camera model

相机的内参，外参，畸变等参数到底是什么意义，这里从基本原理入手，进行推导。

https://web.stanford.edu/class/cs231a/course_notes/01-camera-models.pdf

https://www.cnblogs.com/wangguchangqing/p/8126333.html

1. 小孔模型

 3维世界里所有的点，经过相机的镜头，小孔，都会在相机的感光元件上留下对应的投影点。

O是相机中心点，f是相机中心点到成像平面的距离，又叫做焦距。为了方便计算推导，一般也会把成像平面放到物体和相机中心点之间。

理想情况下，投影点和3D点的变换关系。x，y是在图像平面的尺寸，z是点的距离或者叫深度。

 2. 相机和镜头

使用镜头，替代小孔，可以保证从某点发射的光束，经过镜头之后，都汇聚到同一点上。但是这个只针对某些距离的点，对焦平面之外的点，还是存在模糊的现象。

因为镜头的特性，可以类似模拟小孔成像的特点，从而建立pinhole的模型。

但是因为镜头厚度不一样，不同位置焦距不统一，因此会导致畸变。

3. 齐次矩阵

 cx,cy，因为坐标系的原因，相机坐标系原点在中心，图像平面原点在左上角。

f，焦距，也就是中心点到成像平面的距离。

z就是实际3D物体点距离相机中心点的距离。

考虑到离散的像素和实际尺寸的转化，引入新的参数，k,l。单位是pixels/cm

转化为齐次矩阵后，

引入skew和distortion，

skew，代表lens的中心角度的偏移

distortion，上面讨论到的lens厚度不一致，带来的焦距的不统一，带来的图像畸变。

4. 外参矩阵

上面的内参，表达的是在相机坐标系下的3维点，如何投影到图像的像素坐标下。可能额外的有另外一个世界坐标系，这样就存在世界坐标系和相机坐标系的转换，这个一般常见的4x4的转换矩阵。 

5. 相机的标定

利用已知尺寸的棋盘格，寻找多组点和图像的映射关系，求解线性方程组，获得内外参。