1. 数据处理
以大疆无人机为例，读取照片的内参，外参信息，其中外参以云台为主，内参搜索官方确定
2. 内外参数求解
2.1 相机内参矩阵K是相机固有属性，其标准形式如下：
K = [[fx, 0, cx],
[0, fy, cy],
[0, 0, 1]]
包括焦距fx、fy和主点cx,cy，fx为在感光元件上单位mm存在的像素数量，乘以焦距mm，最后的单位是像素
2.2 相机外参的推导
外参矩阵由旋转矩阵R和平移向量t组成，描述世界坐标系到相机坐标系的变换：P_c = R·P_w + t，旋转矩阵R的计算
已知欧拉角（航向角Yaw（Yaw+90）、俯仰角Pitch（无人机坐标系与常见空间坐标系不同：90+abs（Pitch））、横滚角Roll），需按特定顺序转换为旋转矩阵：
旋转顺序：通常为Z轴(Yaw) → Y轴(Pitch) → X轴(Roll)。
计算公式：
R_z(Yaw) = [[cosθ, -sinθ, 0], [sinθ, cosθ, 0], [0,0,1]]
R_y(Pitch) = [[cosθ, 0, sinθ], [0,1,0], [-sinθ, 0, cosθ]]
R_x(Roll) = [[1,0,0], [0,cosθ, -sinθ], [0,sinθ, cosθ]]
最终旋转矩阵：R = R_x·R_y·R_z（注意顺序影响结果）27。
平移向量t的确定，已知条件：相机在世界坐标系中的空间坐标(x,y,z)，直接赋值：平移向量t = -R·[x,y,z]^T（需将相机位置转换到相机坐标系）。
3. 外参矩阵的组合为3×4矩阵：
[ R | t ] = [[r11, r12, r13, tx],[r21, r22, r23, ty],[r31, r32, r33, tz]]
3. 转换代码
世界坐标系中，坐标转换到图片上：
Z·[u, v, 1]^T = K·[R | t]·[X, Y, Z, 1]^T
opencv-python代码如下：
import cv2
import numpy as np# ================== 输入已知参数 ==================
# 相机内参
fx, fy = 800, 800 # 焦距（像素单位）
cx, cy = 320, 240 # 主点坐标
camera_matrix = np.array([[fx, 0, cx],[0, fy, cy],[0, 0, 1]], dtype=np.float32) # :ml-citation{ref="1,4" data="citationList"}# 相机在世界坐标系中的位置（单位：米）
camera_position = np.array([1.0, 2.0, 3.0], dtype=np.float32) # (x,y,z) :ml-citation{ref="3,6" data="citationList"}# 欧拉角（单位：弧度）
yaw = np.deg2rad(30) # 航向角（绕Z轴）
pitch = np.deg2rad(-15) # 俯仰角（绕Y轴）
roll = np.deg2rad(10) # 横滚角（绕X轴） :ml-citation{ref="2,3" data="citationList"}# ================== 计算旋转矩阵 ==================
# 按Z→Y→X顺序构建旋转矩阵 :ml-citation{ref="2,3" data="citationList"}
R_z = np.array([[np.cos(yaw), -np.sin(yaw), 0],[np.sin(yaw), np.cos(yaw), 0],[0, 0, 1]], dtype=np.float32) # Z轴旋转R_y = np.array([[np.cos(pitch), 0, np.sin(pitch)],[0, 1, 0],[-np.sin(pitch), 0, np.cos(pitch)]], dtype=np.float32) # Y轴旋转R_x = np.array([[1, 0, 0],[0, np.cos(roll), -np.sin(roll)],[0, np.sin(roll), np.cos(roll)]], dtype=np.float32) # X轴旋转R = R_x @ R_y @ R_z # 组合旋转矩阵 :ml-citation{ref="2,3" data="citationList"}# ================== 计算平移向量 ==================
t = -R @ camera_position.reshape(3,1) # :ml-citation{ref="3,6" data="citationList"}# ================== 外参矩阵合成 ==================
extrinsic_matrix = np.hstack([R, t]) # 3x4矩阵 :ml-citation{ref="3,4" data="citationList"}# ================== 验证投影 ==================
# 世界坐标系中的点（单位：米）
world_point = np.array([0, 0, 0, 1], dtype=np.float32).reshape(4,1)# 投影到像素坐标系
projected = camera_matrix @ extrinsic_matrix @ world_point
pixel_coord = (projected / projected:ml-citation{ref="2" data="citationList"}).flatten()[:2] # 归一化 :ml-citation{ref="4,6" data="citationList"}print("内参矩阵 K:\n", camera_matrix)
print("外参矩阵 [R|t]:\n", extrinsic_matrix)
print("世界原点投影坐标:", pixel_coord)求解过程可通过cv2.projectPoints()函数验证更复杂场景的投影精度
