第一章：课程导论与预备知识——相机外参到底是什么？

各位同学好，我是这门课的主讲。在正式开始之前，我想先聊聊一个很基础、但又特别容易被忽视的问题：相机外参矩阵。

我见过不少刚入行的朋友，一上来就调OpenCV的solvePnP，跑出来一个旋转向量和平移向量，然后直接拿去用。结果呢？要么坐标系对不上，要么融合IMU时炸了。嗯，说白了，就是没搞懂外参矩阵到底在描述什么。

这一章，我们就把这个地基打牢。

1.1 什么是相机外参？

相机外参，英文叫 Extrinsic Parameters。它描述的是：相机坐标系 相对于 世界坐标系 的位姿。

你想想看，相机放在桌子上、装在车上、挂在无人机上，它总有一个位置和朝向吧？外参矩阵就是用来表达这个“位置+朝向”的数学工具。

我个人习惯把外参矩阵理解成“相机在世界中的身份证”。有了它，你才知道相机在哪、在看哪。

1.2 为什么需要解算外参？

这个问题其实很实际。我举几个场景：

• AR/VR： 你要把虚拟物体“放”在现实世界的某个位置。如果外参不准，虚拟物体就会飘。
• 视觉SLAM： 每一帧图像，你都要知道相机当前在哪。外参就是每一帧的位姿。
• 3D重建： 多张照片拼成一个模型，每张照片的外参必须精确对齐。
• 机器人导航： 相机看到路标，你得知道路标相对于机器人的位置，才能规划路径。

说白了，没有外参，相机就是一个“睁眼瞎”。它能看到像素，但不知道这些像素对应到现实世界的哪里。

1.3 外参矩阵的数学定义

好，我们来看数学形式。外参矩阵通常写作 [R | t]，是一个 3×4 的矩阵：

外参矩阵 = [ R  |  t ]
            [ 0  |  1 ]   (齐次形式，4×4)

其中：

• R：3×3 旋转矩阵。描述相机坐标系相对于世界坐标系的旋转。
• t：3×1 平移向量。描述相机坐标系原点在世界坐标系中的位置。

它的作用很简单：把一个世界坐标系下的点 P_w，变换到相机坐标系下 P_c。

P_c = R * P_w + t

用齐次坐标写就是：

[ P_c ]   =  [ R  t ]  *  [ P_w ]
[  1  ]      [ 0  1 ]     [  1  ]

这里有个细节要注意：R 必须是正交矩阵，且行列式为 +1。我见过有人直接拿数值优化出来的矩阵当R用，结果不满足正交性，后面全乱套了。

1.4 旋转矩阵的三种常见表示

在实际工程中，我们很少直接用9个参数的旋转矩阵。为什么呢？因为优化起来约束太多。常用的替代方案有：

表示方式	参数数量	优点	缺点
旋转矩阵 R	9	直观，无奇异性	必须满足正交约束，优化困难
旋转向量 (轴角)	3	紧凑，无约束	有奇异性（角度为0或π时）
四元数	4	无奇异性，插值方便	需要归一化，不直观

我个人习惯在SLAM系统中用四元数做优化，最后再转成旋转矩阵去渲染。为什么呢？因为四元数没有万向锁问题，而且插值平滑。

1.5 课程整体大纲与学习路径

这门课一共30章，我把它分成四个阶段：

1. 基础篇（第1-5章）： 外参矩阵的数学基础、坐标系定义、针孔模型、畸变模型。这部分是“内功”。
2. 解算篇（第6-15章）： PnP问题、EPnP、直接线性变换、非线性优化、BA。这部分是“招式”。
3. 实战篇（第16-25章）： 基于OpenCV、Eigen、Ceres的代码实现，从单帧到多帧，从纯视觉到视觉+IMU。这部分是“实战”。
4. 进阶篇（第26-30章）： 外参在线标定、鲁棒估计、退化场景处理、工程部署优化。这部分是“心法”。

下面这张图，帮你快速建立知识体系：

1.6 你需要准备什么？

这门课不是零基础课。我假设你已经：

• 熟悉线性代数（矩阵乘法、特征值、SVD）
• 会用C++，了解OpenCV的基本操作
• 对相机模型有基本概念（针孔模型、内参矩阵）

如果你对上面这些还有点模糊，别担心。我在基础篇会快速带大家过一遍，但不会花太多时间。毕竟，我们的目标是实战。

好，第一章就到这里。记住：外参矩阵不是一堆数字，它是相机和世界之间的桥梁。搞懂它，后面的路就好走了。