已知3D圆的圆心、半径、法向量等参数，如何投影至2D图像平面？

首先明确：仅当3D圆所在平面与图像平面平行时，投影结果才是标准圆；其余场景下，3D圆的投影大概率是椭圆。以下是无需遍历圆周点的直接计算方案：

核心计算逻辑 #

1. 投影3D圆心到2D平面 #

先通过给定的旋转矩阵 ( R )、平移向量 ( T )（相机外参）将3D圆心 ( C_{3D} ) 转换到相机坐标系，再用内参矩阵 ( K ) 投影到2D图像平面：

• 相机坐标系下的圆心：( C_{cam} = R \times C_{3D} + T )
• 透视投影下的2D圆心：( C_{2D} = K \times (C_{cam} / C_{cam,z}) )（( C_{cam,z} ) 为相机坐标系下的z轴分量，代表圆心到相机平面的距离）
• 平行投影下直接去掉除法：( C_{2D} = K \times C_{cam} )

2. 计算投影后的形状参数 #

平行投影场景

• 若3D平面与图像平面平行：投影半径 = 3D半径 × 投影方向与平面的缩放因子
• 若不平行：投影为椭圆，长/短半轴分别是3D半径在图像平面两个正交方向上的投影长度

透视投影场景

1. 生成3D圆的两个正交方向向量：
   取两个垂直于法向量 ( N ) 且互相正交的向量 ( U )、( V )，长度均设为3D半径 ( r )（确保覆盖圆的所有方向）
2. 将这两个向量投影到2D平面：
   向量 ( U )、( V ) 经外参转换到相机坐标系后，再通过内参投影到2D，得到 ( U_{2D} )、( V_{2D} )
3. 判断投影形状：
   • 若 ( U_{2D} ) 和 ( V_{2D} ) 长度相等且正交，投影为圆，半径为其中一个向量的长度
   • 否则为椭圆，两个向量的长度就是椭圆的长/短半轴，向量方向即为椭圆轴的方向

伪代码实现 #

import numpy as np

# 已知参数：3D圆心C_3D，半径r，法向量N，旋转矩阵R，平移向量T，内参矩阵K
C_3D = np.array([x, y, z])
r = 1.0
N = np.array([nx, ny, nz])
R = np.array([[r11, r12, r13], [r21, r22, r23], [r31, r32, r33]])
T = np.array([tx, ty, tz])
K = np.array([[fx, 0, cx], [0, fy, cy], [0, 0, 1]])

# 1. 转换到相机坐标系并投影2D圆心
C_cam = R @ C_3D + T
C_2D = K @ (C_cam / C_cam[2])  # 透视投影

# 2. 生成3D圆的正交方向向量
# 找一个不与N平行的临时向量，叉乘得到第一个方向U
if abs(N[0]) < abs(N[1]) and abs(N[0]) < abs(N[2]):
    temp = np.array([1, 0, 0])
elif abs(N[1]) < abs(N[2]):
    temp = np.array([0, 1, 0])
else:
    temp = np.array([0, 0, 1])
U = np.cross(N, temp)
U = (U / np.linalg.norm(U)) * r  # 归一化后乘以半径
V = np.cross(N, U)
V = (V / np.linalg.norm(V)) * r  # 保证U、V正交且长度为r

# 3. 投影方向向量到2D
U_cam = R @ U
U_2D = K @ (U_cam / C_cam[2])
V_cam = R @ V
V_2D = K @ (V_cam / C_cam[2])

# 4. 判断投影形状并输出参数
u_len = np.linalg.norm(U_2D)
v_len = np.linalg.norm(V_2D)
dot_product = np.dot(U_2D, V_2D)

if np.isclose(u_len, v_len) and np.isclose(dot_product, 0):
    print(f"投影为圆：圆心{tuple(C_2D[:2])}，半径{u_len:.4f}")
else:
    print(f"投影为椭圆：圆心{tuple(C_2D[:2])}，长半轴{u_len:.4f}，短半轴{v_len:.4f}")

关键注意事项 #

• 透视投影下，3D圆的投影几乎都是椭圆，仅当圆所在平面与图像平面平行时才会是圆；若平面过相机光心，投影会退化为直线
• 生成正交方向向量时，需确保向量与法向量严格垂直，否则会导致投影参数误差
• 所有方向向量计算前必须归一化，避免长度偏差影响最终结果

内容的提问来源于stack exchange，提问作者YHD