三维重建研究

通常在相机标定和计算相机之间的相对运动时，我们选择一个相机作为基准（通常是第一个相机），而其他相机的坐标系则是相对于基准相机的坐标系进行变换的。

假设我们有第一个相机 C1，它的相机矩阵为：

其中 K 是内部参数矩阵，I0 表示单位旋转矩阵和零平移向量。

对于其他相机 Ci，我们可以通过相对于基准相机（把他当作世界坐标系原点，（还有一种是标定板上左上角第一个点为世界坐标原点，物体每转一次测一个相机的外参））的旋转矩阵 R i1
​
和平移向量 t i1 来描述其相机矩阵

这里，R i1 和 t i1 描述了将第一个相机的坐标系变换到第 i 个相机的坐标系所需的旋转和平移。
通过计算基本矩阵或本质矩阵，我们可以获取相机之间的相对运动关系，并以第一个相机为基准，描述其他相机的相机矩阵。这样，整个相机系统的几何关系就被描述为相对于基准相机的相对运动。这在立体视觉、三维重建等应用中是常见的做法。

K2，K1分别为两个相机的内参，由于第一个相机的外参前面说了是基准，通过标定得到了相机的外参可以计算出另一个相机内参

其实通过一张图像如下公式（一个棋盘格有多个点解方程得到内外参这两个未知解）就能获得内外参，用多张可以提高鲁棒性，有利于矫正畸变等等，这里的外参是相当于棋盘格左上角为世界坐标原点。