在这里我们所说的双目标定是狭义的，讲解理论的时候仅指两台相机之间相互位置的标定，在代码实践的时候，我们才说完整的双目标定。

  这是因为在许多三维重建算法中，我们都要知道两台相机之间的相对位置关系，这样才可以进行距离计算。

  这样的好处是：比如后续的立体匹配时，只需在同一行上搜索左右像平面的匹配点即可，能使效率大大提高。

  注：可以看出来，最重要的，我们要知道右相机相对于左相机的位姿关系，那我们才可以做校正！

  先来回顾下单目标定理论，理想的单目相机模型可以简化为（图片来源于于[1]）：

  而四大坐标系，包括世界坐标系、相机坐标系、图像坐标系、像素坐标系，它们之间的转换关系如下：

  但由于制造原因，使得成像过程（从相机坐标系到图像坐标系转换过程中）存在着畸变，主要有两类，径向畸变和切向畸变，它们能通过以下公式进行修正：

  代入上式，因为拍摄了多张图片，利用最小二乘法，也可以是奇异值分解（数学的部分很复杂，在这里忽略），总而言之，最小化误差，即可得到我们最佳估计的 矩阵，有了这两个矩阵，我们做个旋转、平移就可以了。

  注：虽然得到了旋转、平移矩阵，也但是极线校正的方法有很多，这个我们之后讲。

  双目标定后，我们得到了右相机相对于左相机的位姿关系，也就是R、T矩阵，下面一步即做极线校正。校正好处是之后做立体匹配搜索的时候，只需要在同高度附近进行搜索，大幅度的提高效率。根据前文的推导，在获取了R、T矩阵后，我们要进行极线校正（立体校正），使两部相机光轴平行，如下所示：

  Bouguet极线校正方法：左右相机成像平面各旋转一半，使得左右图像重投影造成的误差最小，左右视图的共同面积最大。

  具体步骤（这块理论推导可以去看论文，这里只给出结论，看不懂没关系，不妨碍个人会使用它）：

  得到这两个变换矩阵，左、右相机分别乘以这两个矩阵就可以完成变换，其中已经包含了平移信息！

  校正后，能够准确的通过需要对图像进行裁剪，需重新选择一个图像中心，和图像边缘从而让左、右叠加部分最大。

  *博客内容为网友个人发布，仅代表博主个人自己的观点，如有侵权请联系工作人员删除。