谢邀，简单来说，就是复原相机模型的3D空间至2D空间的一一对应关系。
在去除畸变的情况下，相机标定就是求intrinsic matrix——K，因为3D点可以用(X,Y,Z,1)表示，2D点可以用(X,Y,1)来表示，因此3*3的矩阵K就包含了全部相机模型的内部参数（intrinsic matrix），K[R|t]就是三维点到二维点的线性变化关系（R是3-by-3 Rotation，t是translation，如果以其中一个相机C0为Reference Camera，那么R=eyes(3)，t=[0,0,0]'，其他的R和t都是关于C0的R和t）。
在去除畸变的理想情况下，K的参数可以一一对应到针孔相机的焦距f，offset (x0,y0)以及skew s四个参数上，具体关系为K=[fx,s,x0;0,fy,y0;0,0,1]。理想情况的针孔相机，fx=fy，但是在大部分实测情况下，fx和fy之间仍然会有误差。
理想状态下，Zhang's method的二维标定板的摆放不影响标定结果。但考虑到三维点实际投射到相机sensor上的误差符合Gaussian distribution，因此尽量把所有网格包含在图像内，不要角度过于偏，过于远乃至偏到了toolbox无法精确提取calibration board的边界即可。
畸变模型可以是高阶线性甚至非线性的，通常相机厂商已经内置了去畸变的方法，输出的图像很精准了，当然如果有再次去畸变的要求可以阅读相关论文，反正我最高也只实现过三次线性畸变移除。
20张当然不是定数，但理论上张数越多，normalize之后解中间那个矩阵误差越小，上课时老师讲过误差分析，具体的我一时想不起来，Berkeley的课件上应该有。
当然也有三维的标定方法（拿一组三维的，互成90度的黑白格放在一起，并提取其中若干点），一维的标定（也是张正友提出的方法，在一根木棒上标定若干点，然后把一端放在桌子上，另一端做圆锥形运动，拍下若干张。这也是我上这门课的final project）等等等等。总之都是用几何关系尽可能地找到K。
在去除畸变的情况下，相机标定就是求intrinsic matrix——K，因为3D点可以用(X,Y,Z,1)表示，2D点可以用(X,Y,1)来表示，因此3*3的矩阵K就包含了全部相机模型的内部参数（intrinsic matrix），K[R|t]就是三维点到二维点的线性变化关系（R是3-by-3 Rotation，t是translation，如果以其中一个相机C0为Reference Camera，那么R=eyes(3)，t=[0,0,0]'，其他的R和t都是关于C0的R和t）。
在去除畸变的理想情况下，K的参数可以一一对应到针孔相机的焦距f，offset (x0,y0)以及skew s四个参数上，具体关系为K=[fx,s,x0;0,fy,y0;0,0,1]。理想情况的针孔相机，fx=fy，但是在大部分实测情况下，fx和fy之间仍然会有误差。
理想状态下，Zhang's method的二维标定板的摆放不影响标定结果。但考虑到三维点实际投射到相机sensor上的误差符合Gaussian distribution，因此尽量把所有网格包含在图像内，不要角度过于偏，过于远乃至偏到了toolbox无法精确提取calibration board的边界即可。
畸变模型可以是高阶线性甚至非线性的，通常相机厂商已经内置了去畸变的方法，输出的图像很精准了，当然如果有再次去畸变的要求可以阅读相关论文，反正我最高也只实现过三次线性畸变移除。
20张当然不是定数，但理论上张数越多，normalize之后解中间那个矩阵误差越小，上课时老师讲过误差分析，具体的我一时想不起来，Berkeley的课件上应该有。
当然也有三维的标定方法（拿一组三维的，互成90度的黑白格放在一起，并提取其中若干点），一维的标定（也是张正友提出的方法，在一根木棒上标定若干点，然后把一端放在桌子上，另一端做圆锥形运动，拍下若干张。这也是我上这门课的final project）等等等等。总之都是用几何关系尽可能地找到K。
