一、相机模型与内参：从针孔到畸变，再到内外参标定的本质区别

各位同学，欢迎来到《外参标定与目标跟踪精度》的第一章。我是你们这门课的老朋友，一个在计算机视觉和SLAM领域摸爬滚打多年的工程师。今天咱们不聊虚的，直接切入正题——相机模型与内参。

你可能会问，为什么第一章不讲外参，反而讲内参？我的回答很简单：外参是骨架，内参是灵魂。没有准确的内参，你标定出来的外参就是空中楼阁。我在项目里见过太多人，外参标定怎么调都不对，最后发现是内参没标好。嗯，咱们先把地基打牢。

说白了，相机成像就是一个「把三维世界投影到二维平面」的过程。针孔相机模型是最基础、最经典的模型。它假设光线通过一个小孔（光心），在后面的成像平面上形成倒立的像。

你想想看，这个模型虽然简单，但它抓住了本质：线性投影关系。三维空间中的点 (X, Y, Z) 映射到图像平面上的点 (u, v)，可以用一个简单的比例关系描述：

u = f * (X / Z) + u0
v = f * (Y / Z) + v0

这里 f 是焦距，u0、v0 是主点偏移。我个人习惯把主点想象成「光轴穿过图像平面的那个点」，它通常不在图像正中心，因为制造工艺有误差。

核心要点：针孔模型是线性的，但真实相机是非线性的。我们后面要讲的畸变模型，就是用来修正这个非线性偏差的。

内参矩阵 K 是啥？它就是把上面那个投影关系写成矩阵形式：

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

其中 fx、fy 是焦距在像素坐标系下的表示，cx、cy 是主点坐标。注意，fx 和 fy 通常不相等，因为像素可能不是正方形。我在做手机相机标定时，就遇到过 fx 和 fy 差了好几个像素的情况，这很正常。

内参矩阵 K 一旦确定，就代表这个相机的「内在属性」固定了。你换镜头、调光圈，K 都会变。所以每次拆装镜头后，我建议你重新标定一次内参。

我的经验：在SLAM系统中，内参矩阵 K 的精度直接影响三角化、重投影误差的计算。我曾经因为内参标定误差 0.5 个像素，导致整个建图漂移了 10%。别小看这 0.5 像素。

真实相机不是完美的针孔。镜头有曲率，装配有偏差，所以图像会变形。畸变主要分两类：径向畸变和切向畸变。

这是最常见的畸变。说白了，就是光线经过镜头边缘时，折射角度和中心不一样。结果就是：直线变弯，越靠近边缘越明显。径向畸变用三个参数描述：k1、k2、k3。

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)

这里 r 是像素到主点的距离。你会发现，r 越大，畸变越严重。我见过一些广角镜头，边缘畸变能达到 10% 以上，不校正根本没法用。

切向畸变是镜头和成像平面不平行造成的。比如镜头装歪了，或者传感器贴歪了。它用两个参数描述：p1、p2。

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)

避坑指南：我曾经在标定一个工业相机时，只标了径向畸变，忽略了切向畸变。结果在后续的视觉定位中，误差始终降不下去。后来加上 p1、p2 重新标定，精度直接提升了一个量级。所以，千万别偷懒，五个畸变参数（k1、k2、p1、p2、k3）最好全标。

很多初学者搞不清内参和外参的区别。我打个比方：

说白了，内参是「我是谁」，外参是「我在哪」。两者缺一不可。

重要提醒：外参标定的精度，严重依赖于内参的准确性。如果你的内参标定有误差，外参标定结果也会跟着偏。我见过一个团队，外参标定反复做都不收敛，最后发现是内参矩阵 K 里的 fx 写错了。嗯，这种低级错误，咱们尽量避免。

为了让你更直观地理解本章的知识结构，我画了一张图。它展示了从针孔模型到内参矩阵，再到畸变模型，最后到内外参标定区别的完整逻辑链条。

从这张图你可以看到，针孔模型是基础，内参矩阵 K 是核心，畸变模型是修正。内参标定负责确定 K 和畸变参数，而外参标定则依赖于内参标定的结果。两者是上下游关系，缺一不可。

我的建议：在实际项目中，先花 30 分钟把内参标定做扎实，再去做外参标定。别急着跳步。我曾经在一个自动驾驶项目中，因为内参标定没做好，导致后续的激光雷达-相机联合标定反复失败。后来重新标定内参，一次就过了。省下的时间，比标定内参花的时间多得多。

好了，第一章的内容就到这里。记住：内参是相机的「身份证」，外参是相机的「GPS」。搞清楚了这两者的区别和联系，后面的课程你才能跟得上。

可可精品资料库