1. 相机矩阵基础从成像原理到坐标转换当你用手机拍照时有没有想过镜头背后的数学魔法相机矩阵就是这场视觉盛宴的幕后导演。简单来说它就像一套精确的数学公式告诉计算机如何把三维世界压扁成手机里的二维照片。我在做机器人视觉项目时第一次真正理解相机矩阵的重要性。当时机械臂总是抓错物体位置调试三天才发现是外参矩阵的单位设置错了——把毫米当成米输入导致所有坐标计算偏差1000倍。这个惨痛教训让我明白相机矩阵是计算机视觉的地基。相机矩阵主要分为两大门派内参矩阵(Intrinsic Matrix)负责相机内部的成像规则就像相机的基因外参矩阵(Extrinsic Matrix)决定相机在空间中的站位和姿势相当于相机的舞步举个例子当你用AR应用测量家具尺寸时内参矩阵决定手机镜头如何将真实家具投影到屏幕上外参矩阵则计算出手机相对于家具的位置和角度两者配合才能准确显示虚拟标尺2. 内参矩阵深度剖析相机的身份证2.1 内参矩阵的核心参数内参矩阵就像相机的身份证包含三个关键信息# 典型内参矩阵形式 K [[fx, s, cx], [ 0, fy, cy], [ 0, 0, 1]]焦距(fx/fy)相当于人眼的视力。我测试过华为P40 Pro的主摄焦距约等效27mm而长焦镜头达到125mm。数值越大看得越远主点(cx,cy)图像的中心点坐标。有趣的是很多手机的主点并不在图像正中央因为镜头组装时有微小偏移倾斜系数(s)现代相机通常为0老式CCD传感器可能需要考虑实测发现同一型号手机的内参也可能不同。我收集过10台iPhone13的标定数据主点坐标最大相差15个像素——这就是工厂组装的公差。2.2 内参的实际应用场景在无人机视觉避障系统中我们这样使用内参矩阵将3D点转换到相机坐标系def project_to_image(point_3d, K): # 齐次坐标转换 uv_homogeneous K point_3d # 归一化得到像素坐标 uv_pixel uv_homogeneous[:2] / uv_homogeneous[2] return uv_pixel通过反投影计算物体尺寸# 已知图像中的像素高度 pixel_height 250 # 实际物体距离相机2米 real_height (pixel_height * 2) / fy3. 外参矩阵全解读相机的GPS和指南针3.1 旋转与平移的数学之舞外参矩阵告诉我们相机在世界中的位置和朝向它由两部分组成[R|t] [[r11, r12, r13, t1], [r21, r22, r23, t2], [r31, r32, r33, t3]]旋转矩阵R3x3的正交矩阵有6个自由度。我常用罗德里格斯公式来理解# 用OpenCV计算旋转矩阵 theta np.pi/4 # 45度 axis np.array([0, 1, 0]) # Y轴旋转 R cv2.Rodrigues(axis * theta)[0]平移向量t3D空间中的位移量。注意单位一致性我在某次3D重建中混合使用米和毫米导致整个场景缩放1000倍3.2 实际案例机器人手眼标定在工业机器人视觉系统中外参标定是关键步骤。我们通常采用棋盘格标定法机械臂带动相机从多个角度拍摄棋盘格检测角点获取2D-3D对应点用PnP算法求解外参retval, rvec, tvec cv2.solvePnP( object_points, # 3D点 image_points, # 2D点 K, # 内参 dist_coeffs # 畸变系数 )这里有个坑机械臂基坐标系与世界坐标系的转换关系。有次项目延误两周就是因为忽略了工具坐标系到法兰坐标系的变换。4. 相机标定实战指南4.1 标定流程步步为营根据我的项目经验推荐以下标定步骤准备阶段打印A4棋盘格建议8x6以上固定相机焦距自动对焦要关闭确保光照均匀避免反光数据采集拍摄15-20张不同角度照片棋盘格要占画面1/3以上面积包含倾斜、旋转等多种姿态标定计算ret, K, dist, rvecs, tvecs cv2.calibrateCamera( obj_points, # 3D点集列表 img_points, # 2D点集列表 image_size, # 图像尺寸 None, None )4.2 标定质量验证技巧重投影误差应小于0.5像素mean_error 0 for i in range(len(obj_points)): img_points2, _ cv2.projectPoints( obj_points[i], rvecs[i], tvecs[i], K, dist) error cv2.norm(img_points[i], img_points2, cv2.NORM_L2) mean_error error print(总误差: {}.format(mean_error/len(obj_points)))可视化检查用undistort函数校正图像观察直线是否变直交叉验证用未参与标定的图片测试投影精度5. 高级应用与常见陷阱5.1 3D重建中的矩阵运用在双目视觉系统中需要组合两个相机的参数将左右相机图像坐标统一到同一世界坐标系通过极线几何约束匹配特征点三角测量计算深度# 立体标定示例 ret, K1, dist1, K2, dist2, R, T, E, F cv2.stereoCalibrate( obj_points, img_points_left, img_points_right, K1, dist1, K2, dist2, image_size )5.2 我踩过的那些坑单位混乱混合使用米/毫米/英寸导致坐标错乱坐标系定义不一致OpenCV用右手系ROS用左手系动态焦距问题变焦镜头需要重新标定温度影响工业相机在高温下内参会漂移记得有次给AGV小车做视觉定位因为没考虑相机安装俯仰角导致所有坐标Y值偏差20cm。后来在标定时加入安装角度补偿才解决。