的三维场景，标志着立体视觉技术的诞生。随着研究的深入，研究的范围从边缘、角点等特征的提取，线条、平面、曲面等几何要素的分析，直到对图像明暗、纹理、运动和成像几何等进行分析，并建立起各种数据结构和推理规则。特别是上世纪80年代初，Marr首次将图像处理、心理物理学、神经生理学和临床精神病学的研究成果从信息处理的角度进行概括，创立了视觉计算理论框架。这一基本理论对立体视觉技术的发展产生了极大的推动作用，在这一领域已形成了从图像的获取到最终的三维场景可视表面重构的完整体系，使得立体视觉已成为计算机视觉中一个非常重要的分支。

经过几十年来的发展，立体视觉在机器人视觉、航空测绘、反求工程、军事运用、医学成像和工业检测等领域中的运用越来越广。

3. 双目立体视觉系统

立体视觉系统由左右两部摄像机组成。如图二所示，图中分别以下标l和r标注左、右摄像机的相应参数。世界空间中一点A(X，Y，Z)在左右摄像机的成像面Cl和Cr上的像点分别为al(ul，vl)和ar(ur，vr)。这两个像点是世界空间中同一个对象点A的像，称为“共轭点”。知道了这两个共轭像点，分别作它们与各自相机的光心Ol和Or的连线，即投影线alOl和arOr，它们的交点即为世界空间中的对象点A(X，Y，Z)。这就是立体视觉的基本原理。

4. 博安盈双目立体视觉系统：平行光轴的系统结构

在平行光轴的立体视觉系统中（图三），左右两台摄像机的焦距及其它内部参数均相等，光轴与摄像机的成像平面垂直，两台摄像机的x轴重合，y轴相互平行，因此将左摄像机沿着其x轴方向平移一段距离b（称为基线baseline）后与右摄像机重合。

由空间点A及左右两摄像机的光心Ol、Or确定的极平面（Epipolar plane）分别与左右成像平面Cl、Cr的交线pl、pr为共轭极线对，它们分别与各自成像平面的坐标轴ul、ur平行且共线。在这种理想的结构形式中，左右摄像机配置的几何关系最为简单，极线已具有很好的性质，为寻找对象点A在左右成像平面上的投影点al和ar之间的匹配关系提供了非常便利的条件。

5. 双目立体视觉智能视频分析技术

恢复场景的3D信息是立体视觉研究中最基本的目标，为实现这一目标，一个完整的立体视觉系统通常包含六个模块：图像获取、摄像机标定、特征提取、立体匹配、三维恢复和视频分析（运动检测、运动跟踪、规则判断、报警处理）。

5.1. 图像获取（ImageAcquisition）

数字图像的获取是立体视觉的信息来源。常用的立体视觉图像一般为双目图像，有的采用多目图像。图像获取的方式有多种，主要由具体运用的场合和目的决定。立体图像的获取不仅要满足应用要求，而且要考虑视点差异、光照条件、摄像机性能和场景特点等方面的影响。

5.2. 摄像机标定（CameraCalibration）

立体视觉系统摄像机标定是指对三维场景中对象点在左右摄像机图像平面上的坐标位置al(ul，vl)、ar(ur，vr)与其世界空间坐标A(X，Y，Z)之间的映射关系的确立，是实现立体视觉三维模型重构中基本且关键的一步。

5.3. 特征提取（FeatureAcquisition）

特征提取的目的是要获取匹配赖以进行的图像特征，图像特征的性质与图像匹配的方法选择有着密切的联系。目前，还没有建立起一种普遍适用的获取图像特征的理论，因此导致了立体视觉研究领域中匹配特征的多样化。特征可以是像素相位匹配是近二十年才发展起来的一类匹配算法。相位作为匹配基元，本身反映信号的结构信息，对图像的高频噪声有很好的抑制作用，适于并行处理，能获得亚像素级精度的致密视差。但存在相位奇点和相位卷绕的问题，需加入自适应滤波器解决。或者是像素的集合，也可以是它们的抽象表达，如图像结构、图像目标和关系结构等。常用的匹配特征主要有点状特征、线状特征和区域特征等几种情形。

一般而言，尺度较大的图像特征蕴含较多的图像信息，且特征本身的数目较少，匹配效率高；但特征的提取和描述过程存在较大的困难，定位精度也较差。而对于尺度较小的图像特征来说，对其进行表达和描述相对简单，定位精度较高；但由于其本身数目较多，所包含的图像信息少，在匹配时需要采用较严格的约束条件和匹配策略，以尽可能地减少匹配歧义和提高匹配效率。总的来说，好的匹配特征应该具有要可区分性、不变性、唯一性以及有效解决匹配歧义的能力。

5.4. 图像匹配（ImageMatching）

在立体视觉中（图二、图三），图像匹配是指将三维空间中一点A(X，Y，Z)在左右摄像机的成像面Cl和Cr上的像点al(ul，vl)和ar(ur，vr)对应起来。图像匹配是立体视觉中最重要也是最困难的问题，一直是立体视觉研究的焦点。当空间三维场景经过透视投影（PerspectiveProjection）变换为二维图像时，同一景物在不同视点的摄像机图像平面上的成像会发生不同程度的扭曲和变形，而且场景中的光照条件、被测对象的几何形状和表面特性、噪声干扰和畸变、摄像机特性等诸多因素的影响都被集中体现在单一的图像灰度值中。显然，要对包含了如此之多不利因素的图像进行准确匹配是很不容易的。

5.5. 三维恢复（3DReconstruction）

在完成立体视觉系统的摄像机标定和图像匹配工作以后，就可以进行被测对象表面点的三维信息恢复。影响三维测量精度的因素主要有摄像机标定误差、CCD成像设备的数字量化效应、特征提取和匹配定位精度等。

5.6. 视频分析（运动检测、运动跟踪、规则判断、报警处理）

通过视差计算，得到全屏幕的视差图像后，采用背景建模的方式，得到运动前景物体的视差图像，再进行膨胀和腐蚀算法进行图像预处理，得到完整的可供分析的前景运动物体视差图。采用运动跟踪算法，全屏实时检测物体的大小、运动轨迹，并与事先设置的规则进行对比，如果有人进入或离开设置报警区域，系统则实时报警。

5.7. 视差效果图：

注：过滤掉距离地面60cm以内，200cm以上的视差值，即检测范围为60－200cm之间。故左边蹲下的人没有视差值。

C. matlab双目测距中怎样把摄像机标定后的内外参数和视差图结合起来计算深度距离

你用的是双面立体相机配置吗？如果是，你需要标定左右两个相机的内部参数，即焦距，像素物理尺寸，还有两个相机间的三维平移，旋转量。如果你不做三维重建的话，就不需要得到外部参数。得到相机内部参数，就可以矫正左右两幅图像对，然后使用立体匹配算法得到目标的视差图像，然后用你得到的，fc,cc参数，用三角法则计算出目标点到相机平面的距离。三角法则：z=f*b/d。f是焦距，b是两相机间的横向距离，d是立体匹配得到的视差值，即目标像素点在左右两相机平面x方向的坐标差值。

D. 怎样找凸透镜的焦距

在阳光下，（可认为是直射光），将光线聚焦在白纸上，通过调整凸透镜的前后距离，找到在白纸上呈现最小光点时凸透镜和纸张的距离距离，用刻度尺测量凸透镜和白纸之间的距离，就是凸透镜的焦距。

E. 像数怎么算高、算低、多少算标准、一般相机呢像数是

标准：
1、像素。高一点的最好，现在有1000万，1200或1500万的。
2、CCD尺寸。这事对于单反机很重要。大的好，成像清晰。
3、焦距。变焦越大越好。焦距最小值越小，说明视野越大；最大值越大，说明望远效果越好。
4、连拍速度，这个越快越好，傻瓜机一般在2~3张左右，单反可达8张。
5、感光度（ISO）值范围越大越好，快门范围越大越好。
我建议去商场。那样可以向售货员问更多问题，对相机了解更透彻，有助于选择，而且售后有保障，风险还小。

1，是不是像素越高图像质量越好？答案是否定的

什么是像素？简单的说我们通常所说的像素就是CCD/CMOS上光电感应元件的数量，一个感光元件经过感光，光电信号转换，A/D转换等步骤以后，在输出的照片上就形成一个点，我们如果把影像放大数倍，会发现这些连续色调其实是由许多色彩相近的小方点所组成，这些小方点就是构成影像的最小单位“像素” （Pixel）。

那么是不是数码相机的像素越高，拍出来的照片就会越清晰呢？不是，像素跟照片质量并不成正比，像素高只能表达能够冲印输出的尺寸会更大，仅此而已，像素并不会影响图片的清晰度。

原理来说相同像素的情况下数码相机的CCD尺寸越大成像会越好，目前普通家用机型的CCD尺寸大部分为1/2.5或者1/1.8，那么拥有1/2.5英寸CCD的800万像素机型的成像质量可能比同为1/2.5英才CCD的1000万像素的机型要好。现在，由于消费者的趋之若鹜导致越来越多的数码相机品牌制造商在不增加CCD尺寸的情况下拼命提高像素，这样传感器不得不承担越来越多的工作任务，超负荷运转的传感器也因此达不到最佳状态，在弱光的环境下出现斑点或者多余的杂色等等也在情理之中了。

决定数码相机成像质量的因素是多方面的，但像素绝不是决定性因素，选购相机时关心像素的高低还不如关注一下CCD的尺寸更为实际。

数码相机像素跟冲印输出的对照表，不难看出其实普通家用的数码相机其实五百万至八百万像素已经足够，像素再高意义已经不大。我们在购买数码相机前不妨仔细想想，平时拍摄出来的照片主要存储在电脑上或者发布在网络上共享，还是冲印出来，如果不经常大幅输出，像素应该不是购机时考虑的因素，因为目前的新款数码相机像素至少在八百万以上了。

所谓插值是一种为数码相机在计算像素时可以增加有效像素（实际像素）的成像方法。从广州南方数码相机维修中心了解到这种方法是将数码相机中的感光器件所形成的实际像素，通过相机中内置的软件，根据实际感光影像的像素，按照一定的运算方法进行计算，产生出新的像素点，并将其插入到原来像素附近的空隙处，从而实现增加了像素总量和增大了像素密度的目的。其实，不但是数码摄像会用到插值，数码变焦的基本原理也是采用插值算法的，它是一种由电子线路实时实现图像空间变换的效果。

知道什么是插值了我们不难发现插值的像素并不是数码相机本身有效像素，它只是通用优化处理后提升的像素值，因此插值的效果跟实际像素还是有区别的，特别是在打印输出时能较为明显的感觉到。

了解上面内容后可以得出结论，对普通家庭用户来说八百万像素已经足够了，如果在CCD尺寸一样的情况下像素越高反而可能影响相机性能；不要把像素作为衡量一款机型好坏的重要标准；插值像素并不是相机有效像素，不要盲目选择低价的插值高像素产品。

F. 通过双目摄像头，通过对运动物体进行拍照的方式，能否精确计算出物体的三维空间速度，以及自旋角速度

第一、物体的三维空间速度需要根据物体在空间的三维坐标来计算，通过双目视觉的方式来获取被测对象的三维坐标进行计算，原理上是完全行得通的。精确度跟以下几点有关：
1、图像获取帧率：每秒钟获取的图像帧数越多，对被测物的位置描述就越精确；
2、运动速度较高，要想清晰的抓拍到，对相机的曝光方式和曝光时间要求较高，需要用比较好的硬件设备；
3、最终三维坐标的测量精度和双目系统的标定精度、立体匹配算法、相机分辨率、基线距离等都有关系。
第二、自转角速度测量。这个比较难，因为物体在空间中的转动是随机的，采用双目视觉没有办法把球体表面的所有特征点都获取到。也就是说没有办法获取到同一个点的序列三维坐标。
综上，把被测对象简化为一个点来计算其序列三维空间坐标只要硬件配置的好，还是可以解决的。但是检测被测对象自身的信息还是比较难得。

G. 三维重建是怎么做的

三维重建的英文术语名称是3D Reconstruction.
三维重建是指对三维物体建立适合计算机表示和处理的数学模型,是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。
三维重建的步骤
（1） 图像获取：在进行图像处理之前，先要用摄像机获取三维物体的二维图像。光照条件、相机的几何特性等对后续的图像处理造成很大的影响。
（2）摄像机标定：通过摄像机标定来建立有效的成像模型，求解出摄像机的内外参数，这样就可以结合图像的匹配结果得到空间中的三维点坐标，从而达到进行三维重建的目的。
（3）特征提取：特征主要包括特征点、特征线和区域。大多数情况下都是以特征点为匹配基元，特征点以何种形式提取与用何种匹配策略紧密联系。因此在进行特征点的提取时需要先确定用哪种匹配方法。
特征点提取算法可以总结为：基于方向导数的方法，基于图像亮度对比关系的方法，基于数学形态学的方法三种。
（4）立体匹配：立体匹配是指根据所提取的特征来建立图像对之间的一种对应关系，也就是将同一物理空间点在两幅不同图像中的成像点进行一一对应起来。在进行匹配时要注意场景中一些因素的干扰，比如光照条件、噪声干扰、景物几何形状畸变、表面物理特性以及摄像机机特性等诸多变化因素。
（5）三维重建：有了比较精确的匹配结果，结合摄像机标定的内外参数，就可以恢复出三维场景信息。由于三维重建精度受匹配精度，摄像机的内外参数误差等因素的影响，因此首先需要做好前面几个步骤的工作，使得各个环节的精度高，误差小，这样才能设计出一个比较精确的立体视觉系统。

H. 计算机视觉与图像识别的目录

《计算机视觉与图像识别》
前言
第1章绪论
1．1计算机视觉的目标与任务
1．2计算机视觉的经典问题
1．3marr的计算机视觉理论框架
1．3．1视觉系统研究的三个层次
1．3．2视觉信息处理的三个阶段
1．4摄像机成像几何模型
1．5摄像机参数和透视投影
1．5．1坐标系变换和刚体变换
1．5．2摄像机参数和透视投影
第2章立体视觉匹配算法
2．1快速区域视差匹配算法
2．1．1深度信息计算及约束条件
2．1．2区域相关匹配和冗余计算消除
2．1．3基于视差梯度的可变搜索范围区域相关匹配
2．1．4实验
2．2rank变换与匹配算法
2．2．1基于rank变换的匹配
.2．2．2rank变换在彩色图像中的应用
2．2．3立体匹配算法的评估方法
2．2．4实验
2．3基于相位一致性的红外图像匹配方法
2．3．1相位一致性和局部能量
2．3．2基于相位一致性的边缘检测
2．3．3基于相位一致性的红外图像区域匹配
2．3．4实验
第3章支持向量机算法
3．1概述
3．1．1统计学习理论
3．1．2支持向量机
3．1．3支持向量机研究现状与应用
3．2支持向量机求解方法
3．2．1预备数学知识
3．2．2二次规划求解法
3．2．3选块方法
3．2．4分解算法
3．2．5序列最小优化方法
3．2．6基于lagrange函数的迭代求解方法
3．2．7基于smoothing处理的牛顿求解方法
3．3l范数支持向量机算法
3．3．1分类间隔的lp范数表示
3．3．2基于lp范数分类间隔的三种支持向量机
3．3．3l1范数支持向量机算法
3．3．4仿真实验
3．4pca支持向量机算法
3．4．1pca支持向量机算法
3．4．2kernel pca支持向量机算法
3．4．3加权pca支持向量机算法
3．5小波支持向量机算法
3．5．1小波变换
3．5．2小波核函数
3．5．3小波支持向量机算法
3．5．4算法性能分析
3．6模糊二叉树支持向量机算法
3．6．1多级二叉树分类器的构造
3．6．2svm子分类器的构造
3．6．3模糊二叉树支持向量机算法
第4章人脸识别
4．1概述
4．1．1自动人脸识别技术
4．1．2人脸识别研究的意义
4．1．3人脸检测与定位
4．1．4人脸识别的主要技术方法
4．1．5人脸识别系统若干关键技术问题
4．2人脸检测与跟踪
4．2．1haar函数及haar变换
4．2．3 adaboost级联分类器
4．2．4视频人脸跟踪
4．2．5实验结果与分析
4．3人脸关键特征定位与特征抽取
4．3．1人眼检测方法
4．3．2实时人眼检测算法
4．3．3人脸归一化与姿态校正
4．3．4人脸gabor特征抽取算法
4．4基于支持向量机的人脸识别方法
4．4．1多类分类支持向量机及其训练
4．4．2识别算法性能比对
第5章基于计算机立体视觉的障碍物检测
5．1概述
5．2基于彩色图像障碍物检测算法
5．3彩色图像的分割和提取
5．3．1彩色空间模型的选取
5．3．2分割策略
5．3．3目标区域的提取
5．4匹配和障碍物识别
5．5实验
参考文献

I. 探究凸透镜成像规律怎样判断像最清醒晰

我来帮你吧，希望采纳！

这个问题我都答过一次了，再给你说一下吧！
最好是在比较暗的环境中来做这个实验效果会更好一些，
当你把蜡烛和透镜放好后，这时可以成实像了，你让像成在光屏上，从光屏上可以看到蜡烛的倒像，但是光屏的位置放的不同，成的像清晰度也就不一样。

你可以观察像的亮度 是否最亮 以及像的边缘 是否比较整齐， 这是成清楚的像的两个标准，
具体操作是：你要不断的前后移动光屏，移动的幅度不要太大，同时看亮度和 像的边缘是否最清楚。一直调整到你认为达到最清晰时，就不要动了。这时光屏的位置 就可以当成是像的位置了。

真正做实验时，当光屏到达某一个位置时，像比较清楚，当你再向前或者向后移时，像都会变模糊的。 比较好确定位置。

希望对你能有帮助，祝学习进步！