相机内参模型：针孔相机模型、畸变模型与内参矩阵K
做车道线检测，绕不开相机模型。说白了，你得知道相机是怎么把三维世界“拍”成二维图像的。这个映射关系，就是内参模型的核心。我个人习惯把内参比作相机的“基因”——它决定了图像里每个像素对应的真实物理方向。
针孔相机模型：最朴素的成像原理
针孔模型是最基础的成像模型。你想想看，光线通过一个小孔，在后面的感光元件上形成倒像。这就是最原始的相机。
数学上，它描述了一个从3D世界点到2D图像点的投影关系：
// 齐次坐标下的投影关系
λ * [u, v, 1]^T = K * [R|t] * [X, Y, Z, 1]^T这里有几个关键点：
- 世界坐标系：我们关心的车道线、路沿都在这个坐标系里
- 相机坐标系：以相机光心为原点，Z轴指向拍摄方向
- 图像坐标系：成像平面上的物理坐标（毫米级）
- 像素坐标系：我们最终看到的图像，单位是像素
我在项目中遇到过一个问题：用针孔模型标定出来的参数，在图像边缘区域误差特别大。后来才发现，是忽略了畸变。嗯，这里要注意，针孔模型只是一个理想模型，真实相机都有畸变。
畸变模型：现实总是不完美的
为什么会有畸变？因为镜头不是完美的针孔。透镜的曲率、装配误差都会导致光线偏折。畸变主要分两类：
径向畸变
这是最常见的畸变。说白了，就是图像边缘的直线变弯了。有两种表现：
- 桶形畸变：图像向外膨胀，像桶一样。广角镜头常见
- 枕形畸变：图像向内收缩，像枕头。长焦镜头常见
数学上，径向畸变用三个参数描述：k1, k2, k3。校正公式是：
x_corrected = x * (1 + k1*r^2 + k2*r^4 + k3*r^6)
y_corrected = y * (1 + k1*r^2 + k2*r^4 + k3*r^6)其中 r 是像素到图像中心的距离。r 越大，畸变越明显。
我的经验： 对于自动驾驶常用的车载相机（视场角60-120度），一般只用k1和k2就够了。k3通常很小，加了反而容易过拟合。我曾经在一个项目中用了k3，结果标定出来的参数在图像边缘反而更差了。
切向畸变
切向畸变是镜头和成像平面不平行导致的。想象一下，镜头装歪了，图像就会倾斜。它用两个参数描述：p1, p2。
x_corrected = x + [2*p1*x*y + p2*(r^2 + 2*x^2)]
y_corrected = y + [p1*(r^2 + 2*y^2) + 2*p2*x*y]
注意： 切向畸变在车载相机中通常很小。如果标定出来的p1、p2数值很大（比如超过0.1），说明镜头安装有问题，或者标定板图像质量太差。我曾经遇到过这种情况，后来发现是标定板反光太严重。
内参矩阵K：相机的“身份证”
内参矩阵K把相机坐标系下的点映射到像素坐标系。它的形式是：
K = [fx, 0, cx;
0, fy, cy;
0, 0, 1]各参数含义：
| 参数 | 含义 | 单位 |
|---|---|---|
| fx, fy | 焦距在x、y方向上的像素长度 | 像素 |
| cx, cy | 主点坐标（光心在图像上的投影） | 像素 |
你想想看，fx和fy通常很接近，但不完全相等。为什么？因为像素不是完美的正方形。cx和cy理论上应该在图像正中心，但实际会有偏移。这个偏移量，就是镜头装配的误差。
核心理解： 内参矩阵K + 畸变参数(k1,k2,k3,p1,p2) = 完整的相机内参模型。缺一不可。
知识体系结构图
下面这张图，是我自己总结的相机内参模型知识体系。你可以把它当作一个快速索引：
实际标定中的注意事项
做车道线检测的外参标定时，内参的准确性直接影响结果。我总结了几条经验：
- 内参要提前标好：外参标定前，先固定内参。不要内外参一起优化，容易发散
- 畸变参数要合理：k1通常在-0.5到0.5之间，k2在-0.2到0.2之间。超出这个范围，说明标定有问题
- 主点偏移别太大：cx、cy偏离图像中心超过10%的像素宽度，就要检查镜头安装
- 多角度拍摄标定板：至少20张不同角度的标定板图像，覆盖图像各个区域
一个小技巧： 标定完成后，可以用棋盘格图像验证。把标定好的内参代入，对图像做去畸变。如果棋盘格的直线都变直了，说明内参标定成功。我每次标定完都会做这个验证，省得后面踩坑。
嗯，关于相机内参模型，核心就是这些。针孔模型是骨架，畸变模型是修正，内参矩阵是最终的表达。三者结合，才能准确描述一个真实相机的成像过程。