1. 课程导论：多相机联合标定的定义、核心价值与课程概览

1.1 什么是多相机联合标定？

多相机联合标定（Multi-Camera Calibration）是指通过数学建模与优化方法，求解多个相机之间精确的空间位姿关系（旋转矩阵 R 与平移向量 t），并统一所有相机的内参（焦距、主点、畸变系数），使得多视角采集的图像数据能够在同一三维坐标系下实现像素级对齐与几何一致的过程。

与单相机标定不同，联合标定不仅要解决每个相机自身的成像模型参数，还必须建立相机之间的刚体变换链，形成一个完整的多目视觉系统。

1.2 在 3D 视觉中的核心价值

多相机联合标定是连接二维图像与三维空间的桥梁，其核心价值体现在以下三大领域：

1.3 多相机联合标定的系统架构

下图展示了多相机联合标定的典型系统架构，从数据采集到最终输出标定参数的全流程：

1.4 课程整体大纲概览

本课程共 30 章，分为四大模块，系统覆盖从基础理论到工程落地的完整知识体系：

1.5 多相机系统的典型配置

根据应用场景的不同，多相机系统存在多种典型配置，每种配置对联合标定提出了不同的挑战：

• 环视系统（Surround-view）： 4-8 个鱼眼相机环绕车身，要求大视场角重叠 < 10%，依赖 SLAM 或标定场进行全局对齐。
• 立体视觉系统（Stereo）： 2 个相机平行或汇聚放置，要求高精度基线标定，直接决定深度估计精度。
• 多目阵列（Multi-camera Array）： 3 个以上相机呈刚性排列，用于光场采集或高精度三维重建，需要联合优化所有相机对。
• 分布式系统（Distributed）： 相机之间无刚性连接，如安防监控网络，标定需借助公共视场或已知标志物。

1.6 课程学习路径与预备知识

为帮助学员高效学习，建议按照以下路径进行：

1. 数学基础： 线性代数（矩阵运算、特征值分解）、三维刚体变换（旋转矩阵、四元数）、非线性优化基础（高斯-牛顿法、LM 算法）。
2. 编程基础： Python/C++ 编程能力，熟悉 OpenCV 基本图像处理与相机标定 API。
3. 理论学习： 按模块顺序学习，每章完成后完成配套练习与代码实验。
4. 项目实战： 第 25-30 章提供完整项目案例，建议结合真实数据集动手实践。