鱼眼相机标定实战:从K.B.模型参数解析到Newton迭代法稳健实现
在自动驾驶感知系统和沉浸式VR/AR应用里,鱼眼相机因其超广的视野而成为核心传感器。然而,这份“宽广”带来的不仅是信息量的提升,更是一系列复杂的几何畸变。很多开发者拿到标定工具箱输出的那八个参数(fx, fy, cx, cy, k1, k2, k3, k4)时,往往只知其然,不知其所以然。直接调用cv::fisheye::projectPoints函数看似简单,但当需要从像素点反推三维射线,或者标定结果在图像边缘出现诡异扭曲时,问题就变得棘手了。这篇文章,我将结合在车载环视和VR手柄追踪项目中的实际踩坑经验,带你穿透K.B.模型的理论迷雾,手把手解析每个参数的物理意义,并重点攻克反投影中Newton迭代法不收敛的难题。我们不止于调用API,更要理解其背后的数学,并写出更鲁棒的代码。
1. 深入骨髓:K.B.鱼眼模型8个参数全解
Kannala-Brandt模型(简称K.B.模型)之所以成为鱼眼相机标定的主流选择,在于它用一个优雅的多项式,统一描述了多种经典的鱼眼投影几何。理解这八个参数,是精准标定和后续应用的基础。
1.1 内参矩阵四兄弟:fx, fy, cx, cy
这四位通常被放在一起,构成相机的内参矩阵。但它们的物理意义在鱼眼模型中与针孔模型略有不同。
- fx 与 fy:在针孔模型中,它们代表焦距(以像素为单位)。在鱼眼模型中,这个解释依然成立,但它们作用的对象是归一化成像平面上的点,而非直接作用于三维点。你可以这样想象:鱼眼镜头先将三维点投影到一个虚拟的、带畸变的单位球面或归一化平面上,然后
fx和fy再把这个归一化坐标“拉伸”到实际的像素坐标系。如果fx和fy数值相差很大,通常意味着相机传感器的像素不是正方形的。 - cx 与 cy:这是主点坐标,即光轴与图像平面的交点。理论上它应该在图像中心附近。但在实际标定中,由于镜头组装和传感器安装的微小偏差,主点可能会偏移几个像素。一个常见的误区是认为鱼眼畸变巨大,主点就不重要了。恰恰相反,主点的误差会与径向畸变系数耦合,严重影响边缘区域的标定精度。
为了更直观地对比,我们看下面这个表格,它梳理了针孔模型与K.B.鱼眼模型在内参理解上的核心差异:
| 参数 | 针孔相机模型中的角色 | K.B.鱼眼相机模型中的角色 | 实操关注点 |
|---|---|---|---|
| fx, fy | 直接将三维点深度Z除以后,映射到像素尺度的焦距。 | 作用于已发生畸变的归一化平面坐标,将其缩放至像素尺度。 | 检查两者比值是否接近1,若偏离较大,需确认传感器像素宽高比或标定板图像是否存在拉伸。 |
| cx, cy | 图像坐标系的原点偏移。 | 同左,但畸变模型使得主点误差对图像边缘的影响被放大。 | 标定结果应位于图像中心附近(例如,对于1920x1080图像,cx应在960±50,cy在540±50)。异常值需警惕。 |
| 畸变系数 | 通常为径向畸变k1,k2...和切向畸变p1,p2...,是附加的修正项。 | 核心组成部分。多项式 θ_d = θ + k1*θ³ + k2*θ⁵ + ... 直接定义了投影几何本身。 |
290



被折叠的 条评论
为什么被折叠?



