坐标系统基础：世界坐标系、相机坐标系、图像坐标系、像素坐标系的定义与关系
在视觉引导定位与手眼标定任务中，坐标系统是整个技术栈的“空间语言”。无论是机械臂抓取、AGV导航，还是精密测量，所有空间信息都必须通过一套统一的坐标语言进行表达与转换。如果坐标系定义不清或转换关系混乱，后续的标定、定位、路径规划都将失去数学基础。本章将系统梳理视觉系统中四个核心坐标系——世界坐标系、相机坐标系、图像坐标系、像素坐标系——的数学定义、物理意义及其相互转换关系，为后续手眼标定与位姿解算奠定坚实的理论基础。
3.1 四个坐标系的定义与物理意义
在视觉测量与机器人引导系统中，四个坐标系的定义各有其明确的物理背景与数学角色。理解这些定义是掌握坐标转换的前提，也是后续手眼标定中建立方程的基础。
3.1.1 世界坐标系（World Coordinate System）
世界坐标系是描述整个场景的参考系，通常用 (Xw, Yw, Zw) 表示。它的原点与轴向可以根据应用场景自由定义，例如：在机器人抓取任务中，常将世界坐标系建立在机器人基座或工作台面上；在AGV导航中，则可能建立在地图原点。世界坐标系的作用是为所有物体（包括相机、机械臂、目标工件）提供统一的空间基准。在实际工程中，世界坐标系的选取应遵循“便于测量、便于计算、便于标定”的原则，通常采用右手坐标系，单位一般为毫米（mm）或米（m）。
3.1.2 相机坐标系（Camera Coordinate System）
相机坐标系以相机光心（透镜中心）为原点，用 (Xc, Yc, Zc) 表示。其Zc轴与相机光轴重合，指向相机前方；Xc轴与图像平面水平方向平行，Yc轴与图像平面垂直方向平行（通常向下）。相机坐标系是连接三维世界与二维图像的关键桥梁，它将世界坐标系中的点通过刚体变换（旋转+平移）映射到以相机为中心的三维空间中。在针孔模型中，相机坐标系中的点经过透视投影后，映射到图像平面上。
3.1.3 图像坐标系（Image Coordinate System）
图像坐标系描述物体在成像平面上的物理位置，用 (x, y) 表示，单位通常为毫米。其原点位于光轴与成像平面的交点（即主点），x轴与像素坐标系的u轴平行，y轴与v轴平行。图像坐标系是相机坐标系到像素坐标系的中间过渡，它将三维空间中的点投影到二维平面上，但此时坐标值仍是连续的物理量（毫米），尚未离散化为像素。
3.1.4 像素坐标系（Pixel Coordinate System）
像素坐标系是最终用于图像访问与处理的离散坐标系统，用 (u, v) 表示，单位为像素（pixel）。其原点位于图像左上角，u轴向右，v轴向下。像素坐标系的引入是因为数字图像以像素为最小存储单元，每个像素对应一个灰度或颜色值。像素坐标与图像坐标之间存在缩放（由像元尺寸dx、dy决定）和平移（由主点偏移cx、cy决定）关系。
3.2 坐标系转换的数学原理与操作流程
坐标转换的核心是建立四个坐标系之间的数学映射关系。整个转换链路可以分解为三个步骤：刚体变换（世界→相机）、透视投影（相机→图像）、离散化（图像→像素）。下面逐一展开。
3.2.1 世界坐标系到相机坐标系：刚体变换
世界坐标系中的点 Pw = (Xw, Yw, Zw)ᵀ 到相机坐标系中的点 Pc = (Xc, Yc, Zc)ᵀ 的转换属于刚体变换，只涉及旋转和平移，不改变物体的形状和尺寸。数学表达式为：
Pc = R · Pw + T其中，R 是 3×3 旋转矩阵，由三个欧拉角（Rx, Ry, Rz）或四元数确定；T 是 3×1 平移向量。R 和 T 合称为相机的外参（Extrinsic Parameters），它们描述了相机在世界坐标系中的位姿。在实际标定中，外参通常通过棋盘格标定板或特征点匹配来求解。
3.2.2 相机坐标系到图像坐标系：透视投影
根据针孔成像模型，相机坐标系中的点 Pc = (Xc, Yc, Zc)ᵀ 投影到图像平面上的坐标 (x, y) 满足相似三角形关系：
x = f · Xc / Zc
y = f · Yc / Zc其中 f 为相机焦距（单位：mm）。该投影过程将三维点压缩为二维点，丢失了深度信息 Zc。需要注意的是，当 Zc = 0 时，投影无定义，因此相机前方的点必须满足 Zc > 0。
3.2.3 图像坐标系到像素坐标系：离散化
图像坐标 (x, y) 到像素坐标 (u, v) 的转换涉及缩放与平移：
u = x / dx + cx
v = y / dy + cy其中 dx、dy 分别为每个像素在 x、y 方向上的物理尺寸（mm/pixel），cx、cy 为主点（光轴与成像平面交点）在像素坐标系中的坐标。将上述三个步骤合并，可以得到从世界坐标到像素坐标的完整投影方程（齐次坐标形式）：
Zc · [u, v, 1]ᵀ = K · [R | T] · [Xw, Yw, Zw, 1]ᵀ其中 K 为内参矩阵（Intrinsic Matrix），包含 f、dx、dy、cx、cy 等参数。
| 转换步骤 | 输入 → 输出 | 关键参数 | 参数类型 | 物理意义 |
|---|---|---|---|---|
| 刚体变换 | 世界坐标 → 相机坐标 | R（旋转矩阵）、T（平移向量） | 外参 | 相机在世界坐标系中的位姿 |
| 透视投影 | 相机坐标 → 图像坐标 | f（焦距） | 内参 | 光学成像的缩放比例 |
| 离散化 | 图像坐标 → 像素坐标 | dx、dy（像元尺寸）、cx、cy（主点） | 内参 | 模拟信号到数字采样的映射 |
3.3 实战场景：视觉引导抓取中的坐标转换链路
为了将上述理论落地，我们以一个典型的“相机引导机械臂抓取工件”场景为例，完整走一遍坐标转换流程。该案例将展示四个坐标系如何协同工作，以及每一步转换的实际意义。
3.3.1 场景描述与初始条件
假设一个视觉引导抓取工位：工业相机固定安装在机械臂上方（眼在手外，Eye-to-Hand 布局），工作台上放置一个待抓取的螺栓。已知条件如下：
- 世界坐标系原点设在机械臂基座中心，Z轴垂直向上，单位mm。
- 相机经过标定，内参矩阵 K 已知：f = 12mm，dx = dy = 0.005mm/pixel，cx = 640，cy = 512（图像分辨率1280×1024）。
- 相机外参（通过手眼标定获得）：R 为单位矩阵（相机光轴与机械臂Z轴平行），T = [100, 50, 800]ᵀ（相机光心在世界坐标系中的位置）。
3.3.2 目标检测与像素坐标提取
通过图像处理算法（如模板匹配或深度学习目标检测），在图像中定位到螺栓中心，得到其像素坐标为 (u, v) = (720, 480)。这是整个转换链路的起点——像素坐标系中的离散位置。
3.3.3 逐步逆推：从像素到世界坐标
第一步：像素坐标 → 图像坐标。利用离散化逆变换：
x = (u - cx) × dx = (720 - 640) × 0.005 = 0.4mm
y = (v - cy) × dy = (480 - 512) × 0.005 = -0.16mm第二步：图像坐标 → 相机坐标。由于单目相机无法直接恢复深度，需要借助已知条件。假设螺栓放置在工作台平面上，且工作台在世界坐标系中的高度 Zw = 0。通过相机外参可知，相机光心在世界坐标系的 Z 分量为 800mm，因此相机坐标系中螺栓的 Zc = 800 - 0 = 800mm。利用透视投影逆变换：
Xc = x × Zc / f = 0.4 × 800 / 12 = 26.67mm
Yc = y × Zc / f = -0.16 × 800 / 12 = -10.67mm第三步：相机坐标 → 世界坐标。利用刚体变换逆变换（R为单位矩阵，R⁻¹ = Rᵀ = R）：
Pw = R⁻¹ × (Pc - T) = Pc - T
Xw = 26.67 - 100 = -73.33mm
Yw = -10.67 - 50 = -60.67mm
Zw = 800 - 800 = 0mm最终得到螺栓在世界坐标系中的位置为 (-73.33, -60.67, 0)mm。机械臂控制系统即可根据该坐标规划抓取路径。
3.4 常见误区与总结复盘
坐标系统看似简单，但在实际工程中经常因概念混淆或参数错误导致定位偏差。以下是常见的误区和对应的规避策略。
3.4.1 误区一：混淆图像坐标系与像素坐标系
初学者常将图像坐标 (x, y) 与像素坐标 (u, v) 混为一谈。实际上，图像坐标是连续的物理量（mm），原点在光轴与成像平面交点；像素坐标是离散的整数（pixel），原点在图像左上角。两者之间的转换需要知道像元尺寸 dx、dy 和主点偏移 cx、cy。若直接使用像素坐标进行相机坐标计算，会引入系统性偏差。
3.4.2 误区二：忽略相机畸变的影响
针孔模型是理想化模型，实际镜头存在径向畸变和切向畸变。在精度要求较高的视觉引导场景中（如精密装配），必须对图像坐标进行畸变校正。畸变模型通常包含 k1、k2、k3（径向）和 p1、p2（切向）等参数，这些参数通过相机标定获得。校正公式为：
x_corrected = x × (1 + k1·r² + k2·r⁴ + k3·r⁶) + 2·p1·x·y + p2·(r² + 2x²)
y_corrected = y × (1 + k1·r² + k2·r⁴ + k3·r⁶) + p1·(r² + 2y²) + 2·p2·x·y其中 r² = x² + y²。建议在标定后对整幅图像进行去畸变处理，或对提取的特征点坐标进行畸变校正后再参与坐标转换。
3.4.3 误区三：外参与内参的混淆
外参（R, T）描述相机在世界坐标系中的位姿，随相机安装位置变化而变化；内参（f, dx, dy, cx, cy）描述相机本身的成像特性，只与镜头和传感器有关。在更换相机安装位置后，必须重新标定外参；而内参在镜头和相机未更换时通常保持稳定。手眼标定的核心任务之一就是求解外参（或手眼矩阵）。
3.4.4 误区四：坐标系轴向方向定义不一致
不同软件库或硬件厂商对坐标轴方向的定义可能不同。例如，OpenCV 中像素坐标系 v 轴向下，而某些机器人系统中 Y 轴向上。在集成视觉系统与机器人系统时，必须统一坐标轴方向约定，否则会导致旋转矩阵计算错误。建议在项目启动时制定坐标系统一规范文档，明确各坐标系原点、轴向、单位及正方向。
3.4.5 总结复盘
本章系统梳理了视觉引导定位中四个核心坐标系的定义与转换关系。核心要点归纳如下：
- 世界坐标系是参考系，用于统一描述场景中所有物体的位置，其原点与轴向根据应用场景灵活定义。
- 相机坐标系以光心为原点，Zc 轴沿光轴方向，是连接三维世界与二维图像的关键桥梁。
- 图像坐标系是成像平面上的连续物理坐标，单位为 mm，原点在主点位置。
- 像素坐标系是数字图像的离散坐标，单位为 pixel，原点在图像左上角。
- 完整转换链路为：世界坐标 →（外参 R, T）→ 相机坐标 →（内参 f, dx, dy, cx, cy）→ 图像坐标 →（离散化）→ 像素坐标。
- 实际工程中必须考虑镜头畸变校正、坐标轴方向统一、深度信息获取等关键问题。
掌握这四个坐标系的定义与转换关系，是后续学习手眼标定、视觉引导定位算法的基础。在下一阶段，我们将深入探讨相机成像模型与标定方法，进一步理解如何通过标定获取内参与外参参数。