自动驾驶必备：全面解析鱼眼相机投影模型（UCM/KB/DS）及实战代码前言在开发自动驾驶标注工具和机器人可视化系统时

摘要：在自动驾驶和机器人SLAM系统中，鱼眼相机因其超大视场角（FOV > 180°）而被广泛应用。但不同的鱼眼相机模型（UCM、Kannala-Brandt、Double Sphere等）该如何选择？本文深入解析主流鱼眼投影模型的数学原理、计算公式及代码实现，助你轻松应对智驾标注工具和可视化开发。

前言

在开发自动驾驶标注工具和机器人可视化系统时，你是否遇到过这样的困惑：

为什么同一个鱼眼相机，在不同系统中使用的标定参数格式不一样？
OpenCV的fisheye模型和ORB-SLAM的相机模型有什么区别？
如何选择合适的鱼眼投影模型来保证标注精度？

作为一名专注智驾、机器人标注工具和可视化的开发者，今天我就带大家深入理解鱼眼相机投影模型的本质，并提供完整的TypeScript/Rust实现代码。

一、为什么需要鱼眼相机模型？

传统的**针孔相机模型（Pinhole Model）**假设光线直线传播，适用于视场角小于120°的普通相机。但鱼眼镜头的视场角通常达到180°甚至220°以上，会产生严重的径向畸变，针孔模型已无法准确描述。

图：鱼眼图像畸变与校正对比

为了解决这个问题，研究者提出了多种鱼眼相机投影模型，主要包括：

UCM（Unified Camera Model） - 统一相机模型
Kannala-Brandt（KB） - 基于入射角的多项式模型
Double Sphere（DS） - 双球面模型
FOV模型 - 视场角模型

下面我们逐一解析。

二、UCM（统一相机模型）详解

2.1 模型原理

UCM（Unified Camera Model），也称为Mei氏全向相机模型，是目前SLAM和VIO系统中最常用的鱼眼模型之一。它的核心思想是：

将3D点先投影到单位球面，再通过参数ξ将球面点投影到归一化平面。

图：UCM模型的球面投影原理

2.2 数学公式

给定3D点 $P = (x, y, z)$ ，UCM模型的投影过程如下：

步骤1：计算到原点的距离 $r = \sqrt{x^2 + y^2 + z^2}$

步骤2：球面到平面投影（核心公式） $x_u = \frac{x}{z + \xi \cdot r}$ $y_u = \frac{y}{z + \xi \cdot r}$

其中 $\xi$ （xi）是关键参数：

$\xi = 0$ ：退化为标准针孔模型
$\xi = 1$ ：适用于抛物面反射镜系统
$0 < \xi < 1$ ：适用于鱼眼镜头

步骤3：径向畸变多项式 $\rho^2 = x_u^2 + y_u^2$ $\text{radial} = 1 + k_1 \rho^2 + k_2 \rho^4 + k_3 \rho^6 + k_4 \rho^8$ $x_d = x_u \cdot \text{radial}$ $y_d = y_u \cdot \text{radial}$

步骤4：内参变换到像素坐标 $u = f_x \cdot x_d + c_x$ $v = f_y \cdot y_d + c_y$

2.3 TypeScript代码实现

export const getFisheyeUV = (
    point: { x: number; y: number; z: number },
    K: [number, number, number, number],  // [fx, fy, cx, cy]
    D: [number, number, number, number],  // [k1, k2, k3, k4]
    xi: number = 1
) => {
    const [fx, fy, cx, cy] = K
    const [k1, k2, k3, k4] = D
    const { x, y, z } = point

    // 步骤1：计算距离
    const r = Math.sqrt(x * x + y * y + z * z)
    if (r === 0) return null

    // 步骤2：球面投影
    const denom = z + xi * r
    if (Math.abs(denom) < 1e-9) return null

    const xu = x / denom
    const yu = y / denom

    // 步骤3：径向畸变
    const rho2 = xu * xu + yu * yu
    const rho4 = rho2 * rho2
    const rho6 = rho4 * rho2
    const rho8 = rho4 * rho4

    const radial = 1 + k1 * rho2 + k2 * rho4 + k3 * rho6 + k4 * rho8

    const xd = xu * radial
    const yd = yu * radial

    // 步骤4：像素坐标
    const u = fx * xd + cx
    const v = fy * yd + cy
    return { x: u, y: v }
}

2.4 为什么SLAM系统偏爱UCM？

通用性强：一套公式可描述针孔、鱼眼、折反射相机
计算高效：仅涉及代数运算，无三角函数，适合实时系统
精度足够：在120°~220°视场角范围内拟合精度高

主流支持UCM的系统：

ORB-SLAM3
VINS-Mono
OpenVINS

三、Kannala-Brandt（KB）模型详解

3.1 模型原理

Kannala-Brandt模型是OpenCV fisheye模块的默认模型，它基于入射角θ的多项式拟合。

图：KB模型基于入射角θ进行多项式拟合

3.2 数学公式

步骤1：计算入射角θ $\theta = \arctan\left(\frac{\sqrt{x^2 + y^2}}{z}\right)$

步骤2：径向距离的多项式拟合 $r_d = k_1 \theta + k_2 \theta^3 + k_3 \theta^5 + k_4 \theta^7$

步骤3：归一化坐标 如果 $\theta \neq 0$ ： $x_u = \frac{r_d}{\theta} \cdot \frac{x}{z}$ $y_u = \frac{r_d}{\theta} \cdot \frac{y}{z}$

步骤4：像素坐标 $u = f_x \cdot x_u + c_x$ $v = f_y \cdot y_u + c_y$

3.3 代码实现（TypeScript）

export const getKBProjection = (
    point: { x: number; y: number; z: number },
    K: [number, number, number, number],
    D: [number, number, number, number]
) => {
    const [fx, fy, cx, cy] = K
    const [k1, k2, k3, k4] = D
    const { x, y, z } = point

    // 计算入射角θ
    const r = Math.sqrt(x * x + y * y)
    const theta = Math.atan2(r, z)
    const theta2 = theta * theta
    const theta3 = theta2 * theta
    const theta5 = theta3 * theta2
    const theta7 = theta5 * theta2

    // 径向距离多项式
    let rd = theta * (k1 + k2 * theta2 + k3 * theta4 + k4 * theta6)
    
    // 处理θ接近0的情况
    if (theta < 1e-8) {
        rd = k1 * theta
    }

    // 归一化坐标
    const scale = rd / theta
    const xu = scale * x / z
    const yu = scale * y / z

    // 像素坐标
    const u = fx * xu + cx
    const v = fy * yu + cy
    return { x: u, y: v }
}

3.4 KB模型特点

优点：

精度高：对普通鱼眼镜头（FOV < 195°）拟合效果极佳
OpenCV原生支持：cv::fisheye模块直接使用
标定工具丰富：Kalibr等工具默认输出KB模型参数

缺点：

涉及atan三角函数，计算开销略高于UCM
在超大视场角（>200°）下精度下降

四、Double Sphere（DS）双球面模型

4.1 模型原理

Double Sphere模型是UCM的改进版，使用两个球面参数 $(\xi_1, \xi_2)$ 来更好地拟合超大视场角鱼眼镜头。

4.2 数学公式

步骤1：第一次球面投影 $r = \sqrt{x^2 + y^2 + z^2}$ $x_1 = \frac{x}{z + \xi_1 \cdot r}$ $y_1 = \frac{y}{z + \xi_1 \cdot r}$

步骤2：第二次球面投影 $r_1 = \sqrt{x_1^2 + y_1^2 + 1}$ $x_2 = \frac{x_1}{\xi_2 \cdot r_1 + (1 - \xi_2)}$ $y_2 = \frac{y_1}{\xi_2 \cdot r_1 + (1 - \xi_2)}$

步骤3：应用畸变并转换到像素坐标 （与UCM类似，应用径向畸变多项式）

4.3 DS模型优势

超高精度：在FOV > 180°或超大畸变下，重投影误差最低
适用于超广角：适合220°+的极端视场角
新兴SLAM系统支持：OpenVINS、DSO等

五、FOV（Field-of-View）模型

5.1 模型原理

FOV模型由Scaramuzza提出，基于以下公式：

$r_d = \omega \cdot \arctan\left(2 \tan\left(\frac{\theta}{2}\right)\right)$

其中 $\omega$ 是唯一的畸变参数。

5.2 特点

参数少：仅需1个畸变参数
适合超广角：早期全景相机常用
计算简单：但精度不如KB和DS模型

六、模型对比总结

图：不同投影模型的畸变曲线对比

特性	UCM	Kannala-Brandt	Double Sphere	Pinhole
数学核心	球面投影+代数畸变	入射角θ+多项式	双球面投影	平面投影
计算开销	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
适用FOV	120°~220°+	120°~195°	150°~220°+	<120°
拟合精度	高	极高	最高	低（鱼眼不适用）
OpenCV支持	`omnidir`模块	`fisheye`原生	`omnidir`新版本的	`calibrateCamera`
行业应用	VIO/SLAM主流	自动驾驶标定主流	新兴SLAM系统	普通相机

七、实战建议

7.1 标注工具开发

如果你正在开发自动驾驶标注工具，建议：

同时支持UCM和KB模型
- ROS Bag / Kalibr标定常输出KB4参数
- VINS / ORB-SLAM常关联UCM参数
- 只支持一种模型会导致像素级误差
实现反投影（Undistortion）
- 从2D像素点反推3D射线是标注的核心功能
- UCM的反投影无解析解，需用牛顿迭代法求解

7.2 WebGL可视化优化

在Three.js中做鱼眼可视化时：

// 在Fragment Shader中实现投影，而非CPU
vec3 getFisheyeUV(vec3 point, float xi) {
    float r = length(point);
    float denom = point.z + xi * r;
    return point.xy / denom;
}

void main() {
    vec3 uv = getFisheyeUV(worldPos, 0.8);
    // ... 纹理采样
}

性能提升技巧：

使用GPU并行计算代替CPU计算
高频场景考虑Rust + WASM，性能可提升10-50倍

7.3 Rust高性能实现

#[inline]
pub fn project_fisheye_ucm(
    point: [f64; 3],
    k: [f64; 4],
    d: [f64; 4],
    xi: f64,
) -> Option<[f64; 2]> {
    let [x, y, z] = point;
    let [fx, fy, cx, cy] = k;
    let [k1, k2, k3, k4] = d;

    let r = (x * x + y * y + z * z).sqrt();
    if r < 1e-9 {
        return None;
    }

    let denom = z + xi * r;
    if denom.abs() < 1e-9 {
        return None;
    }

    let xu = x / denom;
    let yu = y / denom;

    let rho2 = xu * xu + yu * yu;
    let rho4 = rho2 * rho2;
    let rho6 = rho4 * rho2;
    let rho8 = rho4 * rho4;

    let radial = 1.0 + k1 * rho2 + k2 * rho4 + k3 * rho6 + k4 * rho8;

    let xd = xu * radial;
    let yd = yu * radial;

    let u = fx * xd + cx;
    let v = fy * yd + cy;

    Some([u, v])
}

八、总结

UCM模型：SLAM/VIO系统的首选，计算高效、通用性强
KB模型：自动驾驶标定的标准，OpenCV原生支持，精度极高
DS模型：超广角（>200°）场景的最优解
模型选择：根据视场角和系统需求选择，标注工具建议同时支持多种模型

参考资料

Mei, C. & Rives, P. (2007). Single View Point Omnidirectional Camera Calibration from Planar Grids.
Kannala, J. & Brandt, S. (2006). A Generic Camera Model and Calibration Method for Conventional, Wide-Angle, and Fish-Eye Lenses.
Usenko, V. et al. (2017). The Double Sphere Camera Model.
OpenCV Documentation: Fisheye Camera Model

作者介绍：红波，专注于智驾、机器人标注工具和可视化开发，技术栈：TypeScript/Vue/WebGL/Three.js/Go/Rust。欢迎交流讨论！

相关项目：

OpenCV Fisheye模块文档

希望这篇文章能帮助你深入理解鱼眼相机模型！如有疑问，欢迎在评论区交流👇