4. 相机成像模型
在Halcon视觉检测系统的项目落地中，相机成像模型是所有标定、测量与定位算法的理论基础。无论是进行单相机二维测量、双目立体视觉，还是手眼机器人引导，最终都要回归到“三维世界点如何映射到二维像素点”这一核心问题上。本章将系统拆解相机成像的四个关键层次：针孔模型、透镜畸变、内参与外参，以及四大坐标系的转换链路。理解这些内容，是后续进行标定板设计、算子选型与精度验证的前提。
4.1 针孔模型：理想化的线性投影
针孔模型（Pinhole Model）是相机成像的最基本抽象。它假设光线沿直线传播，所有场景中的光线通过一个无限小的“针孔”后，在成像平面上形成倒立的实像。在实际工程中，我们通常将成像平面虚拟到针孔前方，以得到正立的图像，便于数学表达。
针孔模型的数学表达式为：
设世界坐标系中一点 P = (X, Y, Z)，其在相机坐标系下的坐标为 (Xc, Yc, Zc)。
焦距为 f，主点（光轴与成像平面交点）坐标为 (cx, cy)。
理想投影关系（归一化平面）：
x' = Xc / Zc
y' = Yc / Zc
像素坐标：
u = f_x * x' + cx
v = f_y * y' + cy
其中 f_x = f / dx，f_y = f / dy，dx、dy 为单个像素的物理尺寸。这里需要特别强调的是，针孔模型是线性模型，它假设镜头无畸变、光线严格共线。但在实际工业镜头中，由于镜片加工误差、装配误差以及镜头与传感器不平行等因素，成像会偏离理想位置，因此必须引入畸变模型进行修正。
4.2 透镜畸变模型：径向畸变与切向畸变
透镜畸变是实际成像与针孔模型之间的偏差。Halcon中常用的畸变模型主要包含两类：径向畸变和切向畸变。
- 径向畸变：由镜片曲率引起，光线越靠近边缘弯曲越严重。表现为图像边缘的直线向内凹（桶形畸变）或向外凸（枕形畸变）。数学模型用 k1、k2、k3 三个系数描述。
- 切向畸变：由镜头与成像平面不平行引起，表现为图像中的直线在边缘处发生倾斜。用 p1、p2 两个系数描述。
畸变修正公式（以归一化坐标 x'、y' 为输入）：
r² = x'² + y'²
径向修正：
x_radial = x' * (1 + k1*r² + k2*r⁴ + k3*r⁶)
y_radial = y' * (1 + k1*r² + k2*r⁴ + k3*r⁶)
切向修正：
x_tangential = 2*p1*x'*y' + p2*(r² + 2*x'²)
y_tangential = p1*(r² + 2*y'²) + 2*p2*x'*y'
最终归一化坐标：
x_corrected = x_radial + x_tangential
y_corrected = y_radial + y_tangential在Halcon中，畸变系数通过 calibrate_cameras 算子自动求解。对于高精度测量项目，建议使用 calibrate_cameras 的“division model”或“polynomial model”，并根据镜头视场角选择合适的畸变阶数。对于普通工业镜头，k1、k2 通常足够；对于广角镜头或鱼眼镜头，才需要引入 k3。
4.3 内参与外参：相机自身的“基因”与在空间中的“姿态”
相机参数分为内参（Intrinsic Parameters）和外参（Extrinsic Parameters），两者在标定与测量中扮演不同角色。
| 参数类型 | 包含内容 | 物理意义 | Halcon中的表示 |
|---|---|---|---|
| 内参 | 焦距 f_x、f_y，主点 c_x、c_y，畸变系数 k1、k2、k3、p1、p2 | 描述相机光学系统与传感器之间的固定关系，与相机位置无关 | 相机内参元组：[f, k1, k2, p1, p2, cx, cy, width, height] 或扩展模型 |
| 外参 | 旋转矩阵 R（3x3）和平移向量 T（3x1） | 描述相机坐标系相对于世界坐标系的位姿（旋转+平移） | 位姿类型 pose，包含7个元素：3个平移量 + 4个四元数（或欧拉角） |
内参是相机出厂后相对固定的属性，但会受温度、振动、镜头松动等因素影响，因此在项目验收前必须进行现场标定。外参则随相机安装位置变化而变化，在机器人引导或双目系统中，外参标定是系统集成的关键步骤。
4.4 四大坐标系转换：从世界到像素的完整链路
视觉测量中涉及四个坐标系：世界坐标系、相机坐标系、图像坐标系、像素坐标系。理解它们之间的转换关系，是进行手眼标定、三维重建和测量规划的基础。
转换链路如下：
- 世界坐标系 → 相机坐标系（刚体变换，由外参决定）
- 相机坐标系 → 图像坐标系（透视投影，由内参中的焦距决定）
- 图像坐标系 → 像素坐标系（离散化，由主点与像素尺寸决定）
完整转换公式（齐次坐标形式）：
设世界坐标点 P_w = [X, Y, Z, 1]^T
步骤1：外参变换
P_c = [R | T] * P_w
步骤2：归一化投影
x' = Xc / Zc
y' = Yc / Zc
步骤3：畸变修正（见4.2节）
步骤4：像素坐标
u = f_x * x_corrected + c_x
v = f_y * y_corrected + c_y在Halcon中，这一系列变换被封装为 project_3d_point 算子。实际使用时，我们通常通过 image_points_to_world_plane 或 world_plane_to_image_points 进行双向转换，而无需手动编写矩阵运算。
4.5 案例场景：基于标定板的Halcon相机标定流程
以下是一个典型的Halcon标定流程，用于获取相机内参和外参，并验证标定精度。
* 1. 创建标定板描述文件
create_calib_data ('calibration', 'camera', 1, 1, CalibDataID)
set_calib_data_cam_param (CalibDataID, 0, 'area_scan_division', [0.008, 0, 0, 0, 0, 0, 0, 0])
set_calib_data_calib_object (CalibDataID, 0, 'calplate.cpd')
* 2. 读取标定板图像（建议采集10-15张不同位姿）
read_image (Image, 'calib_image_01.png')
find_calib_object (Image, CalibDataID, 0, 0, 0, [], [])
get_calib_data (CalibDataID, 'camera', 0, 'init_params', InitParams)
* 3. 执行标定
calibrate_cameras (CalibDataID, Errors)
* 4. 获取标定结果
get_calib_data (CalibDataID, 'camera', 0, 'params', CameraParam)
get_calib_data (CalibDataID, 'calib_obj_pose', [0, 0], 'pose', PoseOfCalibPlate)
* 5. 精度验证：反投影误差
get_calib_data (CalibDataID, 'camera', 0, 'errors', Errors)
* 平均误差应小于0.1像素- 平均反投影误差（Mean Error）< 0.1 像素（高精度测量）
- 最大反投影误差（Max Error）< 0.3 像素
- 标定板图像数量 ≥ 10 张，且覆盖视场中心与边缘
- 标定板倾斜角度范围：15° ~ 45°
4.6 常见误区与复盘
在项目实践中，工程师在相机建模与标定环节常犯以下错误，需要重点规避：
set_calib_data_cam_param 中显式指定畸变模型类型与阶数。
4.7 本章小结
相机成像模型是视觉检测系统的数学基石。针孔模型提供了线性投影的基准，透镜畸变模型修正了实际镜头的非线性偏差，内参描述了相机自身的固有属性，外参则定义了相机在空间中的位姿。四大坐标系的转换链路将三维世界点与二维像素点紧密关联，是标定、测量、定位等一切视觉算法的核心。在Halcon项目中，正确选择畸变模型、规范执行标定流程、严格验证标定精度，是确保系统稳定可靠的关键。下一阶段的学习中，我们将基于本章的成像模型，深入探讨标定板的设计原理与Halcon标定算子的参数细节。