可视化相机pose colmap形式的相机内参外参

目录

内参外参转换

可视化相机pose colmap形式的相机内参外参

---

内参外参转换

def visualize_cameras(cameras, images):fig = plt.figure()ax = fig.add_subplot(111, projection='3d')for image_id, image_data in images.items():qvec = image_data['qvec']tvec = image_data['tvec']# Convert quaternion to rotation matrixrotation = R.from_quat(qvec).as_matrix()# Plot camera positionax.scatter(tvec[0], tvec[1], tvec[2], c='r', marker='o')# Plot camera orientationcamera_direction = rotation @ np.array([0, 0, 1])ax.quiver(tvec[0], tvec[1], tvec[2], camera_direction[0], camera_direction[1], camera_direction[2], length=0.5, normalize=True)ax.set_xlabel('X')ax.set_ylabel('Y')ax.set_zlabel('Z')plt.show()

这段代码用于在3D坐标系中可视化相机的位置和朝向。以下是逐行解释：

1. 提取参数：

   qvec = image_data['qvec']  # 相机的旋转四元数 (w, x, y, z 或 x, y, z, w，需确认顺序)
   tvec = image_data['tvec']  # 相机的平移向量 (x, y, z 坐标)

2. 四元数转旋转矩阵：

   rotation = R.from_quat(qvec).as_matrix()  # 将四元数转换为3x3旋转矩阵

   • 假设 R 来自 scipy.spatial.transform.Rotation。

   • 需确认 qvec 的顺序是否为库预期的格式（通常 R.from_quat 接受 (x, y, z, w)）。

3. 绘制相机位置：

   ax.scatter(tvec[0], tvec[1], tvec[2], c='r', marker='o')  # 在3D图中用红点标记相机位置

4. 计算并绘制相机朝向：

   camera_direction = rotation @ np.array([0, 0, 1])  # 旋转矩阵乘以Z轴单位向量，得到相机在世界坐标系中的朝向
   ax.quiver(tvec[0], tvec[1], tvec[2], camera_direction[0], camera_direction[1], camera_direction[2], length=0.5, normalize=True)

   • 原理：相机坐标系中默认朝向为Z轴正方向（通常指向拍摄方向），通过旋转矩阵将其转换到世界坐标系。

   • 箭头参数：

     • 起点为相机位置 (tvec[0], tvec[1], tvec[2])。

     • 方向向量为 camera_direction。

     • length=0.5 控制箭头显示长度（实际长度可能因归一化调整）。

     • normalize=True 确保箭头方向正确，长度统一。

注意事项：

• 四元数顺序：确认 qvec 是否与 R.from_quat 兼容（SciPy需 (x, y, z, w)）。

• 坐标系定义：假设相机朝向为Z轴正方向，若实际定义相反（如OpenGL使用-Z），需调整为 [0, 0, -1]。

• 3D绘图设置：确保 ax 是3D轴（例如通过 fig.add_subplot(111, projection='3d') 创建）。

效果：在3D图中，红色圆点表示相机位置，箭头指示其拍摄方向。

可视化相机pose colmap形式的相机内参外参

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from scipy.spatial.transform import Rotation as R
def read_cameras(file_path):cameras = {}with open(file_path, 'r') as file:for line in file:if line[0] == '#':continueparts = line.strip().split()camera_id = int(parts[0])model = parts[1]width = int(parts[2])height = int(parts[3])params = np.array([float(p) for p in parts[4:]])cameras[camera_id] = {'model': model,'width': width,'height': height,'params': params}return camerasdef read_images(file_path):images = {}with open(file_path, 'r') as file:for line in file:if line[0] == '#':continueparts = line.strip().split()if len(parts) == 15:continueimage_id = int(parts[0])qvec = np.array([float(p) for p in parts[1:5]])tvec = np.array([float(p) for p in parts[5:8]])camera_id = int(parts[8])file_name = parts[9]images[image_id] = {'qvec': qvec,'tvec': tvec,'camera_id': camera_id,'file_name': file_name}return imagesdef visualize_cameras(cameras, images):fig = plt.figure()ax = fig.add_subplot(111, projection='3d')for image_id, image_data in images.items():qvec = image_data['qvec']tvec = image_data['tvec']# Convert quaternion to rotation matrixrotation = R.from_quat(qvec).as_matrix()# Plot camera positionax.scatter(tvec[0], tvec[1], tvec[2], c='r', marker='o')# Plot camera orientationcamera_direction = rotation @ np.array([0, 0, 1])ax.quiver(tvec[0], tvec[1], tvec[2], camera_direction[0], camera_direction[1], camera_direction[2], length=0.5, normalize=True)ax.set_xlabel('X')ax.set_ylabel('Y')ax.set_zlabel('Z')plt.show()# 示例使用
cameras = read_cameras('./cameras.txt')
images = read_images('./images.txt')
visualize_cameras(cameras, images)