根据像素坐标和三维点坐标，通过SVD分解和QR分解，得到相机的内参数矩阵K以及外参数R和T。

在计算机视觉中，从像素坐标到三维空间的转换通常涉及到相机模型的理解。相机可以被数学化地描述为一个投影矩阵P，它由内参数矩阵K和外参数矩阵[RT]组成，其中：

- 内参数矩阵K表示了相机的几何特性，包括焦距(f)、主点(c_x, c_y)和-skew(通常对等距摄像头是0)，其一般形式为：

   K = [f  0 cx; 0 f cy; 0  0  1]

- 外参数矩阵[RT]则包含了旋转(R)和位移(T)信息，用于描述相机相对于世界坐标系的位置和方向。如果只考虑旋转和平移，则可以写作：

   [RT] = [R | T]

从图像中的二维像素坐标(x', y')到三维世界坐标(x, y, z)，我们首先应用相机模型的逆投影公式，即：

[x, y, z, 1]^T = P * [x', y', 1]^T

然后，我们可以将这个方程分解成两个部分：

1. **SVD分解**（奇异值分解）：对于P的行向量，进行SVD（U * S * V^T），其中U和V是正交矩阵，S是对角矩阵。通过SVD，可以找到关键的内参矩阵K。

2. **QR分解**：将剩下的列向量（通常是P的最后一列去掉1后的剩余部分）进行QR分解，得到R和剩下的最后一列T，这代表了相机的外参。