3、标定基础理论：内参、外参、畸变模型、投影模型、刚体变换等核心概念与数学基础

传感器标定的本质，是建立传感器测量值与真实物理世界之间的确定性映射关系。无论是单目相机、双目系统、激光雷达还是毫米波雷达，其标定过程都围绕三个核心问题展开：传感器内部如何成像（内参与畸变）、传感器在空间中如何放置（外参）、如何用数学语言描述刚体在三维空间中的运动（旋转矩阵、四元数、欧拉角）。本章将系统梳理这些基础理论，为后续的标定实操与多传感器融合打下坚实的数学地基。

上图展示了传感器标定中各个坐标系与数学模型之间的逻辑关系。从世界坐标系到像素坐标系的完整链路，正是标定所要精确描述的物理过程。下面我们将逐一拆解每个环节的数学本质与工程含义。

3.1 内参矩阵与投影模型：从三维点到像素的映射

核心原理：针孔投影模型是相机成像的基础近似。三维空间中的点 P(Xc, Yc, Zc) 在相机坐标系下，通过光心投影到物理成像平面上，形成二维点 p(x, y)。其数学关系为：

x = f * Xc / Zc
y = f * Yc / Zc

其中 f 为焦距。进一步将物理坐标转换为像素坐标，引入像素坐标系的原点偏移 (cx, cy) 和像素在 x/y 方向上的物理尺寸 (dx, dy)，得到内参矩阵 K：

K = [fx  0  cx]
    [ 0 fy  cy]
    [ 0  0   1]

其中 fx = f/dx，fy = f/dy。完整的投影方程（齐次坐标形式）为：

s * [u, v, 1]^T = K * [Xc, Yc, Zc]^T

判断方法：内参标定通常使用棋盘格或圆点标定板，通过拍摄不同姿态的标定板图像，利用角点检测和单应性矩阵求解。OpenCV 的 calibrateCamera() 函数即基于张正友标定法实现，其核心思想是：先通过单应性矩阵线性求解内参初值，再用最大似然估计进行非线性优化。

3.2 畸变模型：修正镜头带来的非线性误差

核心原理：实际镜头并非理想针孔，存在径向畸变（由透镜形状引起）和切向畸变（由透镜与传感器不平行引起）。径向畸变用泰勒级数展开描述：

x_distorted = x * (1 + k1*r² + k2*r⁴ + k3*r⁶)
y_distorted = y * (1 + k1*r² + k2*r⁴ + k3*r⁶)

其中 r² = x² + y²。切向畸变模型为：

x_distorted = x + [2*p1*x*y + p2*(r² + 2*x²)]
y_distorted = y + [p1*(r² + 2*y²) + 2*p2*x*y]

操作流程：在标定过程中，畸变系数与内参矩阵一同被优化求解。去畸变操作在图像预处理阶段完成，OpenCV 提供 undistort() 和 initUndistortRectifyMap() 两个常用接口。前者直接输出校正图像，后者先生成映射表再通过 remap() 高效执行。

3.3 外参与刚体变换：旋转矩阵、四元数与欧拉角

核心原理：外参描述的是世界坐标系到相机坐标系的刚体变换，包含旋转 R（3×3 正交矩阵）和平移 t（3×1 向量）。刚体变换保持物体形状和大小不变，其数学表达为：

Pc = R * Pw + t

旋转矩阵 R 满足 R^T * R = I 且 det(R) = 1，属于特殊正交群 SO(3)。然而，旋转矩阵的 9 个参数存在 6 个约束，直接优化不便，因此工程中常用四元数和欧拉角进行参数化。

三种旋转表示方法的对比：

四元数定义：q = w + xi + yj + zk，其中 w 为实部，满足 w² + x² + y² + z² = 1。旋转矩阵可由四元数转换得到：

R = [[1-2(y²+z²), 2(xy-wz),   2(xz+wy)],
     [2(xy+wz),   1-2(x²+z²), 2(yz-wx)],
     [2(xz-wy),   2(yz+wx),   1-2(x²+y²)]]

操作流程：在标定求解外参时，通常使用四元数作为优化变量，避免欧拉角的万向锁问题。优化完成后，再根据应用需求转换为欧拉角或旋转矩阵。例如，在 ROS 中，tf2::Quaternion 提供了完整的转换接口。

3.4 标定全流程与精度评估

核心原理：完整的标定流程包括：数据采集 → 特征提取 → 初值估计 → 非线性优化 → 精度评估。重投影误差（Reprojection Error）是衡量标定精度的核心指标，定义为：

e = || p_measured - p_projected(K, D, R, t, Pw) ||

操作流程：

1. 数据采集：拍摄标定板图像，确保覆盖视场各区域，避免运动模糊。
2. 特征提取：使用角点检测（如 findChessboardCorners()）或圆点检测，获取亚像素级特征点坐标。
3. 初值估计：通过单应性矩阵分解获得内参初值，通过 PnP 求解获得外参初值。
4. 非线性优化：使用 Levenberg-Marquardt 或 Gauss-Newton 算法最小化总重投影误差。
5. 精度评估：计算平均重投影误差、最大误差，并可视化误差分布。

精度评估标准：