4. 相机成像模型：针孔相机模型、内参矩阵、外参矩阵、畸变模型

做手眼标定，绕不开相机成像模型。说白了，你得知道相机是怎么「看」世界的。我刚开始接触这个领域时，总觉得公式太多、头大。后来踩了几个坑才明白——理解成像模型，是标定精度的根基。

这一节，我们聚焦四个核心概念：针孔模型、内参、外参、畸变。嗯，一个一个来。

4.1 针孔相机模型：最朴素的成像原理

针孔相机模型，是所有成像模型的起点。它假设光线沿直线传播，穿过一个小孔，在成像平面上形成倒立的像。你想想看，这其实跟初中物理的小孔成像实验一模一样。

数学上，我们用相似三角形来描述这个过程。假设世界坐标系中有一个点 P(X, Y, Z)，它在图像平面上的投影点 p(u, v) 满足：

u = f * X / Z
v = f * Y / Z

其中 f 是焦距（小孔到成像平面的距离）。这个公式简单，但实际相机没那么理想。为什么？因为真实相机有镜头、有传感器偏移，还有各种制造误差。

4.2 内参矩阵：从相机坐标到像素坐标

内参矩阵，描述的是相机内部的光学特性。它把相机坐标系下的三维点，映射到图像像素坐标系。我习惯把它拆成三部分：

• 焦距 f：单位是像素，不是毫米。注意，x 和 y 方向的焦距可能不同（fx, fy）。
• 主点 (cx, cy)：光轴与成像平面的交点，理想情况下在图像中心，实际会有偏移。
• 倾斜因子 s：传感器像素不是完美的正方形时引入的修正，通常很小，很多标定算法直接忽略。

内参矩阵 K 的数学形式：

K = [[fx,  s, cx],
     [ 0, fy, cy],
     [ 0,  0,  1]]

我在项目中遇到过一个问题：用 OpenCV 标定出来的 fx 和 fy 相差很大，检查后发现是相机传感器像素不是正方形。后来换了标定板，重新采集数据才搞定。所以，标定板的质量和采集姿势直接影响内参的准确性。

4.3 外参矩阵：从世界坐标到相机坐标

外参矩阵，描述的是相机在世界坐标系中的位置和朝向。它由旋转矩阵 R 和平移向量 t 组成。说白了，就是回答一个问题：相机放在哪里？朝哪个方向看？

数学上，外参矩阵是一个 4x4 的齐次变换矩阵：

[R | t]
[0 | 1]

其中 R 是 3x3 旋转矩阵，t 是 3x1 平移向量。注意，外参是相对于某个世界坐标系定义的。在手眼标定中，这个世界坐标系通常是机器人基座或标定板坐标系。

我曾经犯过一个低级错误：把外参矩阵的旋转和平移顺序搞反了。结果标定出来的手眼关系完全不对，机器人抓取偏差了 5 厘米。排查了两天才发现，是代码里矩阵乘法顺序错了。嗯，这里要提醒大家：变换矩阵的乘法顺序是右乘，先旋转后平移。

4.4 畸变模型：径向畸变与切向畸变

真实相机不是完美的针孔。镜头的光学特性会导致图像变形，这就是畸变。畸变主要分两类：

4.4.1 径向畸变

径向畸变，是光线通过镜头边缘时发生的弯曲。离光轴越远，畸变越明显。它有两种表现形式：

• 桶形畸变：图像向外膨胀，常见于广角镜头。
• 枕形畸变：图像向内收缩，常见于长焦镜头。

数学上，我们用多项式来建模径向畸变：

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)

其中 r 是像素到光轴的距离，k1、k2、k3 是径向畸变系数。通常 k1 和 k2 就够了，k3 用于高畸变镜头（比如鱼眼）。

4.4.2 切向畸变

切向畸变，是镜头和传感器不平行导致的。说白了，就是镜头装歪了。它用两个参数 p1、p2 来描述：

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]

我在实际项目中，切向畸变通常很小（p1、p2 接近 0）。但如果相机受过撞击或镜头松动，切向畸变会突然变大。有一次，客户反馈标定精度突然下降，我远程检查发现是相机固定螺丝松了。重新拧紧后，切向畸变参数恢复正常。

4.5 知识体系总览

为了让你更直观地理解这些概念的关系，我画了一张图：

从这张图你可以看到，整个成像流程是：世界坐标系下的点，先通过外参矩阵变换到相机坐标系，再通过内参矩阵投影到图像平面，最后用畸变模型修正镜头变形。每一步都环环相扣，任何一个环节出问题，都会影响最终的标定精度。

好了，这一节的内容就到这里。成像模型是手眼标定的数学基础，理解透了，后面的标定算法才能用得顺手。

---

公众号:蓝海资料掘金营，微信deep3321