1. 相机成像模型概述
在计算机视觉领域,相机成像模型是理解三维世界如何投影到二维图像平面的基础。作为一名计算机视觉工程师,我经常需要处理各种相机模型相关的算法实现和问题调试。今天我想分享的是最常用的针孔相机模型及其畸变校正方法,这是我在多个视觉项目中积累的实战经验。
相机模型的核心任务是建立从三维空间点(世界坐标系中的Pw)到二维像素坐标(图像中的p=(u,v))的数学映射关系。这个映射过程涉及多个坐标系的转换和复杂的数学运算,理解其中的每一个环节对于后续的相机标定、三维重建、姿态估计等工作至关重要。
在实际项目中,我发现很多开发者虽然能够调用OpenCV等库函数完成相机标定,但对背后的数学模型一知半解。当遇到标定结果不理想或重投影误差较大时,往往无从下手调试。本文将系统性地讲解相机成像的完整流程,包括坐标系转换、投影模型和畸变校正,并分享我在实际项目中总结的调试技巧。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 坐标系系统与转换关系
2.1 四大坐标系详解
相机成像过程涉及四个关键坐标系,理解它们之间的关系是掌握相机模型的基础:
-
世界坐标系(W): 这是用户定义的三维空间参考系,通常以场景中的某个固定点作为原点。在我的工程项目中,我习惯将地面平面作为XY平面,Z轴垂直向上,这样便于后续的测量和计算。
-
相机坐标系(C): 以相机光心为原点,Z轴沿光轴方向。这个坐标系会随着相机移动而变化。在实际编程时,我通常会建立一个相机类来维护这个坐标系的状态。
-
图像坐标系(I): 以图像平面的中心为原点(注意这与像素坐标系不同),单位为物理尺寸(如毫米)。这个坐标系在推导投影关系时非常关键。
-
像素坐标系(P): 以图像左上角为原点,单位为像素。这是我们最终要得到的坐标。
2.2 坐标系转换的数学表达
坐标系间的转换通过矩阵运算实现,这是计算机视觉中的核心数学工具:
-
世界坐标→相机坐标:
通过外参矩阵[R|t]实现,其中R是3×3旋转矩阵,t是3×1平移向量。我在代码中通常这样实现:cpp复制
Eigen::Vector3d Pc = R * Pw + t; -
相机坐标→图像坐标:
通过针孔模型投影:code复制x = Xc /
