4. 相机内参模型：针孔模型、畸变模型与内参标定
聊到BEV感知，绕不开的一个基础就是相机内参。说实话，很多做感知的同学一开始容易忽略它，觉得“反正有深度学习，模型自己能学出来”。但我在实际项目中吃过亏——外参标得再准，内参不对，BEV视角下的车道线直接歪掉。所以这一节，咱们把内参模型和标定方法彻底讲透。
4.1 针孔模型：最朴素的成像原理
针孔模型，说白了就是初中物理的小孔成像。光线穿过一个小孔，在后面的成像平面上形成倒像。数学上，我们用内参矩阵K来描述这个过程。
内参矩阵K长这样：
K = [[fx, 0, cx],
[ 0, fy, cy],
[ 0, 0, 1]]其中：
- fx, fy：焦距在x和y方向上的像素尺度。注意，它们不一定相等，因为传感器像素可能不是正方形。
- cx, cy：主点坐标，也就是光轴与成像平面的交点。理想情况下在图像中心，但实际会有偏移。
我记得有一次标定完发现主点偏移了十几个像素，当时没在意，结果BEV拼接时左右车道线对不齐。排查了半天，最后发现是内参没更新。嗯，从那以后我每次标定完都会看一眼主点位置。
4.2 畸变模型：镜头不是完美的
现实中的镜头不是针孔，有透镜。透镜会引入畸变，主要分两种：
4.2.1 径向畸变
径向畸变是光线经过透镜边缘时弯曲程度不同导致的。越靠近图像边缘，畸变越明显。数学上用泰勒级数展开来建模：
x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6)
y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6)其中r是像素到主点的距离。k1, k2, k3就是径向畸变参数。一般用k1和k2就够了，鱼眼镜头才需要k3。
我的经验：标定径向畸变时，棋盘格一定要拍到图像边缘。我曾经偷懒只拍了中间区域，结果去畸变后边缘反而更扭曲了。你想想看，边缘数据都没采集到，模型怎么拟合呢？
4.2.2 切向畸变
切向畸变是镜头和成像平面不平行导致的。说白了就是装配误差。模型如下：
x_distorted = x + (2*p1*x*y + p2*(r^2 + 2*x^2))
y_distorted = y + (p1*(r^2 + 2*y^2) + 2*p2*x*y)p1, p2就是切向畸变参数。这个畸变一般比较小，但也不能忽略。
注意：切向畸变参数如果标出来特别大（比如p1 > 0.1），说明镜头安装有问题。我遇到过一批摄像头，切向畸变参数异常大，拆开一看，镜头座没拧紧。这种硬件问题，标定是救不了的。
4.3 内参矩阵K的标定方法
标定内参，最经典的方法就是张正友标定法。我用过很多次，稳定可靠。核心思路是：拍摄不同角度的棋盘格，利用棋盘格的角点坐标，求解内参和畸变参数。
4.3.1 标定流程
- 采集图像：拍摄15-20张不同角度、不同位置的棋盘格图像。注意要覆盖图像的各个区域。
- 角点检测：用OpenCV的
findChessboardCorners检测棋盘格角点。 - 求解内参：用
calibrateCamera函数求解内参矩阵和畸变参数。 - 评估结果：看重投影误差，一般小于0.5像素就算合格。
代码示例：
import cv2
import numpy as np
# 棋盘格尺寸（内角点）
pattern_size = (9, 6)
# 准备世界坐标系中的点
objp = np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2)
objpoints = [] # 世界坐标系中的点
imgpoints = [] # 图像坐标系中的点
# 遍历所有标定图像
for fname in image_files:
img = cv2.imread(fname)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
if ret:
objpoints.append(objp)
imgpoints.append(corners)
# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
objpoints, imgpoints, gray.shape[::-1], None, None
)
print("内参矩阵:\n", mtx)
print("畸变参数:\n", dist)
print("重投影误差:", ret)4.3.2 标定注意事项
- 棋盘格要平整：贴在硬板上，不要有褶皱。我见过有人用A4纸打印，结果纸弯了，标定结果一塌糊涂。
- 光照要均匀：避免反光和阴影，否则角点检测会失败。
- 角度要多样：俯仰、偏航、滚转都要有，但不要太大（建议小于45度），否则角点检测不准。
核心要点：内参标定是BEV感知的基石。内参不准，外参标得再好也没用。我建议每3个月重新标定一次内参，尤其是车载摄像头，振动和温度变化会导致内参漂移。
4.4 知识体系结构图
下面这张图总结了本章的核心逻辑：
4.5 避坑指南
最后分享几个我踩过的坑：
- 棋盘格尺寸要量准：每个格子的实际物理尺寸（比如30mm）要精确测量。我见过有人用标称尺寸，结果标定出来的焦距偏了5%。
- 不要只用标定板：标定完一定要用实际场景验证。比如拍一张有直线结构的场景（大楼边缘、车道线），去畸变后看直线是否变直。
- 多相机标定要同步：如果是多相机系统，每个相机单独标定内参，然后联合标定外参。顺序不能乱。
小技巧：标定完成后，可以用cv2.undistort对一张图像去畸变，然后手动测量图像边缘的直线是否笔直。这个方法虽然土，但很有效。
好了，内参模型和标定方法就讲到这里。记住，内参是BEV感知的“地基”，地基不稳，上层建筑再漂亮也没用。下一节我们会聊外参标定，到时候会用到今天讲的内参知识。