概述
在计算机视觉项目中，相机标定是一项至关重要的任务，因为它可以校正相机内部参数，消除因镜头畸变等因素导致的图像失真，从而提高后续图像处理和分析的精度。在这个项目中，相机标定的核心功能集成在名为`calibration.py`的Python脚本中，涵盖了从采集原始图像、进行相机标定计算到应用畸变矫正算法的全过程。特别地，针对鱼眼相机的畸变校正遇到了一些挑战，而其他类型的相机则能够顺利完成标定流程。
使用方法
用户在运行calibration.py时，会遵循清晰的操作指南逐步完成整个标定过程。首先，程序会在用户的指示下自动或选择性地清空标定板图片文件夹，以便收集新的图像数据。接下来，用户可以通过capture阶段预设拍照数量，确保获取足够丰富的标定样本。这些样本将用于后续的calibrate阶段，其中程序会根据拍摄的标定板图像精确估计相机的内参和畸变系数，并将不同类型的相机标定结果分别写入各自的配置文件中。最后，undistort阶段允许用户将原始图像应用所获得的标定参数进行去畸变处理。
关于标定板的选择和使用，作者在个人博客“雨白的博客小屋”中有详细介绍，并指明了本项目采用的是具有11列和8行黑白棋盘格图案的标定板，每格宽度为1cm。使用者需确保在程序中正确设置标定板参数，例如在calibration.py中声明为board = Board(11,8,10)，若使用不同规格的标定板，则务必相应修改这些参数。
随着时间的推进，项目在2023年5月14日进行了重要更新，将部分标定相关的辅助函数拆分并整合到utils/calibrate模块中，以方便其他程序调用。同时，虽然提到了新增了生成鸟瞰图的功能并通过birdeye.py实现，但这一功能在后期已被移除。值得注意的是，鸟瞰图转化过程中，采用了以标定板左上角为基础，并向左上方向平移200mm的方式来定义标定板平面坐标系的原点。
另一方面，项目还包含了单应矩阵标定的内容。为了实现空间坐标与图像坐标的映射关系，作者巧妙地利用宿舍内的瓷砖作为特征点进行标定。通过OpenCV中的findHomography函数，可以从多个匹配点对中计算出单应矩阵H。然而，此处作者强调了一个易忽视的细节：findHomography得到的H矩阵实际上只满足了一个近似的线性变换关系，它并未直接给出标准齐次坐标形式的转换，因此在实际应用中需要额外处理，将其转换为符合齐次坐标的表示形式。用户通过运行getHomography.py脚本来拍照、标记像素点并进行标定，进而利用得到的H矩阵，配合getDistance.py进行基于像素点的测距实验。
结果
在目标检测方面，随着项目的深入，于2023年5月29日开始尝试使用YOLOv7框架训练自定义数据集。作者精心组织了数据集的构建流程，其中包括将待标注的图片放置于"data/images"文件夹，使用labelimg工具进行精细标注，将标注结果存放在"data/labels"文件夹。随后，依据具体指导文档，在YOLOv7项目目录下运行data_process.py脚本，将原始数据划分为训练集、验证集等，并生成相应的路径文件。
更新
在此过程中，作者列举了一系列训练过程中踩过的“坑”，为后续开发者提供了宝贵的经验教训：
- 对于train.py中的config文件，当尝试使用预训练模型时，曾出现"assets"的KeyError，这通常指向预训练模型路径的错误，提醒用户仔细检查配置文件中的路径设置。
- 在train.txt等文件中记录的路径建议使用绝对路径，可以通过Python内置的os模块获取当前工作目录并结合os.join()函数拼接路径，确保程序运行时能找到正确的文件位置。
- 若计划使用CPU而非GPU进行训练，需在utils/loss.py文件中将涉及设备分配的部分从"gpu: 0"改为"cpu: 0"。
- 当利用预训练权重初始化模型训练新类别时，必须在cfg/training/yolov7.yaml文件中将nc参数修改为对应的类别数量。
- 强烈建议在yaml配置文件中避免使用中文字符，以免引发编码错误。
代码
"""
This .py is to compute H between two planes:image plane and ground plane
(本程序实现：求解成像平面和大地平面的单应矩阵)
"""
import cv2
import numpy as np
from utils.calibrate import *
from utils.capture import Capture
from utils.opFile import writeHomographyToFile
from configs.Intrinsic_normal import cameraMatrix,distCoeff
from utils.measureDistance import getDistance
# mouse callback function
def click_corner(event, x, y, flags, param):
if event == cv2.EVENT_LBUTTONDOWN:
xy = "%d,%d" % (x, y)
cv2.circle(img, (x, y), 1, (255, 0, 0), thickness = -1)
cv2.putText(img, xy, (x, y), cv2.FONT_HERSHEY_PLAIN,
1.0, (0,0,0), thickness = 1)
print(x,y)
dist = round(getDistance(x,y),5)
print("dist=",dist,"m")
if __name__ == '__main__':
img = cv2.imread("./groundImg/61.png")
cv2.destroyAllWindows()
# click the corner
cv2.namedWindow("groundBoard")
cv2.setMouseCallback("groundBoard",click_corner)
while(1):
cv2.imshow("groundBoard", img)
key = cv2.waitKey(1) & 0xff
if key == ord('q') or key == ord('Q'):
break
此外，项目还进行了技术创新和优化，比如加入了CBAM（Convolutional Block Attention Module）注意力机制，增强了网络对目标特征的学习能力；并且尝试了二值化处理等图像预处理手段，旨在提升模型性能。
然而，在最终的试验结果展示中，尽管已经付出了诸多努力，但目标检测在视频截图中的远程表现并不理想。作者推测这可能是由于相机本身的分辨率限制，导致在较远距离处捕捉到的物体特征模糊不清，从而影响了模型的训练效果和预测精度。这也提示我们在实际应用场景中，除了算法设计和训练策略之外，硬件设备的选择同样至关重要。
