传感器——针孔相机模型
主要内容
针孔相机模型的建模及分析过程
针孔相机
推导过程：
对于现实中某个点P（x,y,z)，由相似三角形有：
z
f
=
x
x
′
=
y
y
′
\frac{z}{f}=\frac{x}{x^{'}}=\frac{y}{y^{'}}
fz=x′x=y′y
即：
{
x
′
=
x
z
f
y
′
=
y
z
f
\left\{ \begin{aligned} x^{'}=\frac{x}{z}f\\ y^{'}=\frac{y}{z}f \end{aligned} \right.
⎩
⎨
⎧x′=zxfy′=zyf
而像素坐标（u,v）通常经过一个平移
(
c
x
,
c
y
)
(c_x,c_y)
(cx,cy)和缩放α，β（x和y轴上的缩放比例）
{
u
=
α
x
′
+
c
x
v
=
β
y
′
+
c
y
\left\{ \begin{aligned} u &=αx^{'} + c_x \\ v &=βy^{'} + c_y \end{aligned} \right.
{uv=αx′+cx=βy′+cy
把
x
′
和
y
′
代入得
x^{'}和y^{'}代入得
x′和y′代入得
z
[
u
v
1
]
=
K
⋅
R
⋅
X
+
t
=
K
⋅
P
z \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = K \cdot R \cdot X + t=K \cdot P
z
uv1
=K⋅R⋅X+t=K⋅P
K
=
[
f
x
0
c
x
0
f
y
c
y
0
0
1
]
K = \begin{bmatrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{bmatrix}
K=
fx000fy0cxcy1
其中
f
x
=
α
f
,
f
y
=
β
f
f_x=αf,f_y=βf
fx=αf,fy=βf
总结:
针孔相机模型是一种描述相机成像原理的数学模型，模拟了相机将三维世界中的物体投影到二维图像平面上的过程。以下是该模型的逐步解释：
-
基本原理：
- 相机通过一个“针孔”（小孔）接收光线，并在后方固定位置(成像平面)形成一个图像。
- 这个过程类似于光学成像，三维空间中的点被映射到二维图像平面上。
-
数学描述：
- 使用齐次坐标表示点的位置和变换，将三维点投影到二维图像。
- 基本公式为：
z [ u v 1 ] = K ⋅ R ⋅ X + t = K ⋅ P z \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = K \cdot R \cdot X + t=K \cdot P z uv1 =K⋅R⋅X+t=K⋅P
其中，X 是三维空间点，K 是内参数矩阵，R 和 t 分别是相机的旋转和平移参数。等效的矩阵P是外参矩阵。
-
内参数矩阵 (K)：
- 包含相机的焦距、图像中心坐标等内参数。内参由相机性质决定，对于同一相机，内参数矩阵是相同的。因此基本为已知参数。
- 形式为：
K = [ f x 0 c x 0 f y c y 0 0 1 ] K = \begin{bmatrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{bmatrix} K= fx000fy0cxcy1
其中， f x , f y f_x,f_y fx,fy 是焦距在成像平面上的缩放后的“像素焦距”，( c x , c y c_x, c_y cx,cy) 是成像平面相对于摄像机小孔的原点坐标。
-
外参数矩阵 ( P )：
- R 表示相机的姿态（旋转），t 表示相机的位置。
- 经过齐次变换，RX+t可以等效成外参数矩阵P。
- 描述了相机在三维空间中的方位和位置。
-
投影过程：
- 三维点 X 经过内参数矩阵 K 和外参数矩阵 (R, t) 的变换后，得到二维图像坐标 (x’, y’)。
- 这一过程模拟了相机将物体成像到图像平面的过程。
-
应用与局限性：
- 在计算机视觉中，针孔相机模型是三维重建和图像合成的基础。
- 由于实际相机存在透镜等复杂因素，模型有一定的简化假设，无法完美描述所有成像过程。