一、外参标定概述：从“我是谁”到“我在哪”

大家好，我是你们这趟实战课的老朋友。今天咱们聊一个绕不开的话题——外参标定。

说实话，我刚入行那会儿，觉得标定就是个“配准”的活儿，没什么技术含量。直到有一次，我负责的车道线检测算法在高速上突然“抽风”，明明车道线就在眼前，算法却死活不认。排查了三天，最后发现是摄像头松动了0.5度。嗯，从那以后，我再也不敢小看外参了。

1.1 什么是外参？

外参，全称是“外部参数”。它描述的是摄像头坐标系和车体坐标系之间的相对位置和姿态关系。

说白了，就是回答三个问题：

• 摄像头在车上的哪里？（平移量：x, y, z）
• 摄像头朝哪个方向看？（旋转量：roll, pitch, yaw）
• 这两个坐标系怎么对齐？（刚体变换矩阵）

数学上，外参通常用一个4x4的齐次变换矩阵表示：

# 外参矩阵 T_cam_to_vehicle
T = [[R11, R12, R13, tx],
     [R21, R22, R23, ty],
     [R31, R32, R33, tz],
     [0,   0,   0,   1 ]]

其中R是3x3旋转矩阵，t是3x1平移向量。这个矩阵能把摄像头看到的一个点，映射到车体坐标系中。

1.2 为什么车道线检测需要外参？

你想想看，车道线检测最终要输出什么？是“车道线在图像上的位置”吗？不是的。我们要的是“车道线相对于车辆的位置”——比如“左侧车道线距离车辆1.5米”。

这个从图像坐标到物理坐标的转换，必须依赖外参。具体来说：

• 逆透视变换（IPM）：把图像投影到鸟瞰图，需要知道摄像头相对于地面的高度和俯仰角。这就是外参里的pitch和z。
• 距离估计：图像上的一条线，到底离车多远？这需要外参把像素坐标映射到世界坐标。
• 多传感器融合：如果车上还有毫米波雷达或激光雷达，外参就是对齐这些传感器数据的“粘合剂”。

我在项目中遇到过最典型的场景：一辆车在颠簸路面行驶，摄像头俯仰角变化了0.3度。结果车道线检测的横向偏差直接跳了20厘米。你想想，20厘米对于车道保持来说，已经足够让车辆压线了。

1.3 外参标定的核心目标

外参标定的目标，用一句话概括就是：找到一组外参，使得摄像头观测到的车道线，与真实世界中的车道线尽可能重合。

具体拆解成三个子目标：

1. 几何一致性：图像中的直线，投影到地面后仍然是直线。
2. 尺度一致性：图像中测量到的车道宽度（比如3.5米），与真实车道宽度一致。
3. 时间一致性：车辆行驶过程中，外参估计值不出现剧烈跳变。

这三个目标，说白了就是“准、稳、真”。

1.4 评价指标

光说目标不够，咱们得量化。我常用的评价指标有这几个：

指标名称	计算公式	说明
重投影误差	||P_gt - P_proj||²	真实3D点与投影到图像上的2D点之间的像素误差
车道线平行度	左右车道线夹角	理想值为0°，反映pitch和yaw的准确性
车道宽度误差	|W_est - W_gt|	估计车道宽度与真实宽度之差，单位米
俯仰角稳定性	std(pitch)	连续帧俯仰角的标准差，反映标定结果的鲁棒性

1.5 知识体系总览

为了让你对整个外参标定有个全局认识，我画了一张图。这张图概括了外参标定的核心逻辑：从输入到输出，从方法到评价。

这张图展示了外参标定的完整闭环：输入数据经过核心方法处理，输出外参结果，再通过评价指标验证，最终应用到实际场景中。如果评价指标不达标，就需要反馈优化，重新调整标定方法或参数。

1.6 小结

外参标定，说白了就是给摄像头“定位”。它决定了车道线检测的精度上限。很多同学在跑开源算法时觉得效果不错，一上车就崩，十有八九是外参没标好。

我个人习惯把外参标定分成两步走：先做离线粗标定，把摄像头装到车上后，用标定板或已知场景算出一个初始值；再做在线精标定，利用行驶过程中的车道线观测，持续优化外参。这样既保证了初始精度，又能应对长期使用中的漂移。

嗯，这一章就到这里。记住一句话：外参标定不是一次性的工作，而是一个持续优化的过程。