1. 为什么我们需要相机标定想象一下你用手机拍了一张棋盘格照片却发现边缘的格子被拉长了——这就是镜头畸变在作怪。相机标定的本质就是让计算机知道你的镜头看东西时究竟有哪些偏差。我在做第一个视觉项目时曾因为跳过标定导致测量误差达到15%后来用张正友方法重新标定后直接降到了0.3mm以内。核心价值在于建立三维世界与二维图像的数学对应关系。比如自动驾驶需要准确判断障碍物距离工业检测要测量零件尺寸这些都依赖精确的相机参数。张正友标定法的革命性在于你只需要打印一张棋盘格用普通相机从不同角度拍摄就能获得专业级标定效果。2. 标定前的硬件准备2.1 棋盘格制作要点我推荐使用8x6的黑白棋盘格每个格子20mm这是经过多次测试的黄金尺寸。用激光打印机在亚光铜版纸上打印后贴在平整的玻璃或铝板上。曾有个学生用A4纸直接贴在软木板上结果因为平面度不够导致标定误差飙升。关键参数格子数量建议5x7到9x11之间物理尺寸实际测量打印后的格子边长我的20mm格子实测是19.8mm就要用真实值材质避免反光磨砂膜比哑光漆更可靠2.2 拍摄技巧大全去年帮工厂做标定时我们总结出三三法则角度组合俯视/仰视/左斜/右斜各3张共12-15张距离梯度最近要能看到所有角点最远占画面1/3面积照明方案自然光两侧45°补光避免直射反光常见翻车现场棋盘格未充满画面至少占60%面积手抖模糊快门速度1/250s环境光变化关掉自动白平衡3. 深入张氏标定法原理3.1 单应性矩阵的魔法当棋盘格的角点坐标X,Y,0映射到图像坐标u,v时存在一个3x3的单应性矩阵H。我常用这个类比H就像个透视翻译官告诉计算机三维平面如何变成二维照片。求解过程用cv2.findChessboardCorners()检测角点构建方程组每组对应点贡献两个方程最小二乘法求解超定方程组# OpenCV单应性矩阵计算示例 ret, H cv2.findHomography(world_points, image_points)3.2 内外参分解实战拿到H矩阵后就像拆解俄罗斯套娃内参矩阵A包含焦距(fx,fy)、主点(cx,cy)、倾斜系数γ外参矩阵[R|t]相机相对于棋盘格的旋转和平移关键约束条件旋转矩阵的正交性R^T·RI内参矩阵的对称性A^(-T)·A^(-1)是正定矩阵% MATLAB内参估算示例 v0 [h1(:,1)*h2(:,1); (h1(:,1)-h1(:,2))*(h1(:,1)h1(:,2))]; V [v12; v11-v22]; [~,~,V_svd] svd(V); b V_svd(:,end);4. 畸变校正的进阶技巧4.1 径向畸变模型实测发现多数镜头符合Brown-Conrady模型k1: 桶形畸变主力常见值-0.2~0.2k2: 补偿高阶畸变p1/p2: 切向畸变装配误差导致校正效果对比未校正直线变曲线边缘拉伸校正后直线还原网格横平竖直4.2 参数优化策略建议采用Levenberg-Marquardt算法优化初值设定用解析解作为初始猜测损失函数重投影误差最小化权重调整给中心区域更高权重# Python优化示例 flags (cv2.CALIB_USE_INTRINSIC_GUESS cv2.CALIB_FIX_ASPECT_RATIO cv2.CALIB_ZERO_TANGENT_DIST) ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera(..., flagsflags)5. MATLAB工具箱实战指南5.1 标定流程分解图像导入建议用imageDatastore批量处理角点检测注意调整DetectPatterns参数参数计算勾选Skew选项应对非矩形像素验证阶段检查重投影误差直方图5.2 常见报错解决Not enough points检查棋盘格是否被完整检测High reprojection error重新拍摄模糊图片Singular matrix确保拍摄角度差异足够大6. 标定结果的实际应用6.1 三维重建案例将标定参数用于PCL点云库深度图转点云时应用内参多视角拼接时使用外参点云去噪时考虑畸变模型6.2 精度验证方法我的验证三板斧棋盘格边长测量误差应0.1%空间对角线测试用标准量具验证动态跟踪测试移动标定板检查一致性7. 工程经验分享去年给无人机视觉系统标定时发现温度变化会导致焦距漂移。后来我们开发了在线标定方案在机体安装微型标定板起飞前自动拍摄3张标定图实时更新内参矩阵另一个坑是广角镜头的标定——普通棋盘格在边缘会严重变形。解决方案是改用圆形标定板采用Scaramuzza鱼眼模型分区域标定中心/边缘分别处理