相机内外参矩阵：从3D世界坐标到2D像素坐标变换
- 介绍
-
-
- [**1. 内参矩阵（Intrinsic Matrix, K）**](#1. 内参矩阵（Intrinsic Matrix, K）)
- [**2. 外参矩阵（Extrinsic Matrix, R\|t）**](#2. 外参矩阵（Extrinsic Matrix, [R|t]）)
- [**3. 完整投影过程（世界坐标 → 像素坐标）**](#3. 完整投影过程（世界坐标 → 像素坐标）)
-
- [**步骤1：世界坐标 → 相机坐标（外参变换）**](#步骤1：世界坐标 → 相机坐标（外参变换）)
- [**步骤2：相机坐标 → 归一化图像坐标（透视投影）**](#步骤2：相机坐标 → 归一化图像坐标（透视投影）)
- [**步骤3：归一化坐标 → 像素坐标（内参变换）**](#步骤3：归一化坐标 → 像素坐标（内参变换）)
- **整合公式（直接投影）**
- [**4. 关键坐标变换总结**](#4. 关键坐标变换总结)
- [**5. 畸变参数（补充）**](#5. 畸变参数（补充）)
- [**6. 示例（OpenCV 模型）**](#6. 示例（OpenCV 模型）)
- **总结**
-
介绍
相机参数矩阵描述了三维世界到二维图像的投影关系，分为内参矩阵 （Intrinsic Matrix）和外参矩阵（Extrinsic Matrix）。以下是详细解释和坐标变换公式：
1. 内参矩阵（Intrinsic Matrix, K）
作用 ：将相机坐标系 下的3D点投影到图像像素坐标系 （2D），描述相机自身的几何和光学特性。
公式 ：
K = f x s u 0 0 f y v 0 0 0 1 K = \begin{bmatrix} f_x & s & u_0 \\ 0 & f_y & v_0 \\ 0 & 0 & 1 \end{bmatrix} K= fx00sfy0u0v01
参数含义：
- (f_x, f_y)：焦距（单位为像素），分别表示x和y方向的缩放因子（受传感器尺寸和镜头焦距影响）。
- (u_0, v_0)：主点坐标（Principal Point），即光轴与图像平面的交点（通常接近图像中心）。
- (s)：轴倾斜参数（Skew），描述图像坐标轴的倾斜程度（现代相机通常为0）。
2. 外参矩阵（Extrinsic Matrix, R\|t）
作用 ：将世界坐标系 下的3D点变换到相机坐标系 ，描述相机在空间中的位置和姿态（旋转+平移）。
公式 ：
外参 = R ∣ t = r 11 r 12 r 13 t x r 21 r 22 r 23 t y r 31 r 32 r 33 t z \text{外参} = R \\mid t = \begin{bmatrix} r_{11} & r_{12} & r_{13} & t_x \\ r_{21} & r_{22} & r_{23} & t_y \\ r_{31} & r_{32} & r_{33} & t_z \end{bmatrix} 外参=R∣t= r11r21r31r12r22r32r13r23r33txtytz
参数含义：
- (R)：3×3旋转矩阵（正交矩阵），表示相机相对于世界坐标系的朝向。
- (t)：3×1平移向量，表示相机光心在世界坐标系中的位置。
3. 完整投影过程（世界坐标 → 像素坐标）
设一个3D点在世界坐标系中的齐次坐标为 P w = X w , Y w , Z w , 1 T P_w = X_w, Y_w, Z_w, 1^T Pw=Xw,Yw,Zw,1T，其投影到像素坐标 p = u , v , 1 T p = u, v, 1^T p=u,v,1T 的流程如下：
步骤1：世界坐标 → 相机坐标（外参变换）
X c Y c Z c 1 = R t 0 1 X w Y w Z w 1 或 P c = R ⋅ P w + t \begin{bmatrix} X_c \\ Y_c \\ Z_c \\ 1 \end{bmatrix} = \begin{bmatrix} R & t \\ 0 & 1 \end{bmatrix} \begin{bmatrix} X_w \\ Y_w \\ Z_w \\ 1 \end{bmatrix} \quad \text{或} \quad P_c = R \cdot P_w + t XcYcZc1 =R0t1 XwYwZw1 或Pc=R⋅Pw+t
步骤2：相机坐标 → 归一化图像坐标（透视投影）
x y 1 = 1 Z c X c Y c Z c ⇒ { x = X c / Z c y = Y c / Z c \begin{bmatrix} x \\ y \\ 1 \end{bmatrix} = \frac{1}{Z_c} \begin{bmatrix} X_c \\ Y_c \\ Z_c \end{bmatrix} \quad \Rightarrow \quad \begin{cases} x = X_c / Z_c \\ y = Y_c / Z_c \end{cases} xy1 =Zc1 XcYcZc ⇒{x=Xc/Zcy=Yc/Zc
步骤3：归一化坐标 → 像素坐标（内参变换）
u v 1 = K x y 1 = f x x + s y + u 0 f y y + v 0 1 \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = K \begin{bmatrix} x \\ y \\ 1 \end{bmatrix} = \begin{bmatrix} f_x x + s y + u_0 \\ f_y y + v_0 \\ 1 \end{bmatrix} uv1 =K xy1 = fxx+sy+u0fyy+v01
整合公式（直接投影）
Z c u v 1 = K ⋅ R ∣ t X w Y w Z w 1 Z_c \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = K \cdot R \\mid t \begin{bmatrix} X_w \\ Y_w \\ Z_w \\ 1 \end{bmatrix} Zc uv1 =K⋅R∣t XwYwZw1
4. 关键坐标变换总结
| 坐标系 | 符号 | 转换关系 |
|---|---|---|
| 世界坐标系 (World) | P w P_w Pw | 参考全局坐标 |
| 相机坐标系 (Camera) | P c P_c Pc | P c = R P w + t P_c = R P_w + t Pc=RPw+t |
| 归一化坐标系 (Normalized) | ( x , y ) (x,y) (x,y) | x = X c / Z c , y = Y c / Z c x = X_c/Z_c, y = Y_c/Z_c x=Xc/Zc,y=Yc/Zc |
| 像素坐标系 (Pixel) | ( u , v ) (u,v) (u,v) | u = f x x + u 0 , v = f y y + v 0 u = f_x x + u_0, v = f_y y + v_0 u=fxx+u0,v=fyy+v0 |
5. 畸变参数（补充）
实际相机还需考虑镜头畸变 （径向畸变、切向畸变），使用以下模型修正归一化坐标 ( x , y ) (x, y) (x,y)：
{ x corrected = x ( 1 + k 1 r 2 + k 2 r 4 ) + 2 p 1 x y + p 2 ( r 2 + 2 x 2 ) y corrected = y ( 1 + k 1 r 2 + k 2 r 4 ) + p 1 ( r 2 + 2 y 2 ) + 2 p 2 x y \begin{cases} x_{\text{corrected}} = x (1 + k_1 r^2 + k_2 r^4) + 2 p_1 x y + p_2 (r^2 + 2x^2) \\ y_{\text{corrected}} = y (1 + k_1 r^2 + k_2 r^4) + p_1 (r^2 + 2y^2) + 2 p_2 x y \end{cases} {xcorrected=x(1+k1r2+k2r4)+2p1xy+p2(r2+2x2)ycorrected=y(1+k1r2+k2r4)+p1(r2+2y2)+2p2xy
其中 r 2 = x 2 + y 2 r^2 = x^2 + y^2 r2=x2+y2，参数 k 1 , k 2 k_1, k_2 k1,k2 为径向畸变系数， p 1 , p 2 p_1, p_2 p1,p2 为切向畸变系数。
6. 示例（OpenCV 模型）
在OpenCV中，投影过程定义为：
python
u = f_x * (X_c / Z_c) + u_0
v = f_y * (Y_c / Z_c) + v_0外参通过 solvePnP 求解，内参和畸变参数通过 calibrateCamera 标定。
总结
- 内参矩阵 K K K：相机自身属性（焦距、主点、倾斜）。
- 外参 R ∣ t R \\mid t R∣t：相机在世界中的位置和姿态。
- 投影公式 ： Z c p = K R ∣ t P w Z_c p = K R \\mid t P_w Zcp=KR∣tPw
- 畸变模型：修正非线性误差，提升精度。