在实际应用中，当摄像机参数如焦距、位置和姿态等随着任务的变化而改变时，由于传统摄像机标定技术每次都需要用标准参照物，使其变得很不方便甚至是不可行的。自标定技术无须利用标准参照物提供的已知三维度量信息，而是通过控制摄像机运动得到图像序列，利用从图像序列的匹配信息中得到的约束关系来计算摄像机模型的参数，这就使得在线实时地标定摄像机模型参数成为可能。自标定直接从未知场景的图像中标定摄像机参数，与传统标定方法要求高精度标定物或场景等先验知识不同，自标定不依赖这两者中的任何一个，因此标定成本比较低，应用场合的限制少。传统摄像机标定算法由于借助于高精度的标定物，标定算法多从解投影方程的角度设计，这在自标定中显然是不适用的，因为图像中不存在任何控制点，因此，自标定算法通常借助于射影几何知识，将图像间的固有的、内在联系转化为施加在摄像机参数上的约束，进而实现标定的目的。现有自标定方法，绝大多数是基于绝对二次曲线或其对偶绝对二次曲面的方法。如S.J.梅班克（S.J.Maybank）和O.D.福热拉（O.D.Faugeras）利用射影空间中绝对二次曲线的不变性，推导出关于内部参数的克鲁帕（Kruppa）方程所给出约束关系，控制摄像机作几次运动即可求得摄像机内部参数矩阵。克鲁帕方程一直在摄像机自标定领域中被广泛的应用。但是此类方法计算复杂，对噪声很敏感。还有一些利用基本矩阵的摄像机自标定方法。基本矩阵不仅包含摄像机内参数，而且包含外参数信息，它决定着两幅图像间的极线几何约束。R.I.哈特利（R.I.Hartley）提出的自标定方法可以归结为一组非线性多项式方程组的求解问题，但常用优化算法无法保证找到全局最优解，且对噪声和初值十分敏感。A.海登（A.Heyden）首先完成射影重建得到投影矩阵序列，然后进行射影对齐，从而将问题转化为求函数最小值的优化问题，然后利用非线性优化方法对其进行优化得到内参数矩阵，完成标定。海登（Heyden）方法的特点在于进行欧氏重建的基础是前期射影重建所获得的较为精确的结果，这使得方法可以获得较高的精确程度。但由于需要对射影重建的结果进行分析，使得这个方法存在运算量增大，收敛性难于保证。B.特里格斯（B.Triggs）最早提出了基于绝对二次曲面的自标定方法。此方法利用的约束条件是绝对二次曲面和它在摄像机运动时保持不变的投影之间的关系对于每幅图像可以得到15个方程，但是其中最多只有5个是独立的。这个方程组就是在进行求解时使用的约束条件。M.波尔列菲茨（M.Pollefeys）致力于摄像机内参数自标定方法的研究，先后提出了几种在计算机视觉领域很有代表性的算法，并于1999年以其在基于模约束条件的内参数可变情况下自标定算法研究工作获得了计算视觉领域的最高奖马尔奖（见马尔视觉计算理论）。