第二章：车载摄像头基础——成像原理、参数与选型

各位同学，欢迎来到第二讲。上一章我们聊了车道线检测的整体框架，今天咱们把镜头拉近，好好看看车载摄像头这个“眼睛”到底是怎么工作的。

说实话，我在做车道线检测的头两年，踩过最大的坑就是“摄像头选型不当”。你以为随便买个工业相机就能上车？天真了。成像质量直接决定了后面算法的上限——你算法再牛，图像糊成一团也是白搭。

2.1 摄像头成像原理——小孔成像的“汽车版”

车载摄像头本质上就是个“小孔成像”模型。光线通过镜头，投射到CMOS传感器上，光电转换后变成数字信号。

但这里有个关键点：车载摄像头的工作环境极其恶劣。强光、逆光、夜间、雨雾……我见过不少项目，白天效果惊艳，一到晚上就“瞎了”。

嗯，这里要注意：车载摄像头通常采用固定焦距设计，因为自动对焦的机械结构在车规级振动环境下容易失效。我个人习惯选择6mm-12mm焦距的镜头，兼顾视野和远距离检测。

2.2 内参与外参——摄像头的“身份证”

摄像头标定，说白了就是搞清楚两件事：

• 内参：摄像头自己的“内部参数”——焦距、主点坐标、畸变系数
• 外参：摄像头在车上的“安装位置”——旋转矩阵、平移向量

我在项目中遇到过最头疼的事：某次路测发现车道线检测偏差很大，折腾了两天，最后发现是摄像头安装支架松动，外参变了。从那以后，我要求团队每次出车前必须做一次快速标定校验。

2.2.1 内参矩阵

// 典型的针孔相机内参矩阵
// fx, fy: 焦距（像素单位）
// cx, cy: 主点坐标（图像中心偏移）
K = [[fx,  0, cx],
     [ 0, fy, cy],
     [ 0,  0,  1]]

你想想看，如果内参不准，你算出来的车道线距离就是错的。比如实际距离50米，你算出来可能只有45米——这在紧急制动场景下是要出事的。

2.2.2 外参矩阵

外参描述的是“世界坐标系”到“摄像头坐标系”的变换。车载场景下，我们通常以车辆后轴中心为原点。

2.3 畸变校正原理——让图像“直”回来

车载摄像头为了获得更宽的视野，通常使用广角镜头。但广角镜头有个毛病：畸变。

畸变主要分两种：

• 径向畸变：图像边缘向内或向外弯曲（桶形/枕形）
• 切向畸变：镜头与传感器不平行导致的拉伸

校正原理其实不复杂：用多项式模型去拟合畸变，然后反向映射回去。

// 畸变校正的数学模型（OpenCV实现）
// k1, k2, k3: 径向畸变系数
// p1, p2: 切向畸变系数
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

2.4 车载摄像头选型要点——别让硬件拖后腿

选型这件事，我踩过的坑可以写本书。下面直接上干货：

参数	推荐值	我的备注
分辨率	≥ 1280×720 (720p)	低于这个分辨率，远距离车道线像素太少
帧率	≥ 30fps	高速场景建议60fps，否则运动模糊严重
动态范围	≥ 120dB	隧道出入口、逆光场景必备
视角	水平60°-120°	太窄看不到侧方车道，太宽畸变严重
工作温度	-40°C ~ 85°C	车规级必须，工业级夏天可能罢工

我个人习惯优先看动态范围。为什么？因为车道线检测最怕的不是暗，而是“亮暗交替”。比如从隧道出来那一瞬间，普通摄像头直接过曝，车道线全白——算法直接崩。

2.5 实战中的“坑”与“解”

最后分享几个我亲身经历的血泪教训：

1. 镜头脏污：有一次路测发现图像左上角一直有模糊区域，以为是传感器坏了。结果发现是镜头上有鸟粪。解决方案：加装镜头保护罩，算法里加脏污检测模块。
2. 振动模糊：某车型在颠簸路面行驶时，图像模糊严重。排查发现摄像头固定支架刚度不够。后来改用金属支架+橡胶减震垫。
3. 夜间噪点：低光照下传感器增益过高，噪点把车道线淹没了。我的做法：开启多帧降噪，或者换用更大像素尺寸的传感器（比如3.0μm vs 2.0μm）。

好了，这一章的内容就到这里。记住：摄像头是算法的“眼睛”，眼睛不好使，再聪明的脑子也白搭。下一章我们开始讲图像预处理——怎么把原始图像变成算法喜欢的样子。

---

公众号:蓝海资料掘金营，微信deep3321