3. 标定基础概念

在机器视觉检测项目中，标定（Calibration）是决定系统测量精度与稳定性的第一道关卡。许多工程师在项目初期急于搭建图像采集环境、编写检测算法，却忽略了标定环节，导致后期反复调试仍无法满足公差要求。本章将系统梳理标定的核心概念，帮助读者建立从“像素坐标”到“物理世界坐标”的完整认知框架。

一、标定的定义与核心目的

标定，简而言之，是建立图像像素坐标系与真实物理世界坐标系之间映射关系的过程。在Halcon中，标定通常涉及两个层面的数学建模：一是描述相机内部光学特性的内参矩阵（焦距、主点、畸变系数），二是描述相机在空间中位姿的外参矩阵（旋转矩阵与平移向量）。

标定的根本目的可以归纳为以下四点：

• 消除畸变：镜头制造与装配误差会导致图像边缘出现桶形或枕形畸变，标定可计算畸变系数并校正图像，使直线恢复为直线。
• 建立度量基准：将像素尺寸转换为毫米、微米等物理单位，使测量结果具有实际工程意义。
• 确定空间位姿：在机器人引导、三维定位等场景中，标定可确定相机与机械手、工件之间的相对位置关系。
• 统一多相机坐标系：在多相机拼接或立体视觉系统中，标定可将各相机坐标系统一到同一世界坐标系下。

二、标定的分类体系

根据应用场景与标定对象的不同，视觉检测中的标定可分为三大类：相机标定、手眼标定与畸变校正。三者既有区别又相互关联，下表给出了它们的核心对比：

1. 相机标定（Camera Calibration）

相机标定是视觉系统中最基础、最核心的标定步骤。它通过拍摄已知尺寸的标定板（如Halcon标准标定板、棋盘格、圆点阵列），提取特征点并建立像素坐标与物理坐标的对应关系，从而求解相机内参。Halcon中常用的标定算子包括：

* 创建标定模型
create_calib_data ('calibration_object', 1, 1, CalibDataID)
* 设置相机类型与初始参数
set_calib_data_cam_param (CalibDataID, 0, 'area_scan_division', [0.008, 0, 0.000008, 0.000008, 640, 480, 0, 0])
* 设置标定板描述文件
set_calib_data_calib_object (CalibDataID, 0, 'calplate_100mm.descr')
* 读取标定板图像并查找标记点
find_calib_object (Image, CalibDataID, 0, 0, 0, [], [])
* 执行标定
calibrate_cameras (CalibDataID, Errors)
* 获取标定结果
get_calib_data (CalibDataID, 0, 'camera', 'params', CameraParam)

相机标定的精度受多个因素影响：标定板平面度、光照均匀性、拍摄角度、图像清晰度等。在Halcon中，标定误差通常以像素为单位输出，一般要求均方根误差小于0.1像素。

2. 手眼标定（Hand-Eye Calibration）

当视觉系统安装在机器人末端或固定于工作空间某处时，需要确定相机坐标系与机器人基坐标系（或工具坐标系）之间的变换关系，这就是手眼标定。根据相机安装位置的不同，分为两种经典构型：

• 眼在手上（Eye-in-Hand）：相机随机械臂运动，标定目标是相机与工具坐标系的关系。
• 眼在手外（Eye-to-Hand）：相机固定安装，标定目标是相机与机器人基坐标系的关系。

Halcon中手眼标定的核心流程为：

1. 在机械臂末端安装标定板（或固定标定板），控制机械臂运动到多个不同位姿。
2. 在每个位姿下，记录机械臂的位姿（通过机器人控制器读取）并拍摄标定板图像。
3. 使用calibrate_hand_eye算子求解手眼变换矩阵。

* 收集多组机械臂位姿与对应标定板位姿
* PoseRobot：机械臂末端位姿（4×4齐次矩阵）
* PoseCalib：标定板在相机坐标系下的位姿
calibrate_hand_eye (PoseRobot, PoseCalib, PoseToolInCam)

3. 畸变校正（Distortion Correction）

畸变校正是相机标定的直接应用，也是图像预处理的重要环节。镜头畸变主要分为径向畸变（由透镜形状引起）和切向畸变（由镜头与成像平面不平行引起）。Halcon支持多种畸变模型，常用的有division模型和polynomial模型。

畸变校正的工程意义在于：未经校正的图像在边缘区域会产生明显的测量误差。例如，一个100mm的标准量块在图像中心测量为100.02mm，而在图像边缘可能偏差达0.5mm以上。通过畸变校正，可将全视场测量误差控制在0.05mm以内。

* 使用标定结果校正图像
change_radial_distortion_image (Image, ImageRectified, CameraParam, CameraParamRectified)

三、标定在视觉检测中的重要性

标定不是视觉系统的“可选优化项”，而是硬性前提。其重要性体现在以下三个维度：

第一，测量精度的基石。在半导体、精密制造等领域，检测公差常达微米级。未标定系统的像素当量（mm/pixel）在视场不同位置存在差异，直接使用像素尺寸换算物理尺寸将产生不可接受的误差。标定后，系统可精确计算每个像素对应的物理尺寸，并补偿畸变影响。

第二，算法稳定性的保障。许多检测算法（如边缘提取、模板匹配）对图像质量敏感。畸变严重的图像会导致边缘位置偏移、形状失真，进而影响特征提取的准确性。标定后的图像更接近真实几何关系，算法参数更具通用性。

第三，多系统协同的基础。在自动化产线中，视觉系统往往与机器人、运动控制平台协同工作。只有通过标定建立统一的坐标基准，才能实现精准的定位引导与轨迹规划。

四、标定方法流程与工程实践

一个完整的标定流程通常包含以下步骤：

1. 环境准备：固定相机与镜头，确保工作距离、光圈、焦距与正式生产一致；清洁镜头与标定板。
2. 标定板选择：根据视场大小与精度要求选择合适尺寸的标定板。Halcon标定板有陶瓷、玻璃、金属等多种材质，精度等级从±0.01mm到±0.001mm不等。
3. 图像采集：拍摄15~25张不同位姿的标定板图像，覆盖视场的不同区域与角度。注意避免反光、阴影和运动模糊。
4. 特征提取与标定计算：在Halcon中执行find_calib_object与calibrate_cameras，观察标定误差。
5. 验证与优化：使用标定结果测量已知尺寸的标准件，验证精度是否满足要求。若误差超差，需检查图像质量、标定板状态或重新采集。

五、标定中的常见误区与复盘

在多年项目实践中，以下误区反复出现，值得工程师警惕：

• 误区一：标定板图像越多越好。实际上，超过20张后精度提升有限，反而可能引入低质量图像。关键在于图像位姿的多样性，而非数量。
• 误区二：忽略温度影响。相机与镜头在长时间工作后温度升高，可能导致焦距漂移。高精度项目应在设备热机稳定后再标定。
• 误区三：标定后随意调整镜头。一旦标定完成，镜头的光圈、焦距、工作距离均不可变动，否则标定结果失效。
• 误区四：混淆手眼标定与相机标定。两者解决不同问题，不可互相替代。手眼标定依赖相机标定的内参结果，但还需额外求解外参。

复盘一个失败案例：某项目在机器人抓取定位中，手眼标定误差始终在5mm以上。排查发现，机械臂运动时标定板发生轻微振动，导致图像模糊。改进措施为：降低机械臂运动速度、使用外部触发采集图像、增加标定板固定刚性。重新标定后误差降至0.5mm以内。这一案例说明，标定过程中的每一个环节都需严格控制，任何微小扰动都可能被放大为显著的坐标误差。