自动驾驶摄像头标定：原理、方法与工程实践

1. 摄像头标定在自动驾驶中的核心作用

在智能驾驶系统中，摄像头就像车辆的眼睛。但和人眼不同，这些"电子眼"需要经过精确的数学建模才能准确理解看到的世界。这就是摄像头标定的意义所在——它建立了2D像素平面与3D物理空间之间的精确映射关系。

我曾在多个自动驾驶项目中负责视觉感知模块的开发，深刻体会到标定质量直接决定了后续所有视觉算法的上限。一个常见的误区是认为标定只是出厂前的一次性工作，实际上由于以下原因需要定期重新标定：

1. 机械振动导致的安装位置偏移（常见偏差可达3-5mm）
2. 温度变化引起的镜头形变（特别是塑料镜头）
3. 车辆载重变化导致的悬架高度改变
4. 碰撞或维修后的物理位置变化

2. 标定所需的数学基础解析

2.1 坐标系转换的核心：外积运算

外积（叉积）在标定中的作用远比表面看起来重要。它不仅用于坐标系转换，更是求解旋转矩阵的基础工具。在实际工程中，我们常用它来计算两个向量所在平面的法向量。

举个例子，当我们需要确定摄像头坐标系相对于车体坐标系的朝向时：

code复制设车体坐标系X轴方向向量为a = [1,0,0]
摄像头坐标系X轴方向向量为b = [0.866,0.5,0]（30度偏转）
则旋转轴方向为a×b = [0,0,0.5]

这个结果告诉我们两个坐标系在XY平面存在旋转关系，旋转轴为Z轴。

2.2 欧氏变换：多传感器融合的基石

自动驾驶车辆通常配备多个摄像头（前视、侧视、环视），每个摄像头都有自己的坐标系。欧氏变换矩阵T=[R|t]就是将这些不同坐标系统一到车体坐标系的关键。

一个典型的变换矩阵包含：

• 旋转分量R（3×3矩阵）
• 平移分量t（3×1向量）

在实际项目中，我们使用标定板获取这些参数时，要注意：

1. 标定板应覆盖摄像头的主要工作距离范围
2. 每个位置至少采集15-20张不同角度的图像
3. 保证标定板在图像中的占比不小于30%

2.3 旋转的两种表示方法

2.3.1 旋转矩阵的特性

旋转矩阵R具有以下关键性质：

1. 正交性：R^T = R^-1
2. 行列式为1：det(R)=1
3. 九个元素只有三个自由度

在实际应用中，我们常用以下技巧验证旋转矩阵的有效性：

python复制def is_valid_rotation(R):