4、标定基础：内参标定、外参标定、畸变模型与标定板设计
ToF（Time-of-Flight）相机的标定是连接原始测量数据与三维空间坐标的桥梁。与普通RGB相机不同，ToF相机不仅包含镜头带来的光学畸变，还包含因飞行时间测量原理引入的系统性深度误差（如温漂、多径干扰、像素级相位偏差）。若标定不完善，后续的点云配准、深度精度调优、多传感器融合都将失去可靠基础。本章围绕内参标定、外参标定、畸变模型与标定板设计四个核心模块展开，帮助工程师建立一套从原理到落地的完整标定方法论。
4.1 内参标定：从像素到光线的几何映射
4.1.1 核心原理
ToF相机的内参描述了三维空间点投影到二维像素平面的数学关系。标准针孔模型下，内参矩阵K包含焦距（fx, fy）、主点坐标（cx, cy）以及倾斜因子（通常忽略）。对于ToF相机，内参标定还需额外考虑深度维度的误差——即每个像素的深度测量值存在与距离相关的偏移（wobble error）和与温度相关的漂移。因此，ToF内参标定不仅是光学投影矩阵的求解，还包含深度误差模型的参数辨识。
4.1.2 标定方法与操作流程
- 数据采集：使用棋盘格或圆点标定板，在10~30个不同位姿下采集强度图（IR图）与深度图。位姿需覆盖视场边缘、不同倾斜角（<30°）和不同距离（最小距离至最大量程的80%）。
- 角点/圆心提取：在IR图上提取特征点像素坐标，利用深度图获取对应点的深度值。
- 初始估计：使用张正友法估计内参矩阵与畸变系数的初值。
- 非线性优化：联合优化重投影误差与深度误差，目标函数为：
E = Σ ||p_obs - p_proj(K, D, R, t, P)||² + λ·Σ ||d_obs - d_model(d_true, θ)||²其中第一项为传统重投影误差，第二项为深度误差项，λ为权重系数。
4.1.3 案例拆解：工业检测场景下的内参标定
某3C电子厂使用ToF相机进行手机中框平面度检测，要求深度精度±0.15mm@600mm。初始标定仅使用8个位姿，导致边缘像素深度误差达0.8mm。分析发现：标定板未覆盖视场边缘区域，且未考虑深度wobble误差。改进措施：①增加至20个位姿，其中6个位姿专门覆盖边缘视场；②引入深度误差查找表（LUT）校正；③在恒温环境（25°C±1°C）下标定，减少温漂影响。最终深度误差降至0.12mm，满足产线需求。
4.1.4 常见误区与复盘
- 误区1：直接使用RGB相机标定工具（如OpenCV）处理ToF数据，忽略深度误差项。
- 误区2：标定距离范围过窄，导致外推区域精度急剧下降。
- 误区3：忽略温度影响，在非恒温环境下标定，导致温漂误差被错误地拟合进内参。
4.2 外参标定：多传感器坐标系的统一
4.2.1 核心原理
外参标定确定ToF相机坐标系与其他传感器（如RGB相机、IMU、机械臂基座）之间的旋转矩阵R和平移向量t。在ToF+RGB融合系统中，外参标定的精度直接影响深度图与彩色图的像素级对齐质量。外参标定通常分为两类：手眼标定（相机固定在机械臂上）和多相机互标定（固定场景中多个相机）。
4.2.2 标定方法与操作流程
| 方法 | 适用场景 | 输入数据 | 精度水平 | 复杂度 |
|---|---|---|---|---|
| 靶标法 | 静态场景多相机 | 同一标定板的多视角观测 | 高（0.1°） | 中 |
| 手眼标定 | 机械臂+相机 | 机械臂位姿+标定板位姿 | 高（0.05°） | 高 |
| 自然特征法 | 室外/大场景 | 场景特征点匹配 | 中（0.3°） | 低 |
4.2.3 案例拆解：ToF+RGB融合的像素级对齐
某服务机器人项目需将ToF深度图（320×240）与RGB图（1920×1080）对齐，用于障碍物识别。初始外参标定使用8对对应点求解，对齐误差达5像素。深入分析发现：RGB相机畸变未校正，且ToF与RGB视场角差异大（ToF 70° vs RGB 90°）。解决路径：①先分别对两相机做内参标定；②使用12×9棋盘格，采集15个位姿；③采用联合优化方法，同时优化两相机内参和外参；④最终对齐误差降至1.2像素，满足导航避障需求。
4.2.4 常见误区与复盘
- 误区1：使用不同分辨率的图像直接匹配特征点，未考虑分辨率差异带来的尺度偏差。
- 误区2：忽略时间同步问题，ToF和RGB采集时刻不一致导致运动物体产生伪对应点。
- 误区3：标定板太小，在ToF低分辨率图像中特征点提取不稳定。
4.3 畸变模型：从镜头畸变到深度畸变
4.3.1 核心原理
ToF相机的畸变包含三个层次：镜头径向畸变（桶形/枕形）、切向畸变（镜头与传感器不平行）以及深度畸变（因飞行时间测量原理导致的周期性误差）。深度畸变通常表现为随距离呈正弦波动的误差，频率与调制频率相关。完整的畸变模型应同时包含光学畸变系数（k1, k2, p1, p2）和深度畸变参数（A, φ, B）。
4.3.2 畸变校正流程
- 光学畸变校正：使用标准棋盘格标定，估计k1, k2, p1, p2，生成校正查找表。
- 深度畸变测量：在精密位移台上放置平面靶标，从最小距离到最大距离以10mm步进采集深度数据。
- 深度畸变拟合：对每个像素的深度误差序列进行正弦拟合：
d_error(d) = A·sin(2π·d / D_period + φ) + B其中D_period为误差周期（通常等于调制波长的一半），A为振幅，φ为相位偏移，B为常数偏置。
4.3.3 案例拆解：消除周期性深度误差
某物流分拣线使用ToF相机测量包裹体积，发现测量值呈周期性偏差：在1.2m和1.8m处误差分别为+8mm和-6mm。通过深度畸变分析，确认误差周期约为0.6m，与调制频率240MHz对应（c/(2f)=0.625m）。实施校正：①对每个像素建立深度误差查找表（LUT），步长5mm；②在DSP中实现LUT插值校正；③校正后体积测量误差从±3%降至±0.8%。
4.3.4 常见误区与复盘
- 误区1：仅校正光学畸变，忽略深度畸变，导致深度精度无法提升。
- 误区2：使用全局深度畸变参数，未考虑像素位置差异（边缘像素的深度畸变通常更大）。
- 误区3：校正后未做交叉验证，在非标定距离上误差反而增大。
4.4 标定板设计：精度与鲁棒性的平衡
4.4.1 核心原理
标定板是标定精度的物理基础。对于ToF相机，标定板设计需同时考虑光学特性（对850nm/940nm红外光的反射率）、几何精度（图案位置公差）和尺寸适配（覆盖视场比例）。与RGB标定板不同，ToF标定板必须对红外光有高反射率，且图案边缘需清晰锐利，以便在IR图中准确提取特征点。
4.4.2 标定板设计参数对比
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 基板材料 | 陶瓷/铝基板+漫反射涂层 | 反射率>85%@850nm，漫反射避免镜面反射 |
| 图案类型 | 圆点阵列（7×9或9×11） | 圆心提取精度高于棋盘格角点 |
| 圆点直径 | 视场高度的1/20~1/30 | 确保在ToF低分辨率下仍有足够像素 |
| 图案间距 | 直径的2~3倍 | 避免相邻圆点干扰 |
| 平面度 | <0.05mm | 使用精密加工铝板或陶瓷板 |
| 背景色 | 哑光黑 | 与高反射圆点形成高对比度 |
4.4.3 案例拆解：低分辨率ToF的标定板优化
某智能安防项目使用ToF传感器分辨率仅160×120，标准棋盘格标定板在IR图中角点提取失败率高达40%。分析原因：棋盘格黑白格在低分辨率下边缘模糊，角点响应弱。解决方案：①改用圆点阵列，圆心提取对模糊不敏感；②增大圆点直径至视场高度的1/15；③在标定板四周增加高反射边框，辅助自动检测。优化后角点提取成功率提升至98%，标定重投影误差从0.8像素降至0.3像素。
4.4.4 常见误区与复盘
- 误区1：直接使用RGB打印标定板，普通油墨对红外光反射率低，IR图中图案不可见。
- 误区2：标定板尺寸过小，在ToF视场中占比不足30%，导致外参标定精度差。
- 误区3：忽略标定板的热膨胀，在温度变化大的环境中使用铝基板未做温度补偿。
标定是ToF算法开发的基石，内参、外参、畸变模型与标定板设计四者相互关联，任何一环的缺失都会导致系统精度天花板下降。建议工程师在项目启动初期就建立完整的标定流程与验证规范，将标定质量指标纳入产品验收标准，避免后期因标定问题反复返工。