无论是在图像测量或者机器视觉应用中，相机参数的标定都是非常关键的环节，其标定结果的精度及算法的稳定性直接影响相机工作产生结果的准确与稳定。
什么是相机标定？
在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立相机成像的几何模型，这些几何模型参数就是相机参数。
在大多数条件下这些参数必须通过实验与计算才能得到，这个求解参数的过程就称之为相机标定。
计算机视觉的基本任务之一是依据相机获取的图像信息计算三维空间中物体的几何信息，并由此重建和识别物体。我们用简单的数学模型来表达复杂的成像过程，并且求出成像的反过程。标定之后的双目相机，可以进行三维场景的重建，这是计算机视觉的一大分支。
经典的针孔相机模型
小孔成像的实验大家都很熟悉，如上图，依据这个实验也可以抽象出一个经典的针孔相机模型，如下图：
相机标定常用到四种坐标系，分别为：
● 像素坐标系（u，v）：描述物体成像后的像点在数字图像上（相片）的坐标，单位为个（像素数目）。
● 成像平面坐标系（x，y）：描述成像过程中物体从相机坐标系到图像坐标系的投影透射关系，单位为m。
● 相机坐标系（xc，yc， zc）：原点落在相机上的三维坐标系，单位为m。
● 世界坐标系（xw，yw， zw）：用户定义的三维世界的坐标系，为了描述目标物在真实世界里的位置而被引入，单位为m。
世界坐标系到相机坐标系的转换关系今天暂不讨论，我们把重点放在相机坐标系到成像平面坐标系的转换关系上。
上文中小孔成像实验的成像过程可以描述为一点通过针孔相机模型的示意图（如图A）。为了在数学上更方便描述，我们将相机坐标系和图像坐标系位置对调，变成图B所示的布置方式：
图A
图B
经过一系列推导，我们就可以得到一个结果转化公式：
