第1章课程导论

一、课程导论：车载摄像头为什么需要畸变校正？鸟瞰图在泊车与环视系统中的作用

大家好，我是你们这门课的主讲人。在车载视觉这个领域摸爬滚打了十来年，说实话，每次看到新车上市宣传“360度全景影像”，我都会心一笑。因为我知道，这背后藏着多少工程师和摄像头“较劲”的故事。

今天这第一讲，我们不急着写代码。先聊聊两个最根本的问题：为什么好好的摄像头画面，非要去做畸变校正？那个看起来酷炫的“鸟瞰图”，到底在泊车和环视系统里扮演什么角色？

嗯，把这两个问题搞明白，你后面学算法才会心里有底。

1.1 车载摄像头为什么需要畸变校正？

先问大家一个问题：你见过鱼眼镜头拍的照片吗？那种画面边缘的景物都弯曲了，像哈哈镜一样。车载摄像头，尤其是环视用的，绝大多数都是这种“鱼眼”或者“广角”镜头。

为什么要用这种镜头？

很简单，视野大。一个摄像头就能看到车头前方接近180度的范围。你想想看，如果用一个普通镜头，车头两侧的盲区会非常大，泊车时根本看不到路沿或者柱子。

但代价是什么？

代价就是画面严重变形。这种变形，我们专业上叫“畸变”。

核心概念：畸变

畸变说白了，就是真实世界的直线，在图像里变成了曲线。这主要是因为镜头的光学结构导致的。鱼眼镜头为了“看”得更广，不得不牺牲画面的几何保真度。

我个人习惯把畸变分成两类，大家记一下：

径向畸变：这是最主要的。画面中心的像素基本正常，越往边缘走，变形越严重。就像一个气球被吹起来，中心的图案变化不大，边缘的图案被拉伸扭曲了。
切向畸变：这个相对少一些。主要是镜头安装时，感光芯片（CMOS）和镜头不平行导致的。画面看起来像被“拧”了一下。

为什么必须校正？

你想想看，如果画面是变形的，你靠什么来判断车和障碍物的距离？

举个例子。我在项目中遇到过一位测试工程师，他拿着未校正的鱼眼图像去测量车位线宽度。结果发现，同一个车位，在画面中央量是2.5米，在画面边缘量变成了3.2米。这要是直接拿去给自动泊车算法用，车肯定停不进去，甚至可能刮蹭。

所以，畸变校正的目的只有一个：把变形的图像还原成我们人眼习惯的、符合透视规律的“正常”图像。这样，图像里的直线才是直的，距离才是准的。

避坑指南

我曾经犯过一个低级错误。在校正时，为了省事，只校正了径向畸变，忽略了切向畸变。结果在拼接鸟瞰图时，四个摄像头画面的重叠区域总是对不齐，出现重影。后来排查了整整两天才发现是切向畸变在作祟。所以，两个畸变参数都要校正，一个都不能少。

1.2 鸟瞰图在泊车与环视系统中的作用

好，畸变校正完了，画面正常了。但问题来了：正常的画面，是从车头、车尾、左右后视镜四个方向看的。司机在车里，需要同时看四个屏幕吗？显然不现实。

这时候，鸟瞰图就登场了。

鸟瞰图，也叫“俯视图”或“上帝视角”。它把四个摄像头拍到的画面，经过一系列变换（透视变换、投影），最终合成一张从车顶正上方往下看的图像。

它的作用，说白了就三个字：降维打击。

消除盲区：这是最核心的价值。普通后视镜有盲区，倒车影像只能看车尾。但鸟瞰图把车周围2-3米的范围一览无余地展示出来。车头有没有小孩蹲着？车侧有没有低矮的障碍物？一眼就能看到。
辅助精准泊车：我记得有一次，一位新手司机朋友开我的车，在侧方停车时，看着鸟瞰图，轻松地把车停进了前后只有30厘米余量的车位。他下车后感叹：“这图太直观了，我都不用看后视镜，看着屏幕上的车和路沿的距离，一把就进去了。” 鸟瞰图把复杂的空间感知，变成了简单的二维平面判断。
支持高级功能：现在的自动泊车、遥控泊车、甚至一些低速的自动驾驶功能，都离不开鸟瞰图。算法需要知道车辆周围的环境模型，而鸟瞰图就是构建这个模型最直接的输入。说白了，没有高质量的鸟瞰图，这些高级功能就是空中楼阁。

一个关键点

鸟瞰图的质量，直接取决于前面畸变校正的精度。如果畸变校正没做好，鸟瞰图里的车道线就是弯的，路沿就是断的。这样的图，不仅不能辅助驾驶，反而会误导驾驶员。所以，畸变校正是鸟瞰图生成的基石。

1.3 本课程的技术路线图

讲到这里，大家应该明白了。我们这门课，就是要解决从“变形的鱼眼图像”到“可用的鸟瞰图”这一整套流程。

我给大家画个简单的路线图：

阶段	核心任务	关键技术
第一阶段	相机标定	棋盘格检测、张正友标定法、获取内参/畸变系数
第二阶段	畸变校正	OpenCV `cv2.undistort()`、映射表生成
第三阶段	透视变换	单应性矩阵、`cv2.getPerspectiveTransform()`
第四阶段	鸟瞰图拼接	图像融合、权重计算、接缝消除

嗯，这个表格看起来有点学术。但别担心，后面每一章，我都会带着大家，用Python和OpenCV，一行一行代码地实现。

重要提醒

很多初学者会直接跳过相机标定，去网上找现成的参数。我强烈不建议这么做。因为每一颗摄像头，甚至同一颗摄像头在不同温度下，参数都会有细微差异。自己动手标定，是保证最终效果最可靠的方式。我曾经在量产项目中，就因为偷懒用了实验室的标定参数，结果在夏天高温测试时，鸟瞰图出现了明显的漂移。从那以后，我再也不敢省这一步了。

1.4 小结

今天这一讲，我们聊了两个核心问题：

畸变校正：是为了让变形的图像变“正常”，是后续所有处理的基础。
鸟瞰图：是为了给驾驶员和算法提供一个“上帝视角”，消除盲区，辅助决策。

你想想看，从一颗颗变形的鱼眼图像，到最后合成一张无缝的鸟瞰图，这个过程就像是在做一场精密的“视觉手术”。而我们，就是操刀的主治医师。