第三章 相机模型与标定：让无人机看懂世界
各位同学，欢迎来到第三章。前面我们聊了VIO的整体框架，今天要深入一个最基础也最容易踩坑的环节——相机模型与标定。
说实话，我见过太多团队在VIO上折腾半天，最后发现问题是相机没标好。你想想看，如果相机本身就有偏差，后面算出来的位姿能准吗？
3.1 针孔相机模型：最朴素的成像原理
先说说针孔相机模型。说白了，它就是模拟光通过一个小孔在暗箱里成像的过程。我当年在学校学这个的时候，觉得太简单了——不就是小孔成像嘛。但真正做项目才发现，这里面门道不少。
针孔模型的数学表达其实很直观：
// 世界坐标系到像素坐标的映射
// [u, v, 1]^T = K * [R|t] * [X, Y, Z, 1]^T
// 其中K是内参矩阵
K = [fx 0 cx
0 fy cy
0 0 1]这里fx、fy是焦距参数，cx、cy是主点偏移。我在项目中遇到过一个问题：很多人以为cx、cy就是图像中心，其实不是。它们代表的是光轴与成像平面的交点，通常离图像中心有几到十几个像素的偏差。
核心要点：针孔模型假设所有光线都通过一个点（光心），然后投影到成像平面。这个假设在理想情况下成立，但实际镜头会有畸变。
3.2 畸变模型：现实总是不完美的
为什么需要畸变模型？因为真实的镜头不是完美的针孔。你想想看，镜头为了收集更多光线，用了透镜组，这就带来了畸变。
畸变主要分两种：
- 径向畸变：光线经过透镜边缘时弯曲更厉害，导致图像边缘的直线变弯。我见过最夸张的情况，一个广角镜头边缘畸变超过10%。
- 切向畸变：透镜和成像平面不平行，导致图像倾斜。这个在手机镜头上比较常见，工业相机一般还好。
畸变模型通常用多项式来描述：
// 径向畸变
x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6)
y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6)
// 切向畸变
x_distorted = x + (2*p1*x*y + p2*(r^2 + 2*x^2))
y_distorted = y + (p1*(r^2 + 2*y^2) + 2*p2*x*y)这里k1、k2、k3是径向畸变系数，p1、p2是切向畸变系数。嗯，这里要注意：对于大多数镜头，只用k1、k2就够了，k3一般用在鱼眼镜头。
避坑指南：我曾经在标定一个广角镜头时，用了5阶畸变模型，结果过拟合了。标定结果在标定板上误差很小，但实际场景反而更差。后来我改用3阶模型，效果反而更好。所以，别盲目追求高阶模型。
3.3 相机内参标定流程
标定说白了就是求解上面那些参数。我个人的习惯是用棋盘格标定板，因为角点检测稳定，而且OpenCV有现成的工具。
完整的标定流程是这样的：
- 准备标定板：打印一张棋盘格，贴在平整的硬板上。格子大小要精确测量，我一般用10cm的格子。
- 采集图像：从不同角度拍摄20-30张图像。注意：要覆盖视野的各个区域，特别是边缘。
- 角点检测：用OpenCV的findChessboardCorners检测角点。
- 参数优化：用最小二乘法优化内参和畸变参数。
- 验证结果：用标定结果去畸变一张新图像，看看直线是不是真的直了。
下面是我常用的标定代码片段：
import cv2
import numpy as np
# 准备标定板参数
chessboard_size = (9, 6) # 内角点数量
square_size = 0.1 # 格子大小，单位米
# 准备世界坐标系中的点
objp = np.zeros((chessboard_size[0]*chessboard_size[1], 3), np.float32)
objp[:,:2] = np.mgrid[0:chessboard_size[0],
0:chessboard_size[1]].T.reshape(-1,2)
objp *= square_size
# 存储所有图像的点
objpoints = [] # 世界坐标系中的点
imgpoints = [] # 图像坐标系中的点
# 遍历所有标定图像
for fname in image_files:
img = cv2.imread(fname)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 查找角点
ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)
if ret:
objpoints.append(objp)
imgpoints.append(corners)
# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
objpoints, imgpoints, gray.shape[::-1], None, None)
print("内参矩阵:\n", mtx)
print("畸变系数:\n", dist)个人经验：标定的时候，我建议每拍一张就检查一下角点检测结果。有时候光照不均匀会导致角点检测失败，及时重拍比事后补救要省事得多。
3.4 标定中的常见问题
做标定这么多年，我总结了一些常见问题：
| 问题 | 现象 | 解决方法 |
|---|---|---|
| 标定板不平整 | 重投影误差大 | 用玻璃板或铝板固定标定纸 |
| 图像数量不足 | 参数不稳定 | 至少拍20张，覆盖不同角度 |
| 标定板太近或太远 | 焦距参数偏差大 | 保持标定板在0.5-2米范围内 |
| 运动模糊 | 角点检测不准 | 用三脚架或提高快门速度 |
我曾经遇到一个案例：一个团队标定结果看起来很好，重投影误差只有0.3像素，但实际VIO跑起来就是飘。后来发现他们所有标定图像都是在同一个距离拍的，导致焦距参数虽然内符合很好，但外推能力很差。
3.5 知识体系总览
为了让大家更直观地理解本章的知识结构，我画了一张图：
这张图把三个核心模块串起来了。你看，从针孔模型到畸变模型，再到标定流程，最后落到实际应用。每一步都环环相扣。
总结一下：相机标定是VIO的基石。标定做不好，后面所有算法都是空中楼阁。我建议大家在项目初期就花时间把标定做扎实，这比后期花几周时间调参要划算得多。
好了，这一章就到这里。记住：标定不是一次性的工作，相机在使用过程中可能会因为温度变化、振动等原因发生微小变化。定期重新标定是个好习惯。
公众号:蓝海资料掘金营，微信deep3321