第3章摄像头仿真基础

3、摄像头仿真基础：摄像头模型原理（针孔模型、畸变模型）、内参外参配置

好，咱们进入摄像头仿真这一块。

说实话，摄像头是自动驾驶里最“像人”的传感器。但它也有自己的脾气。你想想看，一个镜头拍出来的东西，跟人眼看到的，其实差别挺大。为什么？因为镜头有畸变，成像有透视关系。搞不懂这些，你仿真出来的图像就是“假”的，算法上去一跑，准出问题。

我个人习惯，在讲摄像头模型之前，先让大家理解一个核心问题：我们到底在仿真什么？说白了，就是模拟光线怎么从真实世界，落到相机传感器上，变成一张数字图像。这个过程，就是摄像头模型要干的事。

针孔模型，是所有摄像头模型的“老祖宗”。它简单，但管用。

想象一个密封的黑盒子，前面戳一个小孔。外面的光线穿过小孔，在盒子后面的墙上形成一个倒立的像。这就是针孔成像。摄像头镜头，本质上就是把这个小孔换成了透镜，让更多光线进来，成像更亮更清晰。

在数学上，针孔模型描述的是“世界坐标系中的点”到“图像像素坐标系中的点”的映射关系。这个映射，靠的就是内参和外参。

核心公式（简化版）：

像素坐标 = 内参矩阵 × 外参矩阵 × 世界坐标

这个公式，你仿真的时候天天要用。记牢它。

内参矩阵长什么样？它包含焦距（fx, fy）、主点（cx, cy）。焦距决定了视角大小，主点就是光轴和成像平面的交点，一般在图像中心附近。

# 典型的针孔相机内参矩阵
K = [[fx,  0, cx],
     [ 0, fy, cy],
     [ 0,  0,  1]]

外参矩阵呢？它描述的是相机在世界坐标系中的位置和朝向。说白了，就是相机“站在哪”、“看哪”。

针孔模型是理想情况。但现实中的镜头，尤其是广角镜头，会引入畸变。你拍出来的直线，在图像里变弯了。这就是畸变。

畸变主要分两种：径向畸变和切向畸变。

我在项目中遇到过，有一次仿真出来的车道线，算法怎么都检测不准。查了半天，发现是畸变参数没配对。仿真里用的是理想针孔模型，但实际车上的镜头有畸变。算法在仿真里学到的“直线”，到了实车上全变成了“曲线”。嗯，这个坑我踩过。

避坑指南：

我曾经在仿真里直接用了厂商给的畸变参数，结果发现图像边缘的物体位置偏差很大。后来才意识到，厂商给的参数是在特定分辨率下标定的。你仿真用的分辨率如果不一样，需要先做缩放处理。切记！

畸变模型通常用几个多项式系数来描述。最常用的是Brown-Conrady模型：

# 畸变系数 (k1, k2, p1, p2, k3)
# k1, k2, k3 是径向畸变系数
# p1, p2 是切向畸变系数
dist_coeffs = [k1, k2, p1, p2, k3]

在仿真中，我们通常先根据针孔模型生成“理想图像”，然后再施加畸变，得到“真实图像”。这个顺序不能搞反。

配置内参和外参，是摄像头仿真里最基础，也最容易出错的一步。

内参配置，就是告诉仿真引擎：你的相机镜头是什么样的。包括分辨率、焦距、像素大小、畸变系数等。这些参数，决定了仿真图像的“画风”。

外参配置，就是告诉仿真引擎：你的相机装在哪、朝哪看。在自动驾驶中，摄像头通常装在车顶、前挡风玻璃、后视镜等位置。外参包括平移向量（x, y, z）和旋转向量（roll, pitch, yaw）。

重要提醒：

外参的坐标系定义一定要统一！有的仿真工具用“前-左-上”坐标系，有的用“右-前-上”。搞混了，你仿真出来的图像位置全错。我建议你在项目一开始，就明确写下坐标系定义，贴在工位上。

举个例子，一个前视摄像头的外参配置：

# 外参：相机相对于车辆坐标系
translation: [1.5, 0.0, 1.2]  # 车头前方1.5米，中心，高度1.2米
rotation: [0.0, 0.0, 0.0]     # 俯仰角0°，偏航角0°，翻滚角0°（水平向前看）

配置好内参和外参，你的仿真摄像头就算“装好”了。接下来，仿真引擎就会根据这些参数，渲染出每一帧图像。

我个人习惯，在配置完参数后，会先跑一个简单的“棋盘格”标定场景。看看仿真出来的图像，畸变对不对，视角对不对。这一步能帮你提前发现很多配置错误。

好了，摄像头模型原理和内参外参配置，就讲这么多。下一章，我们会聊聊摄像头仿真里更进阶的话题——光照模型与图像渲染。到时候再聊。