4. 相机模型与非线性优化

---

声明：本文是深蓝学院 高翔博士主讲的《SLAM理论与实践》的学习笔记。

针孔相机模型与图像

照片记录了真实世界在成像平面上的投影。但这个过程丢弃了“距离”维度上的信息。普通相机可以用针孔模型很好地近似。

单目

相机坐标系内的小孔成像模型:

原始形式：

成像是倒立的一般相机会帮我们做翻转，这等价于　把成像平面从-f移动到f。得到更好的数学关系：

整理之后得到：

成像平面到像素坐标:（１．缩放到像素平面上　２ 由中心为原点的坐标转换为左上角为原点的坐标）

带入得到：

用$f_x,f_y,c_x,c_y$描述投影过程，它们称为相机内参。

矩阵形式(像素坐标为齐次坐标)：

传统习惯（像素坐标为非齐次坐标）：

中间矩阵Ｋ称为内参数,内参通常在相机生产之后就已固定

丢失深度信息：同一直线上的投影点仍是同一个， k[X;Y;Z]=[kX,kY,kZ]⇒kXkZ=XZ