相机模型之鱼眼模型(Equidistant）

相机模型之鱼眼相机模型（Equidistant/Kannala-Brandt)

---

前言

视觉SLAM、SFM方法中少不了要和各种相机模型打交道，这里把经常碰到的各种相机模型做个系统性的梳理。

---

Equidistant投影模型

Equidistant模型是由Kannala-Brandt提出的相机模型，描述径向畸变，适用于FOV不超过170°的大广角相机，但不适合FOV更大的全景相机模型。
需要说明的是，鱼眼相机和鱼眼相机模型是两回事。通常FOV很大，畸变比较显著的相机都可以叫鱼眼相机，例如EUCM模型、double sphere模型的相机；但是鱼眼模型则特指Equidistant 模型。

假设相机当前姿态用SE3群表示，将W系中的点转化为相机坐标系，则世界坐标系中一个3d点$P_w$
到像极坐标系下一点$P_c$的变换关系为：
$$P_c=R_{cw}{P}_w+t_{cw}$$
对于大多数相机FOV都不超过180°，则意味着镜头不能看到后面的物体，因而判断$P_c$的z分量是否大于0，可以作为一个点是否能被相机看见的简单依据；除此以外，点能否被看见还与相机的视野有关系。
对于相机投影来说，只需要知道$P_c$就够了，不关心$P_w$，求$P_w$一般是SFM和SLAM的任务。
严格的说，相机只关心$P_c$的方向，模长或者深度都不关心。假设$P_c$在相机平面上的投影成像点是
$(u_d,v_d)$，则投影过程是：
$$\pi (P_c)=\left[\begin{array}{c}{f}_{x}d(\theta )\cos \varphi +c_x\\ f_{y}d(\theta )\sin \varphi +c_y\end{array}\right]=\left[\begin{array}{c}{u}_d\\ v_d\end{array}\right]$$
其中，
tan ⁡ ( θ ) = X c 2 + Y c 2 Z c ϕ = a t a n 2 ( Y c , X c ) P c = [ X c , Y c , Z c ] = [