立体校准中的重投影误差是否足够？
Is reprojection error enough in stereo calibration?
在标定一台立体相机时，如何评估标定过程的质量？ OpenCV 使用重投影误差来量化校准质量。
很多原因可能导致错误，我通过google搜索了解到可能的原因如下
镜头畸变/偏航误差/传感器倾斜/俯仰误差/横滚误差/基线误差/焦距误差。
在立体相机制造过程中，进行校准。初始校准会产生内在和外在的相机参数，这些参数用于消除镜头失真并提供图像校正。立体校准中的重投影误差是否足够？我的目标是计算深度图。
RMS 重投影误差是一个统计数据：一个总结整个误差分布的数字。它受到适用于任何统计数据的所有常见警告的约束：只要它适用的某些假设适用（例如，错误是对称分布的并且分布的尾部不厚），您对其含义的直觉就是正确的.
一般来说，应该根据手头的任务使用质量数据。如果您无法提前预测您的立体声装备将用于重建的场景类型，那么是的，RMS 重投影误差可能是您能做的最好的。另一方面，如果您的应用程序是质量控制，并且您总是重建完全相同类型的对象（例如，从传送带上掉下来的机械零件），那么表达您的精度会更有意义直接根据其 3D 重建误差进行装备，因为在这种情况下，您想要出售形式为 "My stereo rig will be off by less than 0.1mm with probability higher than 99.9%" 的保证，例如。
在标定一台立体相机时，如何评估标定过程的质量？ OpenCV 使用重投影误差来量化校准质量。
很多原因可能导致错误，我通过google搜索了解到可能的原因如下
镜头畸变/偏航误差/传感器倾斜/俯仰误差/横滚误差/基线误差/焦距误差。
在立体相机制造过程中，进行校准。初始校准会产生内在和外在的相机参数，这些参数用于消除镜头失真并提供图像校正。立体校准中的重投影误差是否足够？我的目标是计算深度图。
RMS 重投影误差是一个统计数据：一个总结整个误差分布的数字。它受到适用于任何统计数据的所有常见警告的约束：只要它适用的某些假设适用（例如，错误是对称分布的并且分布的尾部不厚），您对其含义的直觉就是正确的.
一般来说，应该根据手头的任务使用质量数据。如果您无法提前预测您的立体声装备将用于重建的场景类型，那么是的，RMS 重投影误差可能是您能做的最好的。另一方面，如果您的应用程序是质量控制，并且您总是重建完全相同类型的对象（例如，从传送带上掉下来的机械零件），那么表达您的精度会更有意义直接根据其 3D 重建误差进行装备，因为在这种情况下，您想要出售形式为 "My stereo rig will be off by less than 0.1mm with probability higher than 99.9%" 的保证，例如。