📚 课程目录第4章相机成像模型

4. 相机成像模型：针孔相机模型、透镜畸变、内参矩阵

聊到手眼标定，绕不开一个基础问题——相机到底是怎么“看”世界的？

你想想看，一个三维空间里的点，怎么就能映射到一张二维图片上？这背后就是相机成像模型在起作用。我个人习惯把相机模型拆成三块来理解：针孔模型（理想情况）、透镜畸变（现实误差）、内参矩阵（数学表达）。

嗯，咱们一个一个说。

4.1 针孔相机模型：理想化的“小孔成像”

针孔模型是最经典的成像模型。说白了，就是初中物理课上的小孔成像实验——光线穿过一个小孔，在后面的平面上形成倒立的像。

但在机器视觉里，我们通常把成像平面“虚拟”地放到相机前方，这样图像就是正立的，计算起来也方便。这个虚拟平面，就是归一化成像平面。

从三维世界到二维图像，经历了四次坐标变换：

世界坐标系 → 相机坐标系（刚体变换，旋转+平移）
相机坐标系 → 归一化成像平面（透视投影）
归一化成像平面 → 像素坐标系（内参缩放+平移）

用数学公式表达就是：

λ * [u, v, 1]^T = K * [R | t] * [Xw, Yw, Zw, 1]^T

其中：

[u, v] 是像素坐标
[Xw, Yw, Zw] 是世界坐标
K 是内参矩阵
[R | t] 是外参矩阵
λ 是尺度因子

关键理解：针孔模型是线性的，但现实中的镜头不是针孔，所以我们需要引入畸变模型来修正。

4.2 透镜畸变：现实世界的“不完美”

我在项目中遇到过最头疼的问题，就是标定板拍出来边缘是弯的。你想想看，一个正方形的标定板，在图像边缘变成了“枕形”或“桶形”，这还怎么标定？

畸变主要分两类：

畸变类型	产生原因	视觉效果	数学模型
径向畸变	透镜形状不完美（球面误差）	直线变弯曲，越靠近边缘越明显	`δr = k1r^3 + k2r^5 + k3*r^7`
切向畸变	透镜与成像平面不平行（装配误差）	图像倾斜、梯形失真	`δx = 2p1xy + p2(r^2 + 2*x^2)`

径向畸变又分两种：

桶形畸变：图像中心向外膨胀（广角镜头常见）
枕形畸变：图像边缘向内收缩（长焦镜头常见）

切向畸变嘛，说白了就是镜头装歪了。我见过一个案例，某品牌的工业相机，出厂时镜头座就有0.1mm的偏斜，导致整个视场的切向畸变都偏大。嗯，这种问题只能通过标定来补偿。

避坑指南：我曾经在标定一个120度广角镜头时，只用了2个径向畸变参数（k1, k2），结果标定残差一直下不去。后来加了k3参数，残差立刻降了一个数量级。所以，对于大畸变镜头，一定要用3个径向畸变参数。

4.3 内参矩阵：相机的“身份证”

内参矩阵 K 描述了相机内部的几何特性。它把归一化成像平面上的点，映射到像素坐标系上。

标准形式：

K = [fx,  0, cx;
      0, fy, cy;
      0,  0,  1]

参数含义：

fx, fy：焦距在x、y方向上的像素当量（单位：像素）
cx, cy：主点坐标（光轴与成像平面的交点，单位：像素）

你可能会问：为什么焦距会有两个值？

因为像素不一定是正方形的。工业相机里，有些传感器的像元尺寸是5.3μm × 5.3μm，那就是正方形；但有些是5.3μm × 5.0μm，那就不是正方形。所以 fx 和 fy 会略有差异。

个人经验：我习惯在标定完成后，先看一眼 cx 和 cy 是否接近图像中心。如果偏差超过10个像素，我会检查标定板是否拍偏了，或者镜头是否松动。这个“直觉检查”帮我发现过好几次标定数据异常。

4.4 完整成像模型：从世界坐标到像素坐标

把上面三块拼起来，就是完整的成像模型：

世界坐标 Pw 通过外参 [R|t] 转到相机坐标 Pc
相机坐标 Pc 通过透视投影转到归一化平面 Pn
归一化坐标 Pn 加上畸变修正，得到 Pd
畸变后的坐标 Pd 通过内参 K 转到像素坐标 Puv

这个流程，我画了一张图帮你理解：

4.5 HALCON中的相机模型与标定

在HALCON里，相机模型用 cam_par 这个数据结构来表示。你可以通过 create_calib_data 创建标定数据，然后调用 calibrate_cameras 来求解内参和畸变参数。

常用的标定算子：

算子	功能	输出
`create_calib_data`	创建标定数据对象	CalibDataID
`set_calib_data_cam_param`	设置相机初始参数	—
`find_calib_object`	在图像中查找标定板	标定点坐标
`calibrate_cameras`	执行标定计算	内参、外参
`get_calib_data`	获取标定结果	相机参数

一个典型的标定流程：

// 创建标定数据
create_calib_data ('calibration_object', 'calibration_plate', [], [], CalibDataID)

// 设置相机初始参数（先给个大概值）
set_calib_data_cam_param (CalibDataID, 0, 'area_scan_division', [0.008, 0, 0.008, 0, 640, 480, 640, 480])

// 对每张标定图像查找标定板
for i := 1 to 15 by 1
    read_image (Image, 'calib_' + i$'02d')
    find_calib_object (Image, CalibDataID, 0, 0, i, [], [])
endfor

// 执行标定
calibrate_cameras (CalibDataID, Errors)

// 获取标定结果
get_calib_data (CalibDataID, 'camera', 0, 'params', CamParam)

小技巧：标定完成后，我习惯用 disp_caltab 把标定板重投影到图像上，看看重投影误差。如果误差超过0.3像素，我会检查标定板是否弯曲，或者图像是否模糊。这个习惯帮我避免过很多次“标定成功但定位不准”的尴尬。

4.6 本章小结

相机成像模型是手眼标定的数学基础。你只有理解了：

针孔模型如何把三维点投影到二维平面
畸变模型如何修正镜头的物理误差
内参矩阵如何描述相机的内部几何

才能在后续的手眼标定中，准确地把相机坐标系和机器人坐标系关联起来。