as you seen,在一些場景下，比如交通監控、道路參數獲取、港口碼頭監控等，需要將相機架設在高處，此時，鑑於複雜的場景環境，基於傳統的相機標定方法--即鋪設標定板，利用張正友或者Tsai標定方法進行標定，是不現實的。（通俗的說：總不能在馬路上擺個標定板，告訴來往的車輛：你等一下，我拍二十張照片你再走，哦，不行，這個角度不行，那個棋盤格角點虛焦了要重拍，你再等一下，估計沒標定完，也會被羣毆或者被交警抓起來了）。所以，需要開發一套適用於複雜場景的、不需要任何輔助合作目標（比如標定物）的標定方案。
首先，需要準備以下基礎知識：
1、科普一下正交消失點的概念。
消失點的概念搞視覺的應該都懂，就是兩條平行的直線經透視變換會相交成一點。入門知識，在此不展開。在本方案中，正是用到了三個方向、正交的消失點。
struct VashingPoints
{
cv::Point2d vp1;
cv::Point2d vp2;
cv::Point2d vp3;
};
VP1表示第一個VP，車輛運動方向。
VP2表示第二個VP，地平面中垂直於車輛運動方向，即與VP1垂直。
VP3表示第三個VP，垂直於地平面。
2、需要回顧一下相機的成像模型，即小孔成像原理。入門知識，在此不展開。
下面，貼一下VP1及VP2的檢測流程
對VP2的檢測使用菱形空間的概念。 假設許多車輛邊緣與第二個VP重合開始，它們在積累空間投票。
使用背景邊緣模型檢測移動車輛上的邊緣。
模型每幀都會更新，以處理陰影和其他緩慢的變化。
背景模型用B1 = H1初始化，然後用公式（1）更新Bt，其中平滑係數接近1，此處a = 0.95。
Bt=αBt-1 +（1-α）Ht 公式(1)
Keys:a:<第一個消失點用於約束第二個消失點的位置>
b:<邊緣檢測採用canny邊緣檢測算法>
c:採用<級聯霍夫變換>及平行空間理論
d:必須滿足以下篩選條件：
1、必須由Canny邊緣檢測器檢測。
2、該點屬於背景的置信度必須低於預定值閾值（t2），即屬於前景（移動車輛）。
3、梯度的大小必須高於預定閾值t1。
4、梯度的方向不能與VP1方向一致，也不得垂直於基線。
5、假設場景近似水平，具有公差水平（±45°）。
求解內參代碼
cv::Mat TrafficCalibrationFromVP::getIntrinsicMat(cv::Point2d vp1, cv::Point2d vp2, cv::Point2d pp)
{
CalibrationInfos calinfos;
calinfos.focal = double(sqrt(-(vp1 - pp).dot(vp2 - pp)));//叉乘：.cross
calinfos.IntrinsicMat = (Mat_<double>(3, 3) << calinfos.focal, 0, pp.x, 0, calinfos.focal, pp.y, 0, 0, 1);
return calinfos.IntrinsicMat;
}
求解vp3代碼
void TrafficCalibrationFromVP::getVP3(cv::Point2d vp1, cv::Point2d vp2, cv::Point2d pp,double focal, cv::Point2d& vp3)
{
cv::Point3d V1world(vp1.x, vp1.y, focal);
cv::Point3d V2world(vp2.x, vp2.y, focal);
cv::Point3d PPworld(pp.x, pp.y, 0);
cv::Point3d V3world = (V1world - PPworld).cross(V2world - PPworld);
vp3.x = V3world.x / V3world.z*focal+pp.x;
vp3.y = V3world.y / V3world.z*focal+pp.y;
//cout << vp3 << endl;
}
未完待更新……