1. 项目概述:从“拍不准”到“算得准”的基石
如果你玩过3D建模、做过机器人视觉,或者捣鼓过自动驾驶小车,大概率都遇到过同一个问题:为什么我的相机拍出来的图像,用来测距、建模或者拼接时,总感觉“差那么一点”?明明算法看起来没问题,但结果就是飘忽不定,精度死活上不去。这个问题的根源,十有八九出在“相机标定”这个环节上。今天,我们就来彻底拆解这个看似基础、实则至关重要的技术——相机标定。
简单来说,相机标定就是给相机做一次“体检”和“身份认证”。它通过一系列数学计算,确定相机自身的“内部特性”(内参)和它在三维世界中的“姿势与位置”(外参)。没有准确的标定参数,相机就像一把刻度不准的尺子,用它去测量任何东西,结果都是不可信的。无论是单目视觉的测距、双目立体视觉的三维重建,还是激光雷达与相机的数据融合(即“16线雷达和相机标定”),标定都是第一步,也是最关键的一步。它决定了后续所有视觉算法性能的天花板。
这篇文章,我会从一个实践者的角度,带你走一遍相机标定的完整流程。我们不只讲“怎么做”,更重点剖析“为什么这么做”,以及我在实际项目中踩过的那些坑。无论你是刚入门的学生,还是需要快速上手的工程师,这篇内容都能给你一套可直接复现、且知其所以然的方法论。
2. 核心原理:相机如何把3D世界“压扁”成2D照片
在动手标定之前,我们必须先理解相机成像的数学模型。这是所有标定工作的理论基础,搞懂了它,你才能明白我们在计算什么,以及误差从何而来。
2.1 从针孔模型说起:一个完美的简化
目前最主流、最基础的相机模型是 针孔相机模型 。你可以把它想象成一个封闭的暗箱,只在箱壁开了一个小孔。外界的光线穿过这个小孔,在箱内对面的壁上形成上下颠倒的影像。这个模型忽略了透镜的存在,但它完美地描述了光线从三维世界到二维成像平面的 中心投影 关系。
在这个模型里,有几个关键的空间和坐标系需要理清:
- 世界坐标系 (X_w, Y_w, Z_w) :这是我们定义的真实三维空间,比如一个房间,棋盘格标定板就放在这个空间里。
- 相机坐标系 (X_c, Y_c, Z_c) :以相机的光心(小孔位置)为原点,Z_c轴指向相机正前方(光轴),X_c和Y_c轴平行于成像平面。
- 图像物理坐标系 (x, y) :以成像平面的中心(理论上与光轴的交点,即主点)为原点,单位是毫米(mm)。一个三维点 (X_c, Y_c, Z_c) 投影到这里,遵循相似三角形原理:
x = f * X_c / Z_c,y = f * Y_c / Z_c。这里的 f 就是 焦距 ,是相机的一个核心内参。 - 图像像素坐标系 (u, v) :这是我们最终看到的数字图像,原点在左上角,单位是像素。我们需要将物理坐标 (x, y) 转换到像素坐标。这个转换涉及两个部分: 主点坐标 (cx, cy) 和 像素尺寸 (dx, dy) 。
注意 :这里容易混淆。焦距 f 的单位是毫米,它描述的是光心到成像平面的物理距离。而我们在标定结果中常看到的 fx, fy,其单位是像素。它们的关系是:
fx = f / dx,fy = f / dy。因为现代相机的像素不一定是正方形,所以 dx 和 dy 可能不同,导致 fx 和 fy 也不同。标定直接求解的就是 fx, fy, cx, cy 这些以像素为单位的参数。
2.2 内参与外参:相机的“身份证”和“定位器”
基于上面的模型,我们可以用数学公式来描述整个投影过程:
-
世界坐标到相机坐标(刚体变换) :这需要 外参 ——旋转矩阵 R (3x3) 和平移向量 t (3x1)。
[X_c; Y_c; Z_c; 1] = [R | t] * [X_w; Y_w; Z_w; 1]。外参描述了相机在世界坐标系下的姿态和位置。对于单目标定,我们每拍一张标定板图片,就对应一组不同的外参(因为相机或标定板移动了)。 -
相机坐标到图像物理坐标(透视投影) :
x = X_c / Z_c,y = Y_c / Z_c(这里隐含了归一化,焦距 f 的乘法被合并到内参矩阵中)。 -
图像物理坐标到像素坐标(仿射变换) :这需要 内参矩阵 K 。
[u; v; 1] = K * [x; y; 1]。内参矩阵 K 是一个 3x3 的上三角矩阵:
K = [ fx, s, cx; 0, fy, cy; 0, 0, 1 ]- fx, fy : 以像素为单位的焦距。
- cx, cy : 主点坐标,即光轴与成像平面的交点(通常接近图像中心)。
- s (skew) : 倾斜系数,描述图像坐标轴不垂直的程度。对于绝大多数现代数码相机,s 非常接近于0,可以忽略。
所以,完整的投影方程是: s * [u; v; 1] = K * [R | t] * [X_w; Y_w; Z_w; 1] 。这里的 s 是一个任意的尺度因子(就是 Z_c)。标定的任务,就是通过已知的若干组 [X_w, Y_w, Z_w] (标定板角点的世界坐标)和它们对应的 [u, v] (图像像素坐标),来求解出相机的内参矩阵 K 和多组外参 [R|t] 。
2.3 透镜的“不完美”:畸变模型
针孔模型是理想的,但真实的相机镜头由于光学设计、制造和组装工艺,会引入 畸变 ,导致直线在图像中变弯。主要畸变有两种:
- 径向畸变 :由透镜形状缺陷引起,成像点沿径向方向偏离理想位置。它又分为:
- 桶形畸变 :图像边缘向内弯曲,像通过一个球面看东西。
- 枕形畸变 :图像
349



被折叠的 条评论
为什么被折叠?



