视觉slam-----第二篇 相机和图像

视觉slam系列更多偏向对本人的记录而非讲解，因此叙述部分会占多数，推导过程几乎没有，文章主要内容摘自《视觉slam十四讲》《计算机视觉中的多视图几何》《机器人学中的状态估计》，博客内容仅为帮助自己记忆，本人仅起到总结作用，所有内容均摘自以上几本书。

相机模型

像素坐标系

针孔相机模型

$f$代表相机的焦距，空间上有某点P $[X,Y,Z{]}^T$，成像点为P′ ${\left[X^{\prime },Y^{\prime },Z^{\prime }\right]}^T$ 。P′ 的像素坐标 $[u,v{]}^T$ 。

真实成像平面，对称成像平面，归一化成像平面的图示（上图）。整理得：

$\begin{array}{rl}{X}^{\prime }& =f\frac{X}{Z}\\ Y^{\prime }& =f\frac{Y}{Z}\end{array}$

像素坐标系通常的定义方式是：原点$O^{\prime }$位于图像的左上角，$u$ 轴向右与x 轴平行，$v$轴向下与y 轴平行。像素坐标系与成像平面之间，相差了一个缩放和一个原点的平移。我们设像素坐标在$u$轴上缩放了$\alpha$ 倍，在$v$上缩放了 $\beta$倍。同时，原点平移了${\left[c_x,c_y\right]}^T$。那么，P′ 的坐标与像素坐标$[u,v{]}^T$ 的关系为：

$u=\alpha X^{\prime }+c_x$
v = β Y ′ + c y v = \beta Y ^ { \prime } + c _ { y } v=βY′+c