4、相机标定原理：张正友标定法、标定板设计、标定流程与精度评估
相机标定是视觉引导定位系统中连接二维图像坐标与三维空间坐标的桥梁。在机器人抓取、AGV导航、尺寸测量等场景中，标定结果的精度直接决定了后续手眼矩阵与坐标转换的可靠性。本章围绕张正友标定法这一工业界最主流的平面标定方法，系统讲解其数学原理、标定板设计规范、完整标定操作流程以及精度评估方法，帮助学员建立从理论到落地的完整知识闭环。
4.1 张正友标定法的核心原理
张正友标定法（Zhang's Method）于2000年提出，是一种介于传统标定与自标定之间的平面标定方法。其核心思想是：使用一个平面标定板（棋盘格或圆点阵），在相机视场内拍摄多张不同位姿的图像，通过单应性矩阵（Homography）约束，线性求解相机内参初值，再通过最大似然估计进行非线性优化，最终获得相机内参、畸变系数以及每张图像对应的外参。
从数学模型上看，三维空间点 P = [X, Y, Z, 1]ᵀ 到图像像素点 p = [u, v, 1]ᵀ 的投影关系可表示为：
s·p = K·[R|t]·P
其中：
K = [fx 0 cx]
[ 0 fy cy]
[ 0 0 1]
R 为旋转矩阵，t 为平移向量，s 为尺度因子当标定板位于Z=0平面时，单应性矩阵H = K·[r₁ r₂ t]，其中r₁、r₂为旋转矩阵的前两列。通过多张图像的单应性矩阵，可以建立关于内参的线性约束方程组，进而求解出fx、fy、cx、cy以及畸变系数k₁、k₂的初值。随后，利用Levenberg-Marquardt算法对所有参数进行全局优化，最小化重投影误差。
4.2 标定板设计规范
标定板是标定精度的物理基础。一个设计不良的标定板，即使算法再优秀，也无法获得高精度结果。标定板设计需要从图案类型、尺寸规格、材质工艺三个维度综合考虑。
| 设计维度 | 推荐方案 | 关键参数 | 注意事项 |
|---|---|---|---|
| 图案类型 | 棋盘格（黑白交替） | 7×9 或 8×11 内角点 | 角点检测精度高，受光照影响小 |
| 图案类型 | 圆点阵（非对称） | 圆心距 ≥ 4倍圆直径 | 适合大视场，圆心提取抗噪强 |
| 格距精度 | 激光雕刻/光刻工艺 | 格距公差 ±0.01mm | 打印纸精度不足，仅适合验证 |
| 基板材质 | 陶瓷基板 / 铝基板 | 平面度 < 0.05mm | 避免热膨胀系数过大的材料 |
| 表面处理 | 哑光涂层 | 反射率 < 30% | 防止反光导致角点偏移 |
在实际工程中，标定板的尺寸选择需要根据相机视场角和工作距离计算。一般原则是：标定板在图像中占据视场面积的 1/3 到 2/3，且每个方格在图像中至少覆盖 20×20 像素，以保证角点检测的亚像素精度。对于远心镜头或大视场相机，可能需要定制大尺寸标定板，此时应优先考虑圆点阵图案，因为圆心拟合对透视畸变的鲁棒性优于棋盘格角点。
4.3 标定流程与操作规范
一个完整的张正友标定流程包含以下六个步骤，每个步骤都有明确的输入输出和质量控制点：
- 环境准备：固定相机，确保镜头光圈、焦距锁定，避免标定过程中任何光学参数变化。光照均匀，避免强光直射或反光。
- 图像采集：手持或使用支架移动标定板，采集15~20张图像。位姿要求：覆盖视场中心与边缘、倾斜角度变化（俯仰/偏航/滚转）、距离远近变化。
- 角点提取：使用OpenCV的
findChessboardCorners或findCirclesGrid函数提取特征点，并通过cornerSubPix进行亚像素细化。 - 内参求解：基于单应性矩阵闭式解，获得内参初值。
- 非线性优化：使用
calibrateCamera函数，采用LM算法最小化重投影误差，同时估计畸变系数。 - 结果验证：计算平均重投影误差，检查内参合理性，必要时重新采集图像。
# OpenCV 标定核心代码示例
import cv2
import numpy as np
# 棋盘格内角点尺寸
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)
objp *= square_size # square_size为实际格距(mm)
obj_points = [] # 世界坐标
img_points = [] # 图像坐标
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)
# 重投影误差评估
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"平均重投影误差: {total_error/len(obj_points):.4f} pixel")4.4 精度评估方法与实战案例
标定精度评估不能只看重投影误差一个指标。重投影误差反映的是“图像坐标拟合优度”，但实际定位精度还受到标定板平面度、镜头畸变模型适配度、以及标定板物理尺寸误差的影响。因此，需要建立多维度的精度评估体系。
| 评估维度 | 评估方法 | 合格标准 | 失败原因排查 |
|---|---|---|---|
| 重投影误差 | 所有角点反投影到图像的平均像素偏差 | < 0.1 pixel（工业级） | 角点提取不准、畸变模型不匹配 |
| 内参稳定性 | 多次标定内参标准差 | fx/fy 波动 < 0.5% | 图像数量不足、位姿覆盖不全 |
| 反投影验证 | 用标定结果测量已知尺寸物体 | 尺寸误差 < 0.1mm（视场100mm内） | 标定板格距误差、镜头畸变残留 |
| 重复性验证 | 同一标定板不同位置重复标定 | 主点偏移 < 5 pixel | 光照变化、标定板变形 |
实战案例：某3C电子厂精密贴合项目，使用500万像素工业相机（2448×2048），视场范围80mm×60mm，要求定位精度±0.05mm。初次标定后重投影误差为0.08 pixel，但实际测量发现尺寸误差达到0.15mm，超出规格。
排查过程：首先检查标定板，发现使用的是普通打印纸粘贴在玻璃板上，格距误差约±0.05mm，且纸张轻微起皱导致平面度超标。其次检查图像采集，发现部分图像中标定板边缘反光严重，角点提取出现系统性偏移。最后检查镜头，发现光圈未锁定，标定过程中光圈微动导致焦距漂移。
解决方案：更换为陶瓷基板光刻标定板（格距精度±0.005mm，平面度0.02mm），在标定板表面增加哑光涂层消除反光，使用镜头锁紧环固定光圈。重新标定后，重投影误差降至0.04 pixel，实际尺寸测量误差稳定在±0.03mm以内，满足产线需求。
4.5 标定过程中的常见误区与复盘
根据大量现场实施经验，以下问题出现频率最高，需要特别警惕：
- 图像数量不足：少于10张图像时，内参求解的数值稳定性差，尤其是畸变系数容易过拟合。建议至少15张，且位姿差异明显。
- 标定板占据画面过小：如果标定板在图像中占比小于1/4，角点提取的亚像素精度会显著下降，导致内参偏差。
- 忽略畸变模型选择：对于广角镜头或鱼眼镜头，标准针孔模型+径向畸变（k1,k2）可能不够，需要扩展为k1,k2,k3,p1,p2或使用鱼眼模型。
- 标定后改变相机参数：任何焦距、光圈、工作距离的变化都会使标定结果失效。在视觉引导系统中，标定结果应与相机参数绑定存储。
- 忽略温度影响：在温差较大的环境中，镜头热胀冷缩会导致焦距漂移。高精度场景建议在恒温环境下标定，或定期重新标定。
复盘建议：每次标定完成后，保存标定图像、角点检测结果、重投影误差分布图，建立标定档案。当系统出现精度异常时，可以通过对比历史标定数据快速定位是硬件变化还是环境变化导致的问题。在视觉引导定位系统中，建议每季度或每次设备维护后进行标定验证，确保系统长期稳定运行。