我来帮你搞定这个问题——你遇到的核心问题是单应性矩阵的方向对齐和齐次坐标的细节处理，下面是具体的解决方案和代码：

核心思路 #

单应性矩阵H的本质是实现齐次坐标之间的线性映射，公式为：dst_homogeneous = H @ src_homogeneous。我们需要直接计算「2D像素坐标 → 3D球场平面xy坐标」的映射矩阵，而不是先算3D到2D的矩阵再求逆（逆矩阵容易引入额外拟合误差，尤其是当使用超过4个点做最小二乘拟合时）。

完整代码实现 #

import cv2
import numpy as np

# 已知的3D球场坐标（z恒为0）
court_coordinates = np.array([
    [-3.05, -6.705, 0.],
    [3.05, -6.705, 0.],
    [-3.05, 0., 0.],
    [3.05, 0., 0.],
    [-3.05, 6.705, 0.],
    [3.05, 6.705, 0.]
], dtype=np.float32)

# 对应的2D像素坐标
pixel_coordinates = np.array([
    [257.4123305, 694.90208136],
    [1016.79422895, 694.90208136],
    [338.1439609, 505.68732261],
    [936.06259855, 510.73304951],
    [393.6469568, 397.20419426],
    [885.60532955, 402.24992116]
], dtype=np.float32)

# 1. 计算从像素坐标到3D平面xy坐标的单应性矩阵
# src是像素坐标，dst是3D坐标的xy部分（z固定为0）
H, _ = cv2.findHomography(pixel_coordinates, court_coordinates[:, :2])

# 2. 处理待转换的2D像素点
test_point = np.array([[635.8418479974771, 689.8563544623148]], dtype=np.float32)

# 转换为齐次坐标（添加第三维1，满足单应性运算要求）
homogeneous_point = np.concatenate([test_point, np.ones((test_point.shape[0], 1))], axis=1)

# 应用单应性变换
transformed_homogeneous = H @ homogeneous_point.T

# 归一化齐次坐标：除以第三个分量得到实际xy坐标
transformed_xy = transformed_homogeneous[:2, :].T / transformed_homogeneous[2, :].T

# 添加z=0，得到最终的3D坐标
transformed_3d = np.concatenate([transformed_xy, np.zeros((transformed_xy.shape[0], 1))], axis=1)

print("转换后的3D坐标：", transformed_3d)
# 输出会接近 [[0., -6.705, 0.]]，符合预期

关键细节解释 #

• 单应性方向对齐：直接将像素坐标作为源、3D平面的xy坐标作为目标，让OpenCV计算最优映射矩阵，避免了逆矩阵带来的误差。
• 齐次坐标处理：单应性运算必须基于齐次坐标（在普通坐标后加1），运算后必须除以第三个分量完成归一化，才能得到真实的xy坐标。
• 固定z坐标：因为已知目标点在球场平面上，直接补充z=0即可得到完整3D坐标。

为什么之前的方法失败？ #

如果你之前先计算3D到2D的单应性再求逆，大概率踩了两个坑：

1. 逆矩阵拟合误差：当使用超过4个点时，cv2.findHomography会用最小二乘拟合最优的3D→2D矩阵，其逆矩阵不一定是最优的2D→3D映射。
2. 齐次坐标处理错误：如果没有正确添加1或归一化，计算结果会完全偏离预期值。

内容的提问来源于stack exchange，提问作者Harley Towler