4、相机外参矩阵：从世界坐标系到相机坐标系的旋转与平移

说到相机外参矩阵，我脑子里第一个蹦出来的画面就是——刚入行那年，在实验室里对着一个标定板折腾了一下午，结果发现相机装歪了5度，整个重建出来的三维点云全飘了。嗯，从那以后，我再也不敢小看这个矩阵了。

相机外参矩阵，说白了就是回答一个问题：相机在哪儿？它朝哪儿看？

世界坐标系是我们定义的一个全局参考系。比如你在地上画个十字，那就是X轴和Y轴，垂直向上是Z轴。相机坐标系呢？它以相机光心为原点，Z轴指向镜头前方。要把世界坐标系里的一个点，映射到相机坐标系里，就需要外参矩阵。

4.1 外参矩阵的数学形式

外参矩阵由两部分组成：旋转矩阵R和平移向量t。写成齐次形式就是：

[X_c]   [R   t] [X_w]
[Y_c] = [     ] [Y_w]
[Z_c]   [     ] [Z_w]
[1  ]   [0 0 1] [1  ]

其中：

• R 是 3×3 的旋转矩阵，描述世界坐标系到相机坐标系的旋转关系
• t 是 3×1 的平移向量，描述世界坐标系原点在相机坐标系下的位置
• 最后一行 [0 0 0 1] 是为了凑齐次坐标，方便矩阵运算

我个人习惯把外参矩阵记作 [R|t]，这样写起来省事，看着也直观。

4.2 旋转矩阵的几何意义

旋转矩阵R的每一列，其实是世界坐标系的三个轴在相机坐标系下的方向向量。你想想看：

• R的第一列：世界坐标系X轴在相机坐标系下的方向
• R的第二列：世界坐标系Y轴在相机坐标系下的方向
• R的第三列：世界坐标系Z轴在相机坐标系下的方向

所以R是一个正交矩阵，满足 R^T R = I，行列式为+1。为什么？因为旋转不会改变向量的长度和夹角，说白了就是刚体变换。

4.3 平移向量的理解

平移向量t表示的是：世界坐标系原点在相机坐标系下的坐标。

举个例子：如果相机在世界坐标系中的位置是 (1, 2, 3)，那么t就是 (-1, -2, -3)。为什么是负的？因为我们要把世界坐标系的点变换到相机坐标系，相当于把整个世界移动到相机的位置上。

我在项目中遇到过一个问题：有人直接把相机在世界坐标系的位置当作t，结果算出来的点全反了。记住，t是原点的偏移，不是相机的位置。

4.4 外参矩阵的分解与合成

实际应用中，我们经常需要从外参矩阵里提取R和t。比如在SLAM系统里，每一帧都会估计相机位姿，那就是一个外参矩阵。

提取方法很简单：

R = P[:, :3]   # 取前3列
t = P[:, 3]    # 取第4列

反过来，合成外参矩阵：

P = np.hstack([R, t.reshape(-1, 1)])
P = np.vstack([P, [0, 0, 0, 1]])

4.5 外参矩阵的逆变换

有时候我们需要从相机坐标系变换回世界坐标系。比如在三维重建中，我们知道了相机坐标系下的点，想求它在世界坐标系中的位置。

逆变换公式：

X_w = R^T * (X_c - t)

或者用齐次形式：

[X_w]   [R^T  -R^T * t] [X_c]
[Y_w] = [              ] [Y_c]
[Z_w]   [              ] [Z_c]
[1  ]   [0 0 0    1    ] [1  ]

你看，这里就用到了 R^T = R^{-1} 的性质。我曾经在调试一个视觉里程计系统时，就是因为忘了取转置，结果轨迹全反了，找了半天bug才发现。

4.6 外参矩阵与相机位姿的关系

相机位姿通常用 [R|t] 表示，但要注意：不同的库可能定义不同。

库/框架	外参定义	说明
OpenCV	[R|t]	世界→相机
COLMAP	[R|t]	世界→相机
PyTorch3D	[R|t]	相机→世界（注意！）

4.7 可视化理解

为了让你更直观地理解外参矩阵的作用，我画了一张图：

从图上你能看到：世界坐标系中的点P_w，经过旋转R和平移t，变成了相机坐标系中的点P_c。这个变换就是外参矩阵干的活。

4.8 实际应用中的注意事项

1. 尺度问题：外参矩阵中的平移向量t是有单位的（通常是米或毫米）。如果你用的数据集单位不统一，记得先做单位转换。
2. 旋转顺序：如果你用欧拉角表示旋转，要注意旋转顺序（XYZ、ZYX等）。不同的顺序得到的结果完全不同。
3. 数值稳定性：长时间运行的SLAM系统，外参矩阵可能会漂移。我建议定期做回环检测，修正累积误差。

好了，这一章就到这里。记住，多动手写代码，多画图理解，比死记公式强一百倍。