4. 相机内参标定：张正友标定法原理、棋盘格角点检测、单应性矩阵求解、内参优化

相机内参标定，说白了就是搞清楚镜头和传感器之间的那点「小秘密」。

你想想看，一个三维世界里的点，怎么投影到二维图像上的？中间经历了哪些扭曲和缩放？这些参数，就是内参。我做了这么多年标定，见过太多因为内参不准导致车道线识别偏移的案例。嗯，今天我们就来聊聊最经典的张正友标定法。

4.1 张正友标定法原理

张正友法为什么经典？因为它只需要你打印一张棋盘格，拍几张不同角度的照片就行。不需要昂贵的三维标定块，也不需要精密的机械装置。

它的核心思想其实很简单：

我们知道棋盘格上每个角点的物理坐标（假设Z=0）
我们也知道这些角点在图像上的像素坐标
通过这两组对应关系，反推出相机的内参和外参

我个人习惯把张正友法理解成「两步走」：先线性求解一个初始值，再用非线性优化去微调。为什么需要两步？因为直接做非线性优化容易掉进局部最优，有个好初值就稳多了。

核心公式：

s * m = A * [R | t] * M

其中：

m 是图像坐标
M 是世界坐标
A 是内参矩阵
[R | t] 是外参矩阵
s 是尺度因子

4.2 棋盘格角点检测

这一步是标定的基础。角点检测不准，后面算什么都白搭。

我记得有一次在项目现场，光线条件很差，棋盘格反光严重，角点检测总是跳点。后来我加了一个自适应阈值预处理，才把问题解决。

常用的检测方法：

Harris角点检测：计算每个像素的梯度变化，找到响应值最大的点
亚像素精化：在整数像素位置附近做插值，把精度推到亚像素级别
棋盘格模式识别：利用棋盘格的黑白交替规律，排除误检

OpenCV里直接用 cv2.findChessboardCorners() 就能搞定。但我要提醒你，这个函数对图像质量很敏感。我建议你拍照时注意三点：

棋盘格要占画面1/4以上
光照均匀，不要有强反光
角度变化要丰富，别老拍正面

我的小技巧：

拍20张左右就够了。太多反而增加计算量，太少则参数不稳定。我一般拍15-25张，覆盖画面的各个角落。

4.3 单应性矩阵求解

单应性矩阵，说白了就是描述两个平面之间映射关系的矩阵。在张正友法里，它连接了棋盘格平面和图像平面。

为什么需要它？因为我们可以通过单应性矩阵，把外参消掉，直接得到内参的约束方程。

求解过程：

每张棋盘格照片，都能计算出一个单应性矩阵 H
H 是 3x3 的矩阵，有8个自由度
通过至少4对匹配点，用DLT算法求解

你可能会问：为什么是4对？因为每对点提供两个方程，4对就是8个方程，刚好解8个未知数。当然，实际中我们会用更多点，用最小二乘法来降低噪声影响。

注意：

单应性矩阵求解时，一定要对数据进行归一化处理。我见过有人直接拿原始坐标去算，结果矩阵条件数很大，解出来的参数一塌糊涂。归一化后，数值稳定性会好很多。

4.4 内参优化

线性求解得到的内参，精度还不够。为什么？因为它没有考虑镜头畸变。

镜头畸变主要有两种：

径向畸变：图像边缘的直线会变弯，像鱼眼效果
切向畸变：镜头和传感器不平行导致的变形

优化的目标函数是重投影误差——就是把三维点投影到图像上，算算和实际检测到的角点差了多少像素。这个误差越小，标定结果越好。

我常用的优化方法：

Levenberg-Marquardt算法：收敛快，适合这种小规模优化问题
先优化内参，再优化畸变参数：分开优化比一起优化更稳定
用多张图片联合优化：单张图片的信息量不够，多张才能把参数约束住

优化后的输出：

参数	含义	典型值（1280x720分辨率）
fx, fy	焦距（像素单位）	~800-1200
cx, cy	主点坐标	~640, 360
k1, k2, k3	径向畸变系数	~0.1 ~ -0.5
p1, p2	切向畸变系数	~0.001

优化完成后，我习惯做一件事：把标定结果应用到实际图像上，看看校正后的车道线是不是直的。如果直线变直了，说明标定没问题。如果还有弯曲，那就得回头检查角点检测或者优化过程了。

避坑指南：

我曾经遇到过一个问题：标定结果在实验室里完美，但上车后就跑偏。后来发现是温度变化导致镜头参数漂移了。所以，量产级的标定一定要考虑温度补偿，或者选用温漂小的镜头。

知识体系总览

好了，以上就是相机内参标定的核心内容。从原理到角点检测，从单应性矩阵到内参优化，每一步都有它的道理。做标定这件事，急不得，也马虎不得。参数差一点点，车道线识别就可能偏出去几十厘米。