4. 测量系统标定

在三维测量系统中，标定是连接像素坐标与世界坐标的桥梁，其精度直接决定了后续三维重建、尺寸测量和缺陷检测的可靠性。Halcon作为机器视觉领域的高性能算法库，提供了从单相机内参标定到多相机联合标定、从固定安装到手眼标定的完整工具链。本章围绕三维测量场景，系统讲解相机标定、手眼标定、多相机标定、标定板设计以及Halcon中的标准标定流程，帮助工程师建立从理论到落地的完整知识闭环。

4.1 相机标定的核心原理与操作流程

核心原理

相机标定的本质是求解相机成像的几何模型参数，包括内参（焦距f、主点cx/cy、畸变系数k1-k3、p1-p2）和外参（旋转矩阵R、平移向量T）。在三维测量中，内参的准确性直接影响深度解算的精度，而外参则决定了相机在世界坐标系中的位姿。Halcon采用基于张正友平面标定法的改进算法，通过拍摄不同姿态的标定板图像，利用单应性矩阵约束和极大似然估计迭代优化所有参数。

判断方法

标定质量的核心判据是重投影误差（RMS Error）。Halcon在标定完成后会输出每个标定板标记点的重投影误差，通常要求平均误差小于0.1像素，最大误差不超过0.3像素。若误差超标，应检查标定板平整度、图像清晰度、光照均匀性以及标定板是否在视场边缘产生畸变。

操作流程

1. 准备标定板：选择高精度陶瓷或玻璃基板，确保表面平整度优于±0.005mm，图案对比度清晰。
2. 采集图像：在测量工作距离附近，从不同角度（倾斜、旋转、平移）采集15~25幅标定板图像，覆盖视场的中心和边缘区域。
3. 创建标定模型：使用create_calib_data创建标定模型，并加载标定板描述文件（.descr）。
4. 提取标记点：调用find_calib_object自动定位标定板上的圆点或棋盘格角点。
5. 执行标定：使用calibrate_cameras完成参数优化，输出相机内参和畸变系数。

常见误区

• 标定板过小：标定板尺寸应覆盖视场的1/3以上，否则外参解算不稳定。
• 图像数量不足：少于10幅图像容易导致畸变系数过拟合。
• 忽略温度影响：相机长时间工作发热会导致焦距漂移，建议开机预热30分钟后再标定。

4.2 手眼标定：机器人-相机坐标变换

核心原理

手眼标定解决的是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。根据相机安装位置分为两种模式：Eye-in-Hand（相机安装在机器人末端，随机械臂运动）和Eye-to-Hand（相机固定安装，机器人独立运动）。其数学本质是求解AX=XB矩阵方程，其中A为机器人末端位姿变换，B为相机观测到的标定板位姿变换，X为待求的手眼矩阵。

判断方法

手眼标定的精度验证通常采用"点到点"误差：将机器人移动到多个已知位置，通过手眼矩阵将相机观测到的目标点转换到机器人坐标系，与机器人示教的实际位置对比，误差应小于系统重复定位精度的1.5倍。

操作流程

案例拆解

某汽车零部件装配线采用Eye-to-Hand方案，相机固定于机械臂上方。初始手眼标定后，抓取定位误差达±2.5mm，超出工艺要求（±0.8mm）。分析发现：标定过程中机器人运动范围过小（仅200mm×200mm区域），导致手眼矩阵外推误差大。重新规划机器人运动路径，覆盖整个工作空间（800mm×600mm），并增加至25个采样位姿后，定位误差降至±0.6mm，满足生产节拍要求。

4.3 多相机标定与标定板设计

多相机标定核心原理

多相机标定用于确定多个相机之间的相对位姿关系，是立体视觉、多视角拼接和三维重建的基础。Halcon支持同时标定任意数量的相机，通过共享标定板观测数据，统一优化所有相机的内参和相机间外参。对于大尺寸测量场景，多相机拼接可扩大测量范围；对于高精度场景，多视角融合可降低遮挡和阴影影响。

标定板设计要点

• 图案类型：圆点阵列（Halcon推荐）比棋盘格更易实现亚像素精度提取，且对遮挡鲁棒性更好。
• 尺寸精度：标定板标记点间距误差应小于0.001mm，建议使用光刻工艺制作。
• 材质选择：陶瓷基板热膨胀系数低（6.5×10⁻⁶/°C），适合温度变化环境；玻璃基板平整度高，适合高精度测量。
• 尺寸匹配：标定板对角线长度应不小于视场短边的1/2，保证标记点数量充足。

多相机标定流程

// Halcon多相机标定核心代码
create_calib_data ('multi_camera', 'calibration_object', 2, CalibDataID)
set_calib_data_cam_param (CalibDataID, 0, 'area_scan_division', StartCamParam1)
set_calib_data_cam_param (CalibDataID, 1, 'area_scan_division', StartCamParam2)
set_calib_data_calib_object (CalibDataID, 'calibration_object', CalibObjDescr)
for I := 1 to NumImages by 1
    read_image (Image1, 'cam1_' + I$'02d')
    read_image (Image2, 'cam2_' + I$'02d')
    find_calib_object (Image1, CalibDataID, 0, 0, I, [], [])
    find_calib_object (Image2, CalibDataID, 1, 0, I, [], [])
endfor
calibrate_cameras (CalibDataID, Errors)

常见误区与复盘

某大型结构件三维测量项目采用4相机环形布局，单相机视场400mm×300mm，拼接后覆盖1200mm×600mm区域。初次标定后拼接误差达±1.2mm，经排查发现：各相机曝光时间不一致导致标定板提取精度差异。统一曝光参数并增加同步触发后，拼接误差降至±0.3mm，满足检测需求。

4.4 Halcon标定流程的完整闭环与精度验证

标准标定流程

Halcon提供了一套完整的标定工具链，从标定板描述文件生成到标定结果评估均有对应算子。标准流程包括：create_calib_data创建模型 → set_calib_data_cam_param设置初始参数 → find_calib_object提取标记点 → calibrate_cameras执行优化 → get_calib_data获取结果 → write_calib_data保存模型。

精度验证方法

实战场景：标定质量排障

某锂电检测设备使用Halcon标定后，三维测量出现边缘区域畸变。分析过程：首先检查重投影误差分布，发现边缘误差明显大于中心（0.25 vs 0.06 pixel）。进一步检查发现标定板图像在边缘区域存在轻微离焦。解决方案：缩小标定板移动范围，确保标定板始终在景深范围内；同时增加小光圈（F8）提高景深。重新标定后，全视场重投影误差均小于0.1像素，边缘畸变消除。