课程导入：双目视觉标定的意义、课程目标、学习路径与预备知识
双目视觉系统通过模拟人类双眼的视差原理，利用两台空间位置固定的相机同时采集同一场景的图像，进而恢复场景的三维几何信息。这项技术广泛应用于机器人导航、工业测量、自动驾驶、AR/VR、医疗手术导航等场景。然而，双目系统的高精度三维重建能力并非与生俱来——两台相机之间的相对位姿（旋转矩阵 R 与平移向量 T）、各自的内参矩阵 K₁/K₂、畸变系数以及成像模型中的微小偏差，都会直接导致深度估计误差。双目视觉标定，正是通过精确的数学模型与实验测量，确定这些参数的过程。它是整个双目系统的“地基工程”，地基不牢，上层算法再先进也难以获得可信的深度数据。
1.1 双目视觉标定的核心意义
双目视觉标定的本质，是建立从二维图像像素坐标到三维空间坐标的精确映射关系。从工程角度看，标定质量直接决定了双目系统的性能上限。一个未经标定或标定精度不足的双目系统，其深度测量误差可能达到厘米级甚至更大，而经过严格标定的系统则可以将误差控制在毫米级甚至亚毫米级。这种精度差异在工业测量、医疗导航等对精度要求苛刻的领域是致命的。
标定工作包含三个层次的内容：单目标定（确定每台相机的内参和畸变系数）、双目标定（确定两台相机之间的相对位姿 R 和 T）、以及立体校正（对图像进行重投影，使左右图像行对齐，从而简化立体匹配的搜索空间）。这三个层次环环相扣，任何一个环节的误差都会向下传递并放大。
核心价值总结：双目标定是连接“像素世界”与“物理世界”的桥梁。没有精确的标定参数，视差图无法转换为可靠的三维坐标；没有可靠的深度信息，上层的目标检测、避障、三维重建等应用都成为空中楼阁。标定精度每提升一个数量级，整个系统的可用性就会产生质的飞跃。
1.2 课程目标与能力模型
本课程的目标是培养学员独立完成双目视觉标定全流程的能力，从标定板的设计选型到参数求解与精度验证，形成完整的工程闭环。具体而言，完成本课程后，学员应当具备以下能力：
| 能力维度 | 具体内容 | 可衡量的成果 |
|---|---|---|
| 标定板设计 | 理解棋盘格、圆点阵、ArUco码等图案的优缺点；掌握尺寸、精度、材质的选择原则 | 能根据应用场景设计出满足精度要求的标定板 |
| 图像采集 | 掌握光照控制、位姿规划、图像数量与覆盖度的要求 | 能采集到一组质量合格、覆盖全面的标定图像 |
| 参数求解 | 熟练使用OpenCV/Matlab标定工具箱，理解张正友标定法的数学原理 | 能独立完成单目和双目标定，输出内参、畸变、外参 |
| 精度验证 | 掌握重投影误差、极线误差、深度精度等评价指标 | 能对标定结果进行量化评估并迭代优化 |
| 工程落地 | 理解标定误差对实际深度重建的影响，具备排障能力 | 能定位并解决标定过程中的常见问题 |
1.3 学习路径与章节导航
本课程共30章，按照“理论奠基 → 标定板设计 → 采集实践 → 算法实现 → 精度优化 → 工程应用”的逻辑递进。前5章聚焦于相机模型、坐标系变换、畸变原理等基础理论，为后续的标定板设计提供数学支撑；第6-12章深入讲解标定板的图案设计、尺寸计算、材质选择与制作工艺；第13-18章围绕图像采集的实战技巧展开，包括光照控制、位姿规划、图像质量评估等；第19-24章进入算法层面，详细拆解张正友标定法、双目标定、立体校正的代码实现；第25-28章讨论精度验证、误差分析与系统优化；最后两章通过工业测量和机器人导航两个完整案例，串联全部知识点。
建议学员按照章节顺序学习，每章结束后完成对应的动手练习。特别是第6-12章的标定板设计部分，建议学员亲手制作一块标定板并完成全流程标定，这样能最直观地理解设计参数对结果的影响。
1.4 预备知识与学习建议
学习本课程需要具备以下预备知识：
- 线性代数基础：矩阵乘法、逆矩阵、特征值分解、奇异值分解（SVD）。标定算法中大量使用齐次坐标和矩阵运算，这是最核心的数学工具。
- 相机成像模型：针孔模型、透镜畸变模型（径向畸变和切向畸变）、内参矩阵 K 的物理含义。
- 坐标系变换：世界坐标系、相机坐标系、图像坐标系、像素坐标系之间的转换关系，刚体变换的旋转矩阵 R 和平移向量 T。
- 编程基础：Python 或 C++ 基础，了解 OpenCV 库的基本图像处理函数。
- 极线几何：对极约束、本质矩阵 E、基础矩阵 F 的基本概念（第3章会详细讲解）。
学习建议：不要急于求成。标定是一个理论与实践紧密结合的领域，建议采用“理论→仿真→实拍→复盘”的循环学习法。每学完一个理论知识点，立即用合成数据或公开数据集进行验证，再回到真实场景中测试。遇到标定结果不理想时，不要盲目调整参数，而是从成像原理出发分析可能的原因。
1.5 常见误区与学习心态
初学者在接触双目标定时，容易陷入几个误区。第一个误区是“重算法轻设计”，认为只要用OpenCV的标定函数就能得到好结果，忽视了标定板设计、图像采集质量对结果的巨大影响。实际上，当标定结果不佳时，80%的问题出在数据采集环节，而非算法本身。第二个误区是“追求一次成功”，标定是一个迭代过程，需要多次采集、求解、验证、优化的循环。第三个误区是“忽视精度评估”，只关注重投影误差这一个指标，而忽略了深度精度、极线误差等更贴近实际应用的评估维度。
风险提示：标定板的平面度误差、图案打印精度、环境光照变化、相机温度漂移等因素都会对标定结果产生显著影响。在精密测量场景中，这些因素造成的误差可能远超算法本身的误差。因此，标定工作必须从系统层面统筹考虑，而非仅仅关注算法环节。
本课程将始终围绕“工程可落地”这一核心原则，每个章节都会给出具体的操作步骤、参数建议和排障方法。建议学员准备一本实验记录本，记录每次标定的参数设置、图像数量、环境条件、结果指标，形成自己的标定经验数据库。随着课程的深入，你会逐渐建立起对标定误差的直觉判断力，这是成为优秀视觉工程师的关键能力。