- 文献综述（或调研报告）：
1.相机-投影仪标定
相机标定是计算机视觉和机器视觉的基础，世界是三维的，但是由相机拍出的照片是二维的，相机可以看做一个函数，相机标定就是要使用的数学模型来表达复杂的相机成像过程，并且求出成像的反过程。标定之后的相机，可以进行三维场景的重建，即深度的感知,得到三维点云。标定摄像机、投影仪已成为测量系统工作的第一步，同时也是决定测量精度的关键。
1.1标定方法
相机之间的映射关系利用标准参照物来确定三维空间点和摄像机像素点之间的函数关系，进一步求解相机参数。一般小孔成像的相机忽略畸变造成的影响可以使用线性标定方法，比如透视矩阵法[8]和直接线性变换法[9],计算简单速度快，但是由于非线性的畸变存在，精度上存在很大问题，为了提升精度适宜更高水平的应用，引入非线性环节。1966年，B.Hallent使用最小二乘法对观察数据进行处理，该方法在立体坐标测量仪上得到了高精度的测量结果1975年，Faig分析了相机成像的各种因素，建立了较为复杂的非线性相机模型优化求解。但是需要尝试初始值才有可能获得较好的收敛性能，之后，Tasi[10]将线性部分和非线性部分结合起来，提出了两步标定法，先用线性变换求解到摄像机参数，然后将该参数作为初值，考虑畸变进一步提高精度，参数可靠性高并且计算速度快，1994年，Willson使用C语言编程实现了两步标定法，提高了适用性，现已成为单目相机标定的核心架构。
根据标定物的不同，一般有四种标定方法，不同方法有不同的应用场景，现在大多数已发展得较为成熟，根据场景需求成本精度要求选取不同方法。
1.1.1自标定[11]
通过图片之间的对应点来进行自我标定，求解Kruppa方程，利用绝对二次曲线或曲面与相机内参的特有性质进行标定，由于直接求解Kruppa方程难度大，Ma提出了分层逐步标定的方法[12]，自标定对环境以及硬件设备的要求低，应用范围较广，但计算复杂过程繁琐，结果不甚精确稳定，由此提出了其它方法。
1.1.2一维与二维标定物
一维标定物和二维标定物本质上基本一样，张正友教授通过同线多点[13]，拍摄多幅图像，让存在三个标志点的直线绕某一点旋转，拍摄至少6幅图像即可标定摄像机参量，1999年，张正友教授使用平面模板标定的方法[14]进行标定，利用一张黑白棋盘格图案，拍摄多个位姿下的棋盘格图像，就可精确求解相机内外参数。张正友标定法应用成本低、操作简单，已经被广泛的应用，OpenCV库中就是使用张正友标定法来标定相机。
1.1.3其它模型
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
