​摄像头视觉定位（Camera-Based Visual Localization）是一种通过摄像头采集图像信息，结合计算机视觉算法（如特征匹配、深度学习、几何计算），实现目标在空间中位置与姿态（6 自由度：X/Y/Z 坐标 + Roll/Pitch/Yaw 角度）确定的技术。
摄像头视觉定位的本质是 “通过图像信息建立‘像素坐标’与‘真实世界坐标’的映射关系”，核心流程可分为 4 步，需依赖 “相机内参”（摄像头自身参数）与 “环境信息”（如地图、标志物）：
图像采集与预处理
摄像头（单目、双目、多目或 RGBD 相机）采集目标或环境的图像，先进行预处理（如去噪、畸变校正、图像增强）—— 由于摄像头镜头存在光学畸变（如径向畸变、切向畸变），需通过相机标定获取内参（焦距、主点坐标、畸变系数），修正图像像素位置，确保后续计算的准确性。
特征提取与匹配
从预处理后的图像中提取 “稳定可识别的特征”（如角点、边缘、纹理、深度学习生成的特征向量），再与 “已知参考信息”（如预构建的环境地图、预设的标志物模板）进行匹配：
参考信息为 “地图” 时：匹配图像特征与地图中的特征点（如 SLAM 构建的点云地图），确定当前图像在地图中的位置；
参考信息为 “标志物” 时：匹配图像中的标志物（如二维码、AprilTag、特定图案）与模板，通过标志物的已知尺寸计算其在空间中的位置。
空间坐标计算
基于匹配的特征点，结合几何约束（如单目相机的 “三角化”、双目相机的 “视差计算”、RGBD 相机的 “深度信息”），将像素坐标转换为真实世界坐标：
单目相机：需通过 “运动恢复结构（SfM）” 或 “已知标志物尺寸” 计算深度（单张图像无法直接获深度，需多帧图像或先验信息）；
双目相机：利用左右镜头的视差（同一特征点在左右图像中的像素偏移），结合两镜头的基线距离（已知），通过三角公式计算深度；
RGBD 相机：直接输出每个像素的深度值（如通过红外结构光、飞行时间 TOF 技术），无需额外计算深度，定位效率更高。
姿态与位置输出
通过多组特征点的坐标映射，计算目标的 6 自由度位姿（位置：X/Y/Z；姿态：绕 X 轴翻滚 Roll、绕 Y 轴俯仰 Pitch、绕 Z 轴偏航 Yaw），并通过滤波算法融合多帧数据，降低噪声干扰，输出稳定的定位结果。