3d坐标变换为2d坐标,3d坐标转换成屏幕坐标

　　世界坐标系、相机坐标系、影像坐标系的转换(Python))。

　　相机内部参考和外部参考描述：quan.blog.csdn.net/article/details/102502213盘锦3359号

　　计算机视觉：相机成像原理：世界坐标系、相机坐标系、图像坐标系、像素坐标系之间的转换33603359 blog.csdn.net/Chen旅游/文章/详情/5358096

　　1.世界坐标-相机坐标

　　2.摄像机坐标系-图像坐标系

　　此时投影点p的单位仍然是mm，需要进一步变换到像素坐标系，而不是像素。

　　3.图像坐标系和像素坐标系

　　像素坐标系和图像坐标系都位于成像平面上，但各自的原点和测量单位不同。图像坐标系的原点是相机光轴与成像平面的交点，通常称为成像平面的中点或主点。说明图像坐标系的单位是毫米，是物理单位，而像素坐标系的单位是像素。通常一个像素点是几行几列。所以这两种变换如下：其中dx和dy分别代表每列每行代表多少mm，即1pixel=dx mm。

　　通过以上四个坐标系的变换，我们可以得到点是如何从世界坐标系变换到像素坐标系的。

　　Python代码实现：

　　用于实现转换的关键代码如下

　　相关可视化部分已推送到GitHub:Quan/Python-Learning-Notes。

　　3359全/python-learning-notes/blob/master/modules/utils _ 3d/camera _ tools . py

　　#-*-编码：utf-8-*-

　　""

　　请参考。

　　# @ project:3d人体姿态估计的整体人体姿态回归

　　# @作者：panjq

　　# @电子邮件：[受电子邮件保护]

　　# @日期：2020-02-041633600:01

　　# @网址：https://www。建5627 ad 019 df

　　请参考。

　　""

　　进口系统

　　导入操作系统

　　sys.path.append(OS.getcwd))

　　导入cv2

　　进口编号为NP

　　来自modules . utils _ 3d importvis _ 3d as vis

　　fromutilsimportimage _ processing

　　human36m_camera_intrinsic={

　　# R，旋转矩阵

　　r : [ [-0.91536173，0.40180837，0.02574754 ]，

　　[ 0.05154812,0.18037357,-0.98224649],

　　[-0.39931903、-0.89778361、-0.18581953]]、

　　# t，平移向量

　　t : [ 1841.10702775，4955.28462345，1563.453959]，

　　#焦距，f/dx，f/dy

　　f : [ 1145.04940459，1143.109572]，

　　#主点、主点、主轴和图像平面的交点

　　[12.54150496]

　　}

　　kinect2_camera_intrinsic={

　　# R，旋转矩阵

　　R: [[0.999853，- 0.00340388，0.0167495 ]，

　　[0.00300206、0.999708、0.0239986]、

　　[-0.0168257,- 0.0239459,0.999571 ],

　　# t，平移向量

　　t : [ 15.2562，70.2212，-10.9926]，

　　#焦距，f/dx，f/dy

　　f :

　　[367.535, 367.535],

　　#主点，主点、主轴和图像平面的交点

　　[260.166，205.197]

　　}

　　相机_内在=人类36m _相机_内在

　　# camera _ intrinsic=Kinect 2 _ camera _ intrinsic

　　类CameraTools(对象):

　　@静态方法

　　def convert_wc_to_cc(关节_世界):

　　世界坐标系-相机坐标系：R * (pt-T):

　　joint_cam=np.dot(R，(joint_world - T)。t)。T

　　:返回：

　　联合_世界=np.asarray(联合_世界)

　　R=NP . as array(camera _ intrinsic[ R ])

　　T=NP . as array(camera _ intrinsic[ T ])

　　联合编号=len(联合世界)

　　#世界坐标系-相机坐标系

　　# [Rt]世界坐标-相机坐标

　　# joint_cam=np.zeros((joint_num，3)) #关节相机

　　#对于范围内的I(关节编号):#关节I

　　# joint_cam[i]=np.dot(R，joint_world[i] - T) # R * (pt - T)

　　# .T是换位，T是翻译垫

　　joint_cam=np.dot(R，(joint_world - T)。t)。T # R * (pt - T)

　　返回接头_凸轮

　　@静态方法

　　def convert_cc_to_wc(关节_世界):

　　相机坐标系-世界坐标系：inv(R) * pt T

　　joint_cam=np.dot(inv(R)，joint_world。T) T

　　:返回：

　　联合_世界=np.asarray(联合_世界)

　　R=NP . as array(camera _ intrinsic[ R ])

　　T=NP . as array(camera _ intrinsic[ T ])

　　#相机坐标系-世界坐标系

　　joint _ cam=NP . dot(NP . linalg . inv(R)，joint_world。t)。T T

　　返回接头_凸轮

　　@静态方法

　　def __cam2pixel(cam_coord，f，c):

　　相机坐标系-像素坐标系：(f/dx) * (X/Z)=f * (X/Z)/dx

　　cx，ppx=260.166cy，PPy=205.197 FX=367.535 fy=367.535

　　将从三维(X，Y，Z)映射到2D像素坐标P(u，v)计算公式为：

　　u=X * fx/Z cx

　　v=Y * fy/Z cy

　　D(v，u)=Z/Alpha

　　=====================================================

　　camera _ matrix=[428.30114，0 . 316.41648],

　　[ 0. 427.00564, 218.34591],

　　[ 0. 0. 1.]])

　　fx=camera_intrinsic[0，0]

　　fy=camera_intrinsic[1，1]

　　cx=camera_intrinsic[0，2]

　　cy=camera_intrinsic[1，2]

　　=====================================================

　　：参数cam_coord:

　　:param f: [fx，fy]

　　:param c: [cx，cy]

　　：返回：

　　# 等价于：(f/dx) * (X/Z)=f * (X/Z)/dx

　　# 三角变换，/dx，center_x

　　u=cam_coord[.0]/cam_coord[.2] * f[0] c[0]

　　v=cam_coord[.1]/cam_coord[.2] * f[1] c[1]

　　d=cam_coord[. 2]

　　返回u，v，d

　　@静态方法

　　def convert_cc_to_ic(joint_cam):

　　相机坐标系-像素坐标系

　　：参数关节_凸轮：

　　：返回：

　　# 相机坐标系-像素坐标系，并获取相对深度

　　#减去中心深度

　　# 选择骨盆骨盆所在位置作为相机中心，后面用之求相对深度

　　root_idx=0

　　center _ cam=joint _ cam[root _ idx]#(x，y，z) mm

　　关节数量=长度（关节凸轮)

　　f=camera_intrinsic[f]

　　c=camera_intrinsic[c]

　　#联合图像_字典，像素坐标系，深度为相对深度毫米

　　joint_img=np.zeros((joint_num，3))

　　joint_img[:0]，joint_img[:1]，joint_img[:2]=CameraTools .__cam2pixel(joint_cam，f，c) # x，y

　　joint_img[:2]=joint_img[:2] - center_cam[2] # z

　　返回关节_img

　　def demo_for_human36m():

　　joint_world=[[-91.679，154.404，907.261]，

　　[-223.23566, 163.80551, 890.5342],

　　[-188.4703, 14.077106, 475.1688],

　　[-261.84055, 186.55286, 61.438915],

　　[39.877888, 145.00247, 923.98785],

　　[-11.675994, 160.89919, 484.39148],

　　[-51.550297, 220.14624, 35.834396],

　　[-132.34781, 215.73018, 1128.8396],

　　[-97.1674, 202.34435, 1383.1466],

　　[-112.97073, 127.96946, 1477.4457],

　　[-120.03289, 190.96477, 1573.4],

　　[25.895456, 192.35947, 1296.1571],

　　[107.10581, 116.050285, 1040.5062],

　　[129.8381, -48.024918, 850.94806],

　　[-230.36955, 203.17923, 1311.9639],

　　[-315.40536, 164.55284, 1049.1747],

　　[-350.77136, 43.442127, 831.3473],

　　[-102.237045, 197.76935, 1304.0605]]

　　联合_世界=np.asarray(联合_世界)

　　# 关节点连接线

　　kps_lines=((0，7)，(7，8)，(8，9)，(9，10)，(8，11)，(11，12)，(12，13)，(8，14)，(14，15)，

　　(15, 16), (0, 1), (1, 2), (2, 3), (0, 4), (4, 5), (5, 6))

　　#显示在世界坐标系

　　vis.vis_3d(joint_world，kps_lines，coordinate=WC ，title=WC ，set_lim=True，isshow=True)

　　kp_vis=CameraTools()

　　#显示在相机坐标系

　　joint _ cam=KP _ vis。转换_ WC _到_ cc(联合_世界)

　　vis.vis_3d(joint_cam，kps_lines，coordinate=CC ，title=CC ，set_lim=True，isshow=True)

　　joint _ img=KP _ vis。转换_ cc _ to _ IC(关节_凸轮)

　　联合_世界1=KP _ vis。将_ cc _转换成_ WC(关节_凸轮)

　　vis.vis_3d(joint_world1，kps_lines，coordinate=WC ，title=WC ，set_lim=True，isshow=True)

　　#显示在像素坐标系

　　kpt_2d=joint_img[:0:2]

　　image_path= ./data/s _ 01 _ act _ 02 _ subact _ 01 _ ca _ 02 _ 000001。 jpg

　　图像=图像_处理。读取图像(图像路径)

　　图像=图像_处理。draw _ key _ point _ in _ image(image，key_points=[kpt_2d]，pointline=kps_lines)

　　图像处理。cv _ show _ image( image _ dict ，image)

　　if __name__==__main__ :

　　demo_for_human36m()

　　效果：