一文搞懂相机成像原理及经典解算方法

一文搞懂相机成像原理及经典解算方法

引用

CSDN

1.

https://blog.csdn.net/m0epNwstYk4/article/details/136359356

在计算机视觉领域，三维重建是一项至关重要的技术，广泛应用于航天飞行、遥感测绘、智慧城市、数字文博、自动驾驶、虚拟现实、数字孪生等多个场景。基于图像的三维重建技术的核心在于利用照相设备或录像设备采集的二维图像，通过处理获取场景或物体的三维数据信息，进而生成真实的三维场景。相机位姿的精准估计是实现这一目标的关键环节，涉及场景结构、相机位姿和相机参数的计算。

相机模型的分类

相机成像模型主要可以分为两大类：针孔模型（pinhole model）和全向模型（omnidirectional model）。针孔模型是最基本的成像模型，假设光线通过一个小孔直接投射到成像平面上；全向模型则适用于具有大视角的相机，如鱼眼相机。

畸变模型主要包括以下几种：

• 切向径向畸变（RadTan，radial-tangential distortion）：这是最常见的畸变模型，用于描述径向和切向畸变。
• 视野畸变（FOV, field of view）：这种畸变模型适用于具有大视角的相机。
• 等距畸变（Equidistant, EQUI）：这种模型保持了视角与图像距离之间的线性关系。

不同的相机成像模型和畸变模型组合会产生不同的命名，例如：

• MEI Camera：采用全向模型和切向径向畸变
• Pinhole Camera：采用针孔模型和切向径向畸变
• Atan Camera：采用针孔模型和视野畸变

在实际应用中，许多视觉SLAM（Simultaneous Localization and Mapping）算法需要支持多种相机模型。OpenCV库中也提供了多种相机模型的支持，具体如下：

• DSO：支持针孔模型配合等距畸变、切向径向畸变或视野畸变
• VINS：支持针孔模型或全向模型配合切向径向畸变
• SVO：支持针孔模型、Atan模型或Scaramuzza模型
• OpenCV：
• cv::pinhole：针孔模型配合切向径向畸变
• cv::fisheye：针孔模型配合等距畸变
• cv::omnidir：全向模型配合切向径向畸变

相机成像原理

从针孔模型中，我们可以找到一个特征，那就是现实世界的任一点、其在成像平面上的投影点、相机中心在一条直线上，这种特征称为中心投影或者透视投影。这种投影方式能够很好地模拟人眼的视觉效果，是大多数相机成像的基础原理。

在实际应用中，相机成像过程会受到多种因素的影响，包括镜头畸变、光照条件、传感器特性等。因此，为了获得准确的三维重建结果，需要对这些因素进行精确建模和补偿。

随着人工智能的快速发展，计算机视觉技术已经成为许多领域的核心技术之一。理解相机成像原理和位姿估计方法，对于从事计算机视觉、机器人导航、自动驾驶等领域的研究人员和工程师来说至关重要。