相机外参标定原理：旋转矩阵R、平移向量t、外参矩阵的几何意义
大家好，我是老张。在传感器标定这个行当里摸爬滚打了十几年，今天跟大伙聊聊相机外参标定。说白了，外参就是回答一个问题：相机在三维空间里到底搁哪儿、朝哪儿看？
我刚开始做标定时，总觉得内参才是核心，外参不就是个位置嘛。直到有一次在自动驾驶项目里，相机装歪了0.5度，结果30米外的障碍物位置偏差了半米多……嗯，从那以后我再也不敢小看外参了。
核心一句话：外参矩阵描述了从世界坐标系到相机坐标系的刚体变换。它由旋转矩阵R和平移向量t组成。
1. 旋转矩阵R：相机到底朝哪看？
旋转矩阵R，是一个3×3的正交矩阵。你想想看，相机在空间里可以绕X轴、Y轴、Z轴分别旋转，这三个旋转组合起来，就是R。
我个人习惯把R拆成三个轴的旋转来理解：
- 绕Z轴旋转（偏航角Yaw）：相机左右摇头
- 绕Y轴旋转（俯仰角Pitch）：相机上下点头
- 绕X轴旋转（滚转角Roll）：相机歪脖子
数学上，R矩阵满足两个性质：R^T * R = I（正交性），det(R) = 1（右手系）。我在项目中遇到过有人直接手动填R矩阵，结果不满足正交性，标定出来的结果一塌糊涂。
避坑指南：我曾经用欧拉角表示旋转，结果遇到了万向锁问题。后来我改用四元数或者旋转向量，稳定多了。如果你用欧拉角，记得注意旋转顺序——不同的顺序，结果完全不同。
2. 平移向量t：相机到底搁哪儿？
平移向量t是一个3×1的向量，表示相机光心在世界坐标系中的位置。说白了，就是相机在世界里的坐标。
举个例子：如果t = [1, 2, 3]^T，意思是相机光心在世界坐标系的(1, 2, 3)这个点。
这里有个容易搞混的地方：t表示的是世界原点在相机坐标系下的坐标，而不是相机在世界坐标系下的坐标。这两个概念互为相反数关系。我刚开始学的时候也绕晕过，后来记住一句话：P_cam = R * P_world + t，t就是世界原点在相机系下的位置。
| 符号 | 含义 | 维度 |
|---|---|---|
| R | 旋转矩阵，描述世界系到相机系的旋转 | 3×3 |
| t | 平移向量，世界原点在相机系下的坐标 | 3×1 |
| [R|t] | 外参矩阵，3×4的刚体变换矩阵 | 3×4 |
3. 外参矩阵的几何意义
外参矩阵通常写作[R|t]，是一个3×4的矩阵。它的几何意义非常直观：把世界坐标系里的一个点，变换到相机坐标系里。
数学表达式：
P_cam = R * P_world + t
用齐次坐标表示：
|X_cam| |r11 r12 r13 t1| |X_world|
|Y_cam| = |r21 r22 r23 t2| |Y_world|
|Z_cam| |r31 r32 r33 t3| |Z_world|
| 1 | | 0 0 0 1| | 1 |为什么用齐次坐标？说白了就是为了把旋转和平移统一成一个矩阵乘法，方便计算。我在做多相机联合标定时，这个4×4的齐次变换矩阵帮了大忙。
注意：外参矩阵是刚体变换，它不会改变物体的形状和大小，只会改变物体的位置和朝向。如果你发现标定后物体变形了，那一定是R矩阵出了问题——不满足正交性。
4. 知识体系结构图
下面这张图，是我自己总结的外参标定知识体系。你看一眼就能明白各个概念之间的关系：
5. 实际标定中的注意事项
讲完了理论，说说实际干活时要注意的点。我踩过的坑，你们就别再踩了：
- R矩阵的初始化很重要。我见过有人直接用单位矩阵初始化，结果优化半天收敛不到正确值。建议先用PnP方法算个初值。
- t向量的尺度问题。单目相机标定出来的t是带尺度模糊的，只有双目或者有已知尺寸的标定物才能得到真实尺度。
- 外参和内参的耦合。有时候外参标不准，其实是内参没标好。我一般先标内参，固定住，再标外参。
- 标定板要覆盖整个视场。只拍中间区域，边缘的外参可能不准。我习惯让标定板出现在画面的四个角和中心。
个人经验：在实际项目中，我通常会用至少20张不同位姿的标定板图像来做外参标定。太少的话，R和t的方差会很大。另外，标定板的姿态变化要足够大——平移和旋转都要有，否则会退化。
好了，关于相机外参标定的旋转矩阵、平移向量和外参矩阵的几何意义，今天就聊到这儿。这些东西看着简单，但真正用好了，能解决很多实际问题。下次你们遇到标定不准的情况，不妨回头看看R和t是不是出了问题。
公众号:蓝海资料掘金营，微信deep3321