1、标定基础与相机模型
相机标定，说白了就是搞清楚相机到底是怎么「看」世界的。我刚开始接触这个领域时，总觉得标定就是拍几张棋盘格照片跑个脚本完事。直到有一次项目里标定结果总是不对，才逼着我回头把相机模型彻底啃了一遍。嗯，这一章我们就从最基础的成像原理讲起。
1.1 相机成像原理：从三维世界到二维照片
相机成像的本质，是把三维空间中的点映射到二维图像平面上。这个过程涉及三个坐标系：世界坐标系、相机坐标系和图像坐标系。我个人习惯把这三个坐标系想象成「物体在哪」→「相机怎么看」→「底片怎么记录」。
具体来说，一个三维点 Pw 要经过以下变换才能变成像素坐标 (u, v)：
- 刚体变换：从世界坐标系转到相机坐标系（旋转 + 平移）
- 透视投影：从相机坐标系转到图像物理坐标系（针孔模型）
- 仿射变换：从物理坐标转到像素坐标（缩放 + 偏移）
核心公式（齐次坐标形式）：
s * [u, v, 1]^T = K * [R | t] * [X, Y, Z, 1]^T其中 K 是内参矩阵，[R | t] 是外参矩阵，s 是尺度因子。
1.2 针孔模型：最朴素的成像模型
针孔模型是相机模型的基础。它假设光线通过一个小孔后，在后面的成像平面上形成倒立的像。你想想看，这其实就是一个简单的相似三角形关系。
数学上，针孔模型可以表示为：
x = f * (X / Z)
y = f * (Y / Z)其中 (X, Y, Z) 是相机坐标系下的三维点，(x, y) 是图像物理坐标，f 是焦距。
我的经验：实际相机很少是完美针孔。镜头有厚度、有折射，所以我们需要用更复杂的模型来逼近真实成像。但针孔模型是所有标定算法的起点，理解它比背公式更重要。
1.3 畸变模型：为什么直线会变弯？
实际镜头不是完美的针孔，光线经过镜头时会发生折射和偏移，导致图像变形。这就是畸变。畸变主要分两类：径向畸变和切向畸变。
1.3.1 径向畸变
径向畸变是光线在镜头边缘弯曲造成的。离光轴越远，畸变越明显。它有两种表现形式：
- 桶形畸变：图像向外膨胀，常见于广角镜头
- 枕形畸变：图像向内收缩，常见于长焦镜头
数学模型（通常用前三个系数 k1, k2, k3 描述）：
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)其中 r 是像素到光轴中心的距离。
1.3.2 切向畸变
切向畸变是镜头与成像平面不平行造成的。说白了就是镜头装歪了。用两个参数 p1, p2 描述：
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]我曾经踩过的坑：有一次标定鱼眼镜头，我只用了 k1, k2 两个径向畸变参数，结果标定出来的图像边缘还是弯的。后来加上 k3 才解决问题。对于大畸变镜头，一定要用 3 个径向参数。
1.4 标定的核心目标与数学本质
标定的核心目标，就是求解相机的内参（焦距、主点、畸变系数）和外参（旋转、平移）。数学本质是一个非线性最小二乘优化问题。
具体来说，标定要做三件事：
| 目标 | 数学表达 | 物理意义 |
|---|---|---|
| 求解内参矩阵 K | fx, fy, cx, cy | 焦距和主点位置 |
| 求解畸变系数 | k1, k2, k3, p1, p2 | 镜头畸变程度 |
| 求解外参 [R | t] | 3×3 旋转矩阵 + 3×1 平移向量 | 相机在世界坐标系中的位姿 |
优化目标是最小化重投影误差：
min Σ || p_observed - p_projected(K, R, t, dist_coeffs, P_w) ||^2说白了，就是让「根据模型算出来的像素位置」和「实际拍到的像素位置」尽可能接近。
数学本质一句话：标定是一个从 2D-3D 对应点中，通过非线性优化反推相机参数的过程。你提供的对应点越多、分布越均匀，结果越准。
1.5 知识体系总览
下面这张图把本章的核心逻辑串起来了。我建议你把它当作标定的「地图」，以后遇到问题先回来看这张图。
我的建议：学标定不要一上来就调 OpenCV 的 calibrateCamera。先拿一张棋盘格，手动算一次单应性矩阵，再理解重投影误差是怎么来的。这个过程会让你对相机模型有「手感」。
好了，这一章我们把标定的地基打好了。从成像原理到针孔模型，从畸变模型到标定的数学本质，每一步都是后面实操的基础。记住：标定不是玄学，是数学。你理解得越深，调参时就越有底气。