1. 课程导论
1.1 相机标定——给机器一双“懂数学”的眼睛
大家好，我是你们这门课的主讲。在工业视觉领域摸爬滚打了十几年，我见过太多“眼睛挺好使，脑子不好使”的相机系统。
什么叫“脑子不好使”？就是你拍出来的图像，像素坐标和真实世界的物理坐标对不上号。说白了，相机标定就是干这个的——建立从三维世界到二维图像的一一映射关系。
我个人习惯把标定理解为三个步骤：
- 第一步：确定相机内部参数——焦距、主点、畸变系数。这些是相机出厂就有的“基因”，但每台都不一样。
- 第二步：确定相机外部参数——旋转矩阵和平移向量。相机装在机械臂上还是固定在三脚架上？位置变了，参数就得重新算。
- 第三步：求解映射矩阵——把前两步合起来，得到一个3×4的投影矩阵。有了它，图像上的每个像素都能找到它在世界坐标系里的“老家”。
核心公式（针孔模型）：
s * [u, v, 1]^T = K * [R | t] * [X, Y, Z, 1]^T其中：
(u, v) —— 图像像素坐标
(X, Y, Z) —— 世界坐标
K —— 内参矩阵（3×3）
[R | t] —— 外参矩阵（3×4）
s —— 尺度因子
嗯，这里要注意：这个公式是理想针孔模型。实际镜头有畸变，所以后面还要加畸变校正这一步。
1.2 为什么非做畸变校正不可？
你想想看，工业镜头为了大视场、小体积，普遍用了广角设计。广角镜头天生就有畸变——直线拍出来是弯的。
我记得有一次在3C电子厂做项目，客户用500万像素相机检测手机中框的直线度。结果怎么测都不合格，后来一查，是镜头畸变把直线拍成了弧线。校正之后，良率直接从82%跳到了97%。
畸变主要分两类：
| 畸变类型 | 表现 | 产生原因 | 校正难度 |
|---|---|---|---|
| 径向畸变 | 画面边缘向内凹（桶形）或向外凸（枕形） | 镜头曲面折射不均匀 | 中等（3阶多项式即可） |
| 切向畸变 | 画面像被“拧”了一下 | 镜头与传感器不平行（装配误差） | 较高（需同时标定6个系数） |
避坑指南：我曾经在一个项目中只做了径向畸变校正，忽略了切向畸变。结果在视场边缘的测量误差仍然有0.3mm。后来加上切向校正，误差降到0.05mm以内。所以，工业级应用必须同时校正两种畸变。
1.3 工业场景中的典型应用
畸变校正不是学术游戏，它直接决定工业视觉系统的成败。我挑三个最常见的场景说说：
场景一：高精度测量
比如PCB板上的焊盘位置检测。一个焊盘直径0.3mm，如果畸变不校正，边缘误差可能达到0.1mm——直接导致误判。校正后，重复精度能稳定在0.02mm以内。
场景二：机器人引导
机械臂抓取工件时，相机告诉它“目标在像素坐标(500, 300)”。如果不做畸变校正，这个坐标映射到世界坐标时会有偏差。我见过一个案例，偏差导致机械臂抓空，直接撞坏了夹具。
场景三：3D重建与视觉定位
双目立体视觉、结构光扫描——这些技术都依赖精确的相机模型。畸变不校，重建出来的三维点云就像哈哈镜里的脸，完全没法用。
我的经验：在部署任何视觉系统之前，先问自己三个问题：
- 测量精度要求是多少？如果大于0.5mm，可能不需要标定；如果小于0.1mm，必须标定。
- 镜头视场角多大？超过60°，畸变校正就是必选项。
- 相机安装位置会变吗？会变的话，每次安装后都要重新标定外参。
1.4 本章知识体系总览
下面这张图，是我自己画的知识结构。你把它存下来，后面每学一章都可以回来对照着看。
1.5 你需要准备什么？
这门课不是纯理论。我会带着你一步步写代码、跑实验。你需要准备：
- 硬件：一台工业相机（USB或GigE接口都行），一张棋盘格标定板（A4纸打印的也能用，但精度差一些）
- 软件：Python 3.8+，OpenCV 4.5+，NumPy，Matplotlib
- 心态：别怕数学。我会把矩阵运算拆成你能理解的样子。你只要会加减乘除，就能跟上。
一个小建议：如果你手头没有工业相机，用手机摄像头也行。但要注意——手机镜头畸变很大，正好拿来练手。我最早学标定的时候，就是用一部iPhone 6拍的标定板照片。效果出乎意料地好。
好了，第一章就到这里。记住一句话：没有标定的相机，就像没有刻度的尺子。后面我们会一步步把这把尺子做出来。