4. 摄像头成像模型：针孔模型、畸变模型、内参矩阵

各位同学，咱们今天聊聊摄像头成像这事儿。说实话，做传感器融合这么多年，我见过太多人上来就调对齐参数，结果怎么都对不准。为啥？因为没搞懂摄像头到底是怎么「看」世界的。

摄像头成像，说白了就是把三维世界「拍扁」成一张二维图片。这个过程里，有三个东西你必须吃透：针孔模型、畸变模型、内参矩阵。嗯，今天咱们一个一个掰开揉碎了讲。

4.1 针孔模型：最朴素的成像原理

先问大家一个问题：你小时候玩过小孔成像吗？拿个纸板戳个洞，阳光透过小孔在墙上投出倒像。摄像头的工作原理，本质上跟这个一模一样。

针孔模型假设光线是直线传播的。三维空间里一个点，经过小孔（光心），投射到成像平面上。这里有个关键点：成像平面上的像是倒立的。不过咱们的摄像头传感器和算法会自动把它正过来，所以平时你看到的照片是正的。

我个人习惯把针孔模型拆成三步来理解：

1. 世界坐标系 → 相机坐标系：把物体从「世界位置」转换到「摄像头位置」来看
2. 相机坐标系 → 图像坐标系：用相似三角形算出物体在成像平面上的位置
3. 图像坐标系 → 像素坐标系：把物理位置映射到像素格子上去

这里有个公式，大家记一下：

u = f * (X / Z) + u0
v = f * (Y / Z) + v0

其中 (X, Y, Z) 是相机坐标系下的点，(u, v) 是像素坐标，f 是焦距， (u0, v0) 是光心在像素坐标系下的位置。

4.2 畸变模型：现实世界没有完美的镜头

针孔模型是理想情况。但现实中的镜头，尤其是咱们车载上用的广角镜头，拍出来的照片是有「变形」的。你想想看，直线拍出来变弯了，这就是畸变。

畸变主要分两种：

• 径向畸变：光线经过透镜边缘时弯曲得更厉害。离中心越远，变形越明显。拍出来的直线会变成向外凸（桶形畸变）或向内凹（枕形畸变）。
• 切向畸变：镜头和传感器没装平行，有点歪。这个在量产车上比较常见，我遇到过好几次。

畸变模型用数学公式来描述：

x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + 2*p1*x*y + p2*(r^2 + 2*x^2)
y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + 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。r 是点到光心的距离。

4.3 内参矩阵：摄像头的「身份证」

内参矩阵，说白了就是摄像头的「出厂设置」。它描述了摄像头内部的光学特性，包括焦距、光心位置、像素尺寸等。

内参矩阵 K 长这样：

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

其中：

• fx, fy：x 和 y 方向的焦距（单位是像素）。注意，这两个值不一定相等，因为像素可能不是正方形。
• cx, cy：光心在像素坐标系下的位置。理想情况下在图像正中心，但实际会有偏移。

内参矩阵的作用是什么？它把相机坐标系下的点，直接映射到像素坐标系。你想想看，有了内参矩阵，你就能知道一个三维点对应到图像上的哪个像素了。

4.4 三者的关系：一个完整的成像流水线

好了，现在咱们把这三个东西串起来。一个三维点是怎么变成像素的？

1. 世界坐标 → 相机坐标：用外参矩阵（旋转+平移）
2. 相机坐标 → 归一化平面：除以 Z，得到归一化坐标 (x, y)
3. 加畸变：用畸变模型对 (x, y) 做变形
4. 投影到像素：用内参矩阵 K 把畸变后的坐标映射到像素 (u, v)

你看，每一步都离不开咱们今天讲的内容。所以我说，搞懂摄像头模型，是做好传感器融合的第一步。

4.5 实战建议：标定流程

最后，给大家一个标定流程的 checklist：

步骤	操作	注意事项
1	准备棋盘格标定板	棋盘格要平整，格子大小要精确测量
2	拍摄多角度照片	覆盖视野各个区域，至少20张
3	提取角点	用 findChessboardCorners 函数
4	标定内参和畸变	用 calibrateCamera 函数
5	验证标定结果	投影误差小于0.5像素才算合格

嗯，今天就到这儿。下一章咱们聊聊外参标定，也就是怎么把摄像头和毫米波雷达「对齐」到同一个坐标系下。到时候你会看到，今天学的内参和畸变模型，全都会用上。