### Python中世界坐标系与相机坐标系的转换及应用 在计算机视觉领域，世界坐标系与相机坐标系之间的转换是一个重要的基础操作。这种转换通常涉及刚体变换，包括旋转和平移两种基本形式。 #### 坐标系定义 - **世界坐标系**：这是一个全局参考框架，用于描述场景中物体的位置和方向。 - **相机坐标系**：这是以相机为中心的一个局部参考框架，用来表示相对于相机位置的方向和距离。 两者之间可以通过一个4×4齐次变换矩阵来实现相互转换[^1]。该变换由两部分组成——3×3的旋转矩阵 \( R \)，以及长度为3的平移向量 \( T \)[^2]。 #### 实现方法 下面展示如何利用NumPy库执行从世界坐标系到相机坐标系的具体计算过程： ```python import numpy as np def world_to_camera(world_points, rotation_matrix, translation_vector): """ 将点的世界坐标转化为相机坐标 参数: world_points (numpy.ndarray): N个三维点的世界坐标数组(Nx3) rotation_matrix (numpy.ndarray): 3x3 的旋转矩阵 translation_vector (numpy.ndarray): 长度为3的平移向量 返回: camera_points (numpy.ndarray): 转化后的N个三维点的相机坐标数组(Nx3) """ # 添加齐次维度并进行转化 homogeneous_coords = np.hstack([world_points, np.ones((world_points.shape[0], 1))]) transformation_matrix = np.vstack([ np.hstack([rotation_matrix, translation_vector.reshape(-1, 1)]), [0, 0, 0, 1] ]) transformed_coords = np.dot(transformation_matrix, homogeneous_coords.T).T # 移除齐次维度得到最终结果 camera_points = transformed_coords[:, :3] return camera_points ``` 此函数接受一组世界坐标的点集 `world_points` ，通过给定的 `rotation_matrix` 和 `translation_vector` 来获得这些点对应的相机坐标[^3]。 #### 应用实例 假设我们有一个简单的例子，在其中已知某些特定条件下的参数值，则可以调用上述函数如下所示: ```python if __name__ == "__main__": # 定义测试数据 test_world_points = np.array([[1., 0., 0.], [0., 1., 0.]]) rot_mat_example = np.eye(3) # 单位阵作为示例旋转矩阵 trans_vec_example = np.array([0., 0., -5.]) result = world_to_camera(test_world_points, rot_mat_example, trans_vec_example) print(result) ``` 以上代码片段展示了当不存在任何角度偏转但存在固定深度差别的简单情况处理方式[^1]。 #### 注意事项 实际应用场景下获取精确的\( R\) 及\( T\) 是非常关键的一环；这往往依赖于校准程序或者外部传感器输入的数据准确性[^2]。