想着整理下相机模型（内容上参考 slam十四讲）、相机的内外参标定。方便自己的使用和回顾。
不过，内外参标定啥时候记录随缘 -_-

概述

【构建相机模型】
相机将三位世界中的坐标点（单位为米）映射到二维图像平面（单位为像素）的过程，使用一个集合模型进行描述。

• 最简单且常见的为针孔模型，他描述了一束光通过针孔后，在针孔背面投影成像的关系；
• 同时由于相机镜头上的透镜的存在，使得光线投影到成像平面过程中会产生畸变。所以使用针孔和畸变两个模型来描述整个投影过程。
   

【单目相机成像过程】（这里先上最终的结论）

• 1 【世界坐标】世界坐标系下有点P，世界坐标为 $P_w$
• 2 【相机坐标】相机在运动，对应的外参为 $R,t$。P的相机坐标为 $P_c=R{P}_w+t$.
• 3 【归一化坐标】此时 $P_c=(X,Y,Z)$，将点投影到归一化平面 $Z=1$ 上，得到P的归一化坐标为 $P_c^{{}^{\prime }}=[X/Z,Y/Z,1{]}^T$
• 4 【去畸变】存在畸变时，使用畸变参数计算 对应的坐标。
• 5 【像素坐标】通过内参矩阵，计算对应的像素坐标：${\tilde{P}}_{uv}=K{P}_c^{{}^{\prime }}$
   

【公式与图示】

• 在不考虑畸变的影响，可将整过过程写成表达式如下，：$$s\tilde{P}=K(R{P}_w+t)$$
• 以及图示公式细节（$s=Z_c$，所以图示等号左边与最终的uv还有个s倍的关系）
  

1 针孔模型建模

小孔成像原理，成像平面的图像 为实际物品按照z轴旋转180度状态。在实际相机中，会将成像平面上倒转的图像处理成与3D目标，直观上是一致的。然后根据等边三角形相似原理，构建了一个 等效成像面，这样也简化了点 在坐标系的构建和空间与图像上映射时的坐标问题。
如下图

在上图中，构建3维坐标与2维坐标的转换中所需的坐标系（共四种）。

• 世界坐标系 $o_w{x}_w{y}_w{z}_w$
  世界坐标系不是一个又明确定义的坐标系，可以任意制定一个字 “在当前场景下固定不变的坐标系” 作为世界坐标系。
• 相机坐标系 $o_c{x}_c{y}_c{z}_c$
  相机坐标系习惯上定义：假设手持相机，相机光心作为原点；右边为x轴正方向；下边为y轴正方向；相机前方为z轴正方向（拍摄远处的物体距离为正）。
• 图像坐标系 $o_i{x}_i{y}_i$
  为二维坐标系。图像坐标系的原点位于感光芯片的中心（感光芯片是位于镜头背后的用于成像的小板子），x、y轴方向和相机坐标系的x、y轴相同。
• 像素坐标系 $o_p{x}_p{y}_p$
  像素坐标系也位于成像平面上，是图像坐标系通过平移和缩放得到的。值得注意是，不同的软件或者库对于像素坐标 (u,v) 的定义不一样。
  
  我们先探究目标从 相机坐标系 转换到 图像坐标系的关系。
  
  
  其中，3D点的坐标为 $(X_c,Y_c,Z_c)$，图片上的2D坐标为 $(X_i,Y_i)$。则有$$\frac{Z_c}{f}=\frac{X_c}{X_i}=\frac{Y_c}{Y_i}$$

2 相机内参

内参矩阵为相机坐标系下的3D坐标转换到像素坐标的变化关系。

1. 相机坐标–> 图像坐标
   通过上面的公式可以得到二者转换关系。其中 $f$ 为相机焦距。
   $$\begin{array}{rl}{X}_i& =\frac{f}{Z_c}{X}_c\\ Y_i& =\frac{f}{Z_c}{Y}_c\end{array}$$

2. 图像坐标–>像素坐标
   图像坐标实连续值，而像素坐标是离散的正值，经过平移和缩放，得到两者之间的关系：
   $$\begin{array}{rl}u& =\alpha X_i+c_x\\ v& =\beta Y_i+c_x\end{array}$$

   • $\alpha 、\beta$ 与实际传感器的物理尺寸相关，单位为 pixel每m。
     $c_x、c_y$ 为光心，单位为 pixel。
     $X_i,X_j$ 为 图像坐标系下的坐标，单位为 m。

3. 相机坐标–> 像素坐标
   通过上面的公式，可得以下转换关系
   $$\begin{array}{rl}u& =\alpha \frac{f}{Z_c}{X}_c+c_{x}u=f_x\frac{X_c}{Z_c}+c_x\\ v& =\beta \frac{f}{Z_c}{Y}_c+c_{y}v=f_y\frac{Y_c}{Z_c}+c_y\end{array}$$可以发现，当相机硬件固定下来，$f_x、f_y、c_x、c_y$ 也就固定下来了。此时 $u$ 与 $X_c$、$v$ 与 $Y_c$ 的变化并不成正比，因为还存在$Z_c$的变量。
   为了公式更好的转换和表达，引入了齐次坐标（在原有的坐标维度额外补充1维，数值为1），在这里像素的齐次坐标为 ${\tilde{P}}_{uv}$。

   在相机的坐标转换过程中，是否使用齐次式主要取决于转换的复杂性和需要表示的信息类型。对于涉及平移、旋转、缩放等多种变换的复杂场景，以及需要表示无穷远点或区分点和向量的场合，使用齐次坐标可以更方便地实现坐标的线性转换和统一处理。然而，在计算资源受限或特定应用场景下，可能会选择不使用齐次坐标进行坐标转换。

   则可将上面的表达式整理为$$\left(\begin{array}{c}u\\ v\\ 1\end{array}\right)=\frac{1}{Z_c}\left(\begin{array}{ccc}{f}_x& 0& c_x\\ 0& f_y& c_y\\ 0& 0& 1\end{array}\right)\left(\begin{array}{c}{X}_c\\ Y_c\\ Z_c\end{array}\right)$$该式中，将中间的定量组成的矩阵成为相机的内参数（Camera Intrinsic）矩阵K。通常认为，相机的内参在出厂之后是固定的，不会在使用过程中发生变化。
   相机坐标转换到像素坐标的公式可记如下$$s{\tilde{P}}_{uv}=K{P}_c$$其中$s=Z_c$，将该值记成s也是说明它为一个缩放尺度，为数值。

   从另一个角度考虑该投影过程。
   相机坐标系下的点 除以最后一个维度（即该点距离相机成像平面的深度），即对最后一维度进行归一化处理，得到点P在相机的归一化平面上的归一化坐标。于是定义$z=1$为归一化平面，该平面上的点为归一化坐标 $(X_c,Y_c,Z_c)\widetilde{-}(X_c/Z_c,Y_c/Z_c,1)$

注意：

• 另外，有时会引入一个 $\lambda$ 参数，来描述坐标轴垂直程度的误差（感光芯片的X,Y轴没有完全垂直）$$K=\left(\begin{array}{ccc}{f}_x& \lambda & c_x\\ 0& f_y& c_y\\ 0& 0& 1\end{array}\right)$$
• 感光芯片的最小单位一般不是严格的正方形，所以得到的 $f_x$ 和 $f_y$ 不一定相等。
• K一般会由相机生产商提供，如果没有提供则可通过单目棋盘格张正友标定法进行获取，该过程被称作未内参标定。
• 实际使用XY坐标轴的不垂直误差不需要考虑
• 这个内参矩阵为小孔成像原理推导出来的，畸变模型后续进行介绍。

3 相机外参

外参矩阵描述的是，世界坐标系下的坐标转换为相机坐标系下的坐标的过程。这两个坐标系均为3维的，转换过程为旋转平移操作的刚体变换。

相机外参：旋转矩阵 R 为3x3，平移向量 t 为 3x1。
点P：相机坐标系下的坐标$P_c$为3x1，在世界坐标系下的坐标 $P_w$为 3x1，对应的齐次世界坐标 ${\tilde{P}}_w$为 4x1。
则有 $$P_c=R{P}_w+t$$对应的齐次公式为$$P_c=\left[\begin{array}{cc}R& t\end{array}\right]{\tilde{P}}_w$$则，将世界坐标转换为像素坐标的完整的转换公式为$$s{P}_{uv}=s\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=K(R{P}_w+t)$$

4 畸变

【畸变的分类】
为了更好的成像效果，在相机的前方加入了透镜，会对成像过程中光线的传播产生新的影响。

• 【径向畸变】透镜自身的形状对光线的传播产生的影响。
  • 桶形畸变：放大率随着光轴之间的距离增加而减小。
  • 枕形畸变：与桶形畸变刚好相反
    
• 【切向畸变】在机械组装过程中，透镜和成像平面不可能完全平行，对光的传播产生的映像。
  
   

【畸变的数学表达】
为了更好理解畸变，使用更严格的数学形式对这两者进行描述。
考虑归一化平面上的任意一点 p，它的坐标为 $[x,y{]}^T$，对应的极坐标形式为$[r,\theta {]}^T$，其中 $r$ 表示点 p 与坐标系原点的距离，$\theta$ 表示与水平轴的夹角。通常假设这些畸变呈多项式关系。

• 径向畸变可以看成坐标点沿着长度方向发生了变化，即 点距离远点的长度发生了变化。$$\begin{array}{rl}{x}_{distored}& =x(1+k_1{r}^2+k_2{r}^4+k_3{r}^6)\\ y_{distored}& =y(1+k_1{r}^2+k_2{r}^4+k_3{r}^6)\end{array}$$
• 切向畸变可以看成坐标点沿着切线方向发生了变化，即 水平夹角发生了变化。
  $$\begin{array}{rl}{x}_{distored}& =x+2p_{1}xy+p_2(r^2+2x^2)\\ y_{distored}& =y+p_1(r^2+2y^2)+2P_{2}xy\end{array}$$

因此对于相机坐标系中的一点P，可通过5个畸变系数找到对应的像素平面上的正确位置。流程如下：

1. 将三维空间点投影到归一化图像平面。设它的归一化坐标为 $[x,y{]}^T$
2. 对于归一化平面上的点计算畸变 $$\begin{array}{r}{x}_{distored}=x(1+k_1{r}^2+k_2{r}^4+k_3{r}^6)+x+2p_{1}xy+p_2(r^2+2x^2)\\ y_{distored}=y(1+k_1{r}^2+k_2{r}^4+k_3{r}^6)+y+p_1(r^2+2y^2)+2P_{2}xy\end{array}$$
3. 将畸变后的点通过内参矩阵投影到像素平面，得到在图像上的 uv 坐标$$\begin{array}{r}u=f_x{x}_{distorted}+c_x\\ v=f_y{y}_{distorted}+c_y\end{array}$$

【去畸变】
实际使用中，畸变矫正的做法：

1. 先对整张图像进行去畸变，然后在该图像中讨论像素坐标与空间坐标的映射（更常用）
2. 将畸变方程使用到3D点到畸变后图像的过程，会增加计算的麻烦程度