3、标定基础概念：内参、外参、畸变、坐标系变换、标定板类型及选择原则
在Edge AI传感器的工程化落地中，标定是连接“物理世界”与“像素世界”的桥梁。无论是单目相机、双目立体视觉、还是RGB-D传感器，其输出的原始数据必须经过精确的几何标定，才能用于目标测距、三维重建、SLAM或障碍物检测。本章将系统梳理标定涉及的五大核心概念——内参、外参、畸变、坐标系变换以及标定板类型，并结合Edge AI场景下的实际约束，给出可落地的选择原则与操作规范。
3.1 内参与外参：几何建模的两大支柱
核心原理：相机成像过程可抽象为四个坐标系的依次变换：世界坐标系→相机坐标系→图像坐标系→像素坐标系。其中，内参（Intrinsic Parameters）描述相机内部光学与电子学特性，包括焦距f（或fx, fy）、主点坐标（cx, cy）以及像素尺寸（dx, dy）。内参矩阵K通常表示为：
K = [fx 0 cx]
[ 0 fy cy]
[ 0 0 1]外参（Extrinsic Parameters）描述相机在世界坐标系中的位姿，由旋转矩阵R（3×3）和平移向量t（3×1）组成。外参将世界点变换到相机坐标系下，其数学形式为 [R|t] 的3×4增广矩阵。在Edge AI场景中，外参标定往往需要结合IMU或轮式里程计进行联合标定，以获得传感器间的空间同步关系。
判断方法：内参标定通常采用张正友标定法，通过拍摄不同姿态的平面标定板（至少10-15张），利用单应性矩阵求解内参初值，再通过最大似然估计优化畸变系数。外参标定则需已知标定板的世界坐标（如棋盘格角点坐标），通过PnP（Perspective-n-Point）算法求解相机相对标定板的位姿。
3.2 畸变模型：非线性误差的数学表达
核心原理：实际镜头存在制造与装配误差，导致光线投影偏离理想针孔模型。畸变主要分为两类：径向畸变（由透镜形状引起，表现为桶形或枕形）和切向畸变（由透镜与成像平面不平行引起）。OpenCV中采用五参数模型（k1, k2, p1, p2, k3）进行修正：
x_distorted = x * (1 + k1*r² + k2*r⁴ + k3*r⁶) + 2*p1*x*y + p2*(r² + 2x²)
y_distorted = y * (1 + k1*r² + k2*r⁴ + k3*r⁶) + p1*(r² + 2y²) + 2*p2*x*y其中r² = x² + y²，(x, y)为归一化平面坐标。对于Edge AI设备，尤其是广角镜头或鱼眼镜头，畸变系数可能非常大，需要采用更高阶模型或特定鱼眼模型（如Kannala-Brandt模型）。
| 畸变类型 | 产生原因 | 典型表现 | 修正参数 |
|---|---|---|---|
| 径向畸变 | 透镜曲率不均匀 | 直线变曲线，边缘明显 | k1, k2, k3 |
| 切向畸变 | 透镜与传感器不平行 | 图像倾斜、梯形失真 | p1, p2 |
| 薄棱镜畸变 | 镜头组件装配误差 | 局部不规则变形 | s1, s2（较少用） |
常见误区：许多工程师在标定时只关注内参矩阵，忽略畸变系数的质量。实际上，对于Edge AI中的近距离测距（如1-3米），畸变误差可达像素级，直接导致深度估计偏差数厘米。务必在标定后使用重投影误差（RMS）评估畸变修正质量，RMS应小于0.1像素。
3.3 坐标系变换：从世界到像素的完整链路
操作流程：一个三维世界点Pw(Xw, Yw, Zw)到像素坐标(u, v)的完整变换分为四步：
- 世界→相机：Pc = R·Pw + t，将世界点旋转平移到相机坐标系。
- 相机→图像：应用针孔投影，x = Xc/Zc, y = Yc/Zc，得到归一化坐标。
- 畸变修正：对(x, y)施加畸变模型，得到(x_dist, y_dist)。
- 图像→像素：u = fx·x_dist + cx, v = fy·y_dist + cy。
案例拆解：以一款Edge AI双目相机为例，其基线距离为60mm，分辨率1280×720，视场角90°。在标定过程中，我们发现重投影误差高达0.35像素，导致3米处深度误差达4.2cm。通过分析发现，问题出在标定板姿态覆盖不足——所有标定图像中，标定板倾斜角均小于15°，导致外参求解病态。重新采集包含大角度倾斜（30°-45°）和旋转的图像后，重投影误差降至0.08像素，深度误差缩小至0.9cm。这一案例说明，坐标系变换的精度不仅取决于算法，更取决于标定数据的质量分布。
3.4 标定板类型与选择原则
核心原理：标定板是提供已知几何特征的平面参考物。不同类型标定板在特征提取鲁棒性、亚像素精度、部分遮挡处理能力上差异显著。
| 类型 | 特征提取 | 精度 | 鲁棒性 | 适用场景 |
|---|---|---|---|---|
| 棋盘格 | 角点检测（Harris/Shi-Tomasi） | 高（亚像素） | 需完整可见 | 单目/双目内参标定 |
| 圆点阵列 | 椭圆拟合中心 | 极高（椭圆拟合） | 抗噪强 | 高精度工业标定 |
| ArUco码 | 二进制码解码+角点 | 中高 | 支持部分遮挡 | 动态标定/位姿估计 |
| ChArUco | 棋盘角点+ArUco编码 | 高 | 支持部分遮挡 | 多相机/大视场标定 |
选择原则：在Edge AI传感器标定中，需综合考虑以下因素：
- 精度需求：若用于高精度三维测量，优先选择圆点阵列或ChArUco；若仅用于视觉定位，棋盘格即可满足。
- 视场角与距离：广角镜头边缘畸变大，应选择特征点分布均匀的标定板，避免棋盘格在边缘处角点混叠。
- 环境光照：户外强光下，ArUco码的抗反光能力优于棋盘格（黑色块易反光）；室内可控光源下棋盘格表现最佳。
- 标定板尺寸：标定板在图像中应占据至少20%的像素面积，且每个特征格（或圆点）至少覆盖5×5像素，否则亚像素提取失效。
实战建议：对于Edge AI设备，推荐使用ChArUco板。它结合了棋盘格的角点精度与ArUco的编码鲁棒性，即使标定板部分移出视野，仍能通过编码恢复位姿。在量产产线标定中，ChArUco板可配合自动检测算法，实现全自动标定流程，减少人工干预。
3.5 标定板选择与采集规范案例
案例背景：某自动驾驶公司需要标定安装在挡风玻璃后的前视摄像头（分辨率1920×1080，FOV 120°），用于车道线检测与障碍物测距。初始方案采用A4尺寸棋盘格（9×6），在室内标定后重投影误差RMS为0.12像素，但装车后实测3米处测距误差达5.8%，远超2%的设计指标。
分析过程：排查发现三个问题：①标定板尺寸过小，在120°FOV下边缘区域特征点不足；②棋盘格在挡风玻璃反光下角点检测不稳定；③标定图像中缺少大角度俯仰姿态，导致外参在俯仰方向退化。
解决方案：更换为A2尺寸ChArUco板（7×5棋盘格+ArUco边框），并采用哑光材质减少反光。重新采集20张图像，覆盖以下姿态分布：
俯仰角范围：-30° ~ +30°（间隔10°）
偏航角范围：-40° ~ +40°（间隔15°）
滚转角范围：-20° ~ +20°（间隔10°）
标定距离：0.8m ~ 2.5m（每0.3m一组）标定后RMS降至0.06像素，装车实测3米处测距误差降至1.7%。
复盘经验：标定板选择不是“能用就行”，而需结合镜头FOV、安装环境、精度指标综合设计。建议在标定前先做一次预采集，检查特征点提取质量与分布覆盖度，再决定是否调整标定板类型或尺寸。
风险提示：切勿使用打印在普通纸张上的标定板进行高精度标定。纸张热胀冷缩会导致特征点坐标漂移（A4纸在温度变化10°C时，尺寸变化可达0.3mm），建议使用铝基板或玻璃基板，并粘贴在平整刚性平面上。
本章系统梳理了标定涉及的五大基础概念，从内参外参的数学本质，到畸变修正的工程实现，再到坐标系变换的完整链路，最后给出了标定板选型与采集规范。在Edge AI项目中，标定质量直接决定感知算法的上限，建议工程师将标定纳入产线自动化流程，并建立标定质量数据库，实现每台设备的可追溯管理。