4、光学与标定基础：镜头畸变、相机内参、外参、标定板设计及张正友标定法

三维扫描系统的核心任务是从二维图像中恢复三维空间坐标，而这一过程的数学前提是精确建立“像素坐标”与“空间坐标”之间的映射关系。任何镜头都存在光学畸变，任何相机安装都存在位姿偏差，若未经过标定直接使用理想针孔模型，重建误差将随测量距离线性放大。本章围绕镜头畸变模型、相机内参与外参的物理意义、标定板设计准则以及张正友标定法的完整流程展开，帮助读者建立从理论到工程落地的系统认知。

4.1 镜头畸变模型与数学表达

理想针孔模型假设光线沿直线传播，但实际镜头由多片透镜组成，光线在透镜表面发生折射，导致成像点偏离理想位置。这种偏离统称为镜头畸变，主要分为径向畸变和切向畸变两类。径向畸变源于透镜形状的球面误差，表现为图像点沿径向向内（桶形畸变）或向外（枕形畸变）偏移；切向畸变则源于透镜与成像平面不平行，表现为图像点在切线方向上的偏移。

在数学上，畸变模型通常用多项式近似。设归一化平面上的理想坐标为 (x, y)，畸变后的坐标为 (x_d, y_d)，则：

径向畸变：
x_radial = x * (1 + k1*r² + k2*r⁴ + k3*r⁶)
y_radial = y * (1 + k1*r² + k2*r⁴ + k3*r⁶)

切向畸变：
x_tangential = 2*p1*x*y + p2*(r² + 2x²)
y_tangential = p1*(r² + 2y²) + 2*p2*x*y

综合：
x_d = x_radial + x_tangential
y_d = y_radial + y_tangential
其中 r² = x² + y²

对于工业相机镜头，通常取 k1、k2、p1、p2 四个参数即可满足精度要求；对于广角镜头或鱼眼镜头，需要引入 k3 甚至更高阶项。在三维扫描系统中，畸变校正的精度直接影响点云的重投影误差，因此建议在标定后计算所有标定板角点的重投影均方根误差（RMS），一般要求 RMS < 0.1 像素。

4.2 相机内参与外参的物理意义

相机内参描述的是相机内部光学与成像元件的固有属性，它建立了从相机坐标系到像素坐标系的映射关系。内参矩阵 K 通常表示为：

K = [fx  0  cx]
    [ 0 fy  cy]
    [ 0  0   1]

其中 fx、fy 分别为 x、y 方向上的归一化焦距（单位：像素），cx、cy 为主点坐标（光轴与成像平面的交点）。对于工业面阵相机，fx 与 fy 通常非常接近，但若镜头存在偏心或传感器像素非正方形，两者会有细微差异。内参还包括畸变系数向量 [k1, k2, p1, p2, k3]。

相机外参描述的是相机坐标系相对于世界坐标系的位姿关系，由旋转矩阵 R（3×3）和平移向量 t（3×1）组成。在三维扫描系统中，外参通常用于描述相机与扫描头、转台或机械臂之间的空间关系。外参的标定精度决定了多视角数据拼接的准确性，因此在高精度扫描场景中，外参标定往往需要借助高精度靶标或激光跟踪仪。

4.3 标定板设计准则与制作要点

标定板是标定流程中的物理基准，其精度直接决定了标定结果的上限。常见的标定板类型包括棋盘格、圆点阵、ArUco 编码板等。棋盘格因其角点检测算法成熟、亚像素提取精度高而成为工业界首选；圆点阵则适用于大视场或低纹理场景，圆心定位精度更高。

设计标定板时需遵循以下准则：

1. 尺寸与视场匹配：标定板在图像中应占据视场面积的 20%~80%，过小则角点提取不稳定，过大则超出景深范围导致边缘模糊。
2. 方格数量与大小：建议 9×7 或 11×8 的棋盘格（内角点），方格边长根据工作距离确定，保证每个方格在图像中至少 20×20 像素。
3. 平面度要求：标定板必须为刚性平面，平面度误差应小于 0.01mm。陶瓷或玻璃基底优于亚克力，但需注意反光问题。
4. 图案精度：采用高精度光绘或丝印工艺，图案位置误差应小于 0.01mm，黑白格边界应锐利无毛刺。
5. 环境适应性：在工业现场建议使用漫反射表面，避免镜面反射；若使用背光标定板，需保证光照均匀。

4.4 张正友标定法原理与实操流程

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法，它只需拍摄不同姿态下的平面标定板图像，即可求解相机内参和外参。其核心思想是利用平面标定板上的共面点建立单应矩阵（Homography），再通过多幅图像的单应矩阵约束求解内参。

具体流程如下：

1. 图像采集：固定相机，手持或机械臂夹持标定板，在视场内平移、旋转、倾斜，采集 15~25 幅图像。要求标定板姿态覆盖俯仰、偏航、滚转三个自由度，且每幅图像中棋盘格完整可见。
2. 角点提取：使用 OpenCV 的 findChessboardCorners 或 findCirclesGrid 提取特征点，并利用 cornerSubPix 进行亚像素精化。
3. 单应矩阵计算：每幅图像建立从世界平面（Z=0）到像素平面的单应矩阵 H，H = K [r1 r2 t]。
4. 内参求解：利用旋转矩阵的正交约束，从多幅图像的单应矩阵线性求解内参初值。
5. 外参求解：内参已知后，每幅图像的外参 R、t 可通过单应矩阵分解获得。
6. 非线性优化：以重投影误差最小化为目标，使用 Levenberg-Marquardt 算法对所有参数（内参、外参、畸变系数）进行全局优化。

# OpenCV 标定核心代码示例
import cv2
import numpy as np

# 棋盘格内角点数
pattern_size = (9, 6)
objp = np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2)

obj_points = []  # 世界坐标
img_points = []  # 像素坐标

for fname in image_files:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
    if ret:
        corners_sub = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1),
                                       (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001))
        obj_points.append(objp)
        img_points.append(corners_sub)

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    obj_points, img_points, gray.shape[::-1], None, None)

# 评估重投影误差
total_error = 0
for i in range(len(obj_points)):
    imgpoints2, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist)
    error = cv2.norm(img_points[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2)
    total_error += error
print(f"RMS重投影误差: {total_error/len(obj_points):.4f} px")

4.5 实战案例：结构光扫描系统的双目标定

某汽车零部件检测项目采用双目结构光扫描仪，工作距离 800mm，视场 400×300mm，相机分辨率为 2448×2048，镜头焦距 12mm。项目要求点云精度 ±0.05mm，因此标定精度必须达到亚像素级别。

初始现象：使用出厂默认内参进行三维重建，发现点云在边缘区域出现明显的“碗状”变形，平面度误差达 0.3mm，远超规格要求。

分析过程：首先检查镜头畸变，发现 k1 = -0.12，属于中等桶形畸变，出厂内参未包含畸变校正。其次，左右相机的外参标定采用粗略的手动对齐，旋转矩阵误差约 0.5°，导致双目视差计算存在系统性偏差。

操作步骤：

1. 定制玻璃基底棋盘格标定板，方格边长 20mm，精度 ±0.005mm，平面度 0.008mm。
2. 在视场内采集 20 幅不同姿态的标定板图像，覆盖中心、边缘、倾斜 30° 等位置。
3. 分别对左右相机进行单目标定，获得内参和畸变系数，RMS 误差均小于 0.08px。
4. 使用 stereoCalibrate 进行双目标定，优化左右相机相对外参，重投影误差 0.12px。
5. 对标定后的图像进行畸变校正和立体校正，使极线对齐误差小于 0.5 像素。

结果对比：标定后点云平面度误差从 0.3mm 降至 0.04mm，边缘区域变形基本消除。后续在 200 个工件的批量检测中，重复性精度达到 ±0.02mm。

复盘经验：标定板的姿态多样性比数量更重要；倾斜角度应控制在 15°~45° 之间，过大的倾斜会导致角点提取不稳定。此外，标定环境的光照应均匀，避免强光直射造成反光。

4.6 常见误区与总结复盘

在三维扫描系统的标定实践中，以下误区值得特别注意：

• 误区一：标定板越大越好。标定板尺寸应与视场匹配，过大的标定板在近距离时超出景深，导致边缘角点模糊，反而降低精度。
• 误区二：忽略标定板平面度。普通亚克力板在夹持时会产生微小弯曲，引入系统性误差。建议使用陶瓷或玻璃基底，并采用三点支撑方式固定。
• 误区三：只标定一次。镜头松动、温度变化、振动都会导致内参漂移。在精密测量场景中，建议每次开机后执行快速标定，或使用自标定算法进行在线校正。
• 误区四：忽视重投影误差的分布。RMS 误差小不代表所有区域精度高，应检查误差热力图，若边缘误差明显大于中心，需考虑高阶畸变模型或更换镜头。

总结而言，光学标定是三维扫描系统开发中“投入产出比”最高的环节。一个经过精心设计的标定流程，可以显著提升点云精度和系统稳定性。建议开发团队建立标准化的标定作业指导书，明确标定板规格、图像采集规范、参数验收标准，并将标定数据存档以便追溯。