📚 课程目录第4章相机标定基础

4、相机标定基础：棋盘格标定板、张正友标定法、内参与畸变系数求解、重投影误差评估

相机标定是机器人手眼标定的前置核心环节，其本质是求解相机几何模型中的内参矩阵与畸变系数。无论是眼在手上（Eye-in-Hand）还是眼在手外（Eye-to-Hand）的机械臂视觉系统，若相机内参不准确，外参（相机与机械臂基座或工具端的位姿关系）的求解将失去数学基础。本章围绕棋盘格标定板的设计与使用、张正友标定法的数学原理、内参与畸变系数的求解流程，以及重投影误差的评估方法展开，帮助学习者建立从物理标定板到数值优化的完整认知链路。

上图展示了相机标定的完整链路：从棋盘格标定板的物理特征出发，经过张正友法的数学映射，最终输出内参与畸变系数，并通过重投影误差形成闭环反馈。下面逐一拆解每个环节的核心原理与实操要点。

4.1 棋盘格标定板：设计规范与图像采集要求

棋盘格标定板是相机标定中最常用的平面靶标，其核心优势在于角点检测的鲁棒性和亚像素定位精度。一个合格的标定板需要满足以下条件：

方格尺寸精确：每个黑白方格的物理边长必须精确测量（如 30mm ± 0.01mm），该值作为世界坐标系的尺度基准，直接影响内参中焦距 fx、fy 的精度。
平面度要求：标定板应粘贴在刚性玻璃或铝板上，表面平面度误差应小于 0.1mm，否则会引入系统性畸变误差。
角点数量与分布：建议内角点数量不少于 7×7（即 8×8 方格），保证单应性矩阵求解的过约束性。
表面处理：采用哑光材质，避免反光导致角点检测失败；黑白对比度应大于 5:1。

图像采集是标定流程中最容易出错的环节。采集时需注意：标定板应占据视场面积的 1/3 至 2/3，避免过小导致角点提取不稳定；标定板姿态需覆盖俯仰、偏航、翻滚三个自由度，且倾斜角度控制在 20°~45° 之间；采集数量建议为 15~20 张，过少会导致内参求解病态，过多则增加计算时间且可能引入模糊帧。

经验提醒：在机器人手眼标定场景中，标定板应固定在机械臂工作空间内的不同位置，而非仅放在相机正前方。这样可以使标定结果对工作空间内的不同深度和视角都具有适应性，避免后续手眼标定出现局部最优。

4.2 张正友标定法：从单应性矩阵到内参约束

张正友标定法（Zhang's Method）是介于传统标定与自标定之间的经典方案，仅需平面棋盘格即可完成标定。其数学核心分为三步：

计算单应性矩阵 H：对于每张标定板图像，建立世界坐标系（Z=0 平面）到像素坐标系的映射关系。设棋盘格角点世界坐标为 (X, Y, 0)，像素坐标为 (u, v)，则有：

s * [u, v, 1]^T = K * [r1, r2, t] * [X, Y, 1]^T
其中 K 为内参矩阵，r1、r2 为旋转矩阵前两列，t 为平移向量

每张图像可求解一个 3×3 的单应性矩阵 H，H 包含了内参和外参的混合信息。

建立内参约束方程：由于旋转矩阵的正交性（r1^T * r2 = 0 且 |r1| = |r2|），可以从 H 矩阵中提取两个关于内参的线性约束。通过至少 3 张不同姿态的图像，即可线性求解内参矩阵 K 的闭式解。
非线性优化：以闭式解为初值，使用 Levenberg-Marquardt 算法最小化重投影误差，同时优化内参、外参和畸变系数。

张正友法的优势在于：无需昂贵的 3D 标定块，仅需平面靶标；数学上可证明闭式解的稳定性；对镜头畸变有较好的鲁棒性。但其局限性在于：标定板必须为平面，且图像数量不足时容易陷入局部极小值。

4.3 内参与畸变系数求解：数学模型与优化策略

相机内参矩阵 K 包含四个关键参数：

参数	符号	物理意义	典型值范围（工业相机）
焦距 x 方向	fx	像素单位下的水平焦距	500 ~ 5000
焦距 y 方向	fy	像素单位下的垂直焦距	500 ~ 5000
主点 x 坐标	cx	光轴与成像平面交点	图像宽度/2 ± 50
主点 y 坐标	cy	光轴与成像平面交点	图像高度/2 ± 50

畸变系数通常采用 Brown-Conrady 模型，包含径向畸变（k1, k2, k3）和切向畸变（p1, p2）。径向畸变由镜头曲面引起，切向畸变由镜头与成像平面不平行引起。畸变模型可表示为：

x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + 2*p1*x*y + p2*(r^2 + 2*x^2)
y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + p1*(r^2 + 2*y^2) + 2*p2*x*y
其中 r^2 = x^2 + y^2，x、y 为归一化平面坐标

求解流程通常为：先忽略畸变，用线性方法求内参初值；再引入畸变模型，用极大似然估计优化所有参数；最后根据重投影误差判断是否需要增加 k3 项（一般广角镜头或鱼眼镜头才需要）。

风险提示：畸变系数并非越多越好。对于常规工业镜头，使用 k1、k2、p1、p2 四个参数即可；盲目增加 k3 可能导致过拟合，尤其在标定图像数量不足时，高阶畸变项会吸收噪声，反而降低标定精度。

4.4 重投影误差评估：量化标定质量的黄金指标

重投影误差（Reprojection Error）是衡量标定结果的核心指标，其定义为：将世界坐标系中的角点通过标定得到的内参、外参和畸变系数投影到像素平面，计算投影点与实际检测点之间的欧氏距离。均方根误差（RMS）计算公式为：

RMS = sqrt( (1/N) * Σ || p_i - p'_i ||^2 )
其中 p_i 为检测角点，p'_i 为投影角点，N 为所有图像的总角点数

评估标准如下：

RMS < 0.1 像素：优秀，标定结果可靠，可用于高精度手眼标定。
0.1 ≤ RMS < 0.3 像素：良好，可接受，但需检查是否存在个别异常图像。
RMS ≥ 0.3 像素：较差，需要重新采集图像或检查标定板质量。

当重投影误差偏大时，应按照以下顺序排查：首先检查标定板方格尺寸是否输入错误；其次检查图像是否模糊或存在运动模糊；然后检查标定板是否弯曲；最后检查是否有个别图像的角点检测错误（可通过可视化角点检测结果确认）。

  案例拆解：某机器人视觉引导项目使用 500 万像素工业相机（2448×2048），搭配 8mm 镜头，标定板为 12×9 方格（边长 25mm）。初次采集 12 张图像，标定后 RMS 为 0.42 像素，明显超标。分析发现：其中 3 张图像标定板倾斜角超过 60°，导致角点检测不稳定；另有 2 张图像标定板边缘超出视场。重新采集 18 张图像，控制倾斜角在 25°~40° 之间，并确保标定板完整出现在视场内。再次标定后 RMS 降至 0.08 像素，内参 fx=1823.5, fy=1822.1, cx=1224.3, cy=1021.7，畸变系数 k1=-0.112, k2=0.023, p1=0.0012, p2=-0.0008。后续手眼标定的平移误差从 2.1mm 降至 0.4mm，验证了标定质量提升的效果。

4.5 常见误区与总结复盘

在相机标定实践中，以下误区需要特别警惕：

误区一：标定图像越多越好。实际上，超过 30 张后精度提升有限，且容易引入重复姿态，导致信息冗余。关键在于姿态多样性而非数量。
误区二：忽略标定板平面度。使用打印纸粘贴在非刚性表面，会导致角点坐标在三维空间中的实际位置与理想平面偏差，引入系统性误差。
误区三：固定焦距后重新标定。变焦镜头或自动对焦镜头在焦距改变后必须重新标定，否则内参失效。
误区四：只关注 RMS 而忽略单张图像误差分布。应检查每张图像的最大重投影误差，若某张图像误差明显大于其他图像，应剔除该帧。

总结复盘：相机标定的本质是参数估计问题，其精度受限于标定板精度、图像质量、算法优化能力和环境稳定性。在机器人手眼标定项目中，建议将相机标定作为独立工序，每次标定后保存标定报告（包括 RMS、内参、畸变系数、采集图像列表），便于后续追溯和问题定位。同时，标定环境的光照应均匀稳定，避免高光或阴影干扰角点检测。通过严格的标定流程控制，才能为后续的手眼矩阵求解提供可靠的数据基础。