1. 视觉标定概述

大家好，我是你们这门课的老朋友。咱们今天开篇，先聊聊视觉标定到底是个啥玩意儿。

说实话，我入行那会儿，带我的师傅第一句话就是：“小子，搞机器视觉，标定是基本功。这关过不了，后面全是扯淡。” 我当时还不服气，觉得不就是拍个棋盘格算几个参数嘛。后来真上了产线，吃了亏，才明白这话的分量。

1.1 什么是视觉标定？

说白了，视觉标定就是给相机“配眼镜”和“量尺子”。

你想啊，相机镜头天生就有畸变——广角镜头拍出来的直线是弯的，这叫光学畸变。另外，相机拍的是二维像素，咱们要的是三维世界的物理坐标。怎么把像素坐标换算成毫米、米？这就需要标定。

我习惯把标定分成两大类：

• 内参标定：搞定相机自己的“内伤”——焦距、主点、畸变系数。这相当于给相机做体检。
• 外参标定：搞定相机在空间中的“站位”——旋转和平移。这相当于给相机定坐标。

嗯，这里要注意，有时候咱们还要标定相机和机器人手眼之间的关系，那就是手眼标定了，咱们后面章节会细讲。

1.2 为什么需要标定？

这个问题，我当年也问过。答案其实很简单：不标定，你测不准。

举个例子。我在做3C电子装配项目时，有个工位需要视觉引导机器人抓取手机中框。没标定前，相机告诉我的位置和机器人实际抓取的位置，差了将近2毫米。你想想，手机中框的装配公差才0.1毫米，2毫米的误差，零件直接报废。

为什么会这样？因为相机看到的“位置”是像素，机器人运动需要“毫米”。中间差了一个坐标系转换矩阵。没有标定，这个矩阵就是瞎猜的。

我总结了一下，标定的必要性体现在三个方面：

维度	不标定的后果	标定后的效果
精度	像素坐标无法准确映射到物理坐标，测量误差大	亚像素级精度，误差可控在0.01mm以内
畸变	图像边缘弯曲，直线检测、尺寸测量全部失真	图像校正后，直线笔直，测量真实
一致性	换一个相机或镜头，所有参数都要重调	标定参数可复用，系统标准化

1.3 标定的核心目标

标定的目标，其实就三个词：准、稳、快。

• 准（Accuracy）：标定出的参数要能真实反映相机和世界的几何关系。重投影误差越小越好。
• 稳（Robustness）：换一个场景、换一个光照，标定结果依然可靠。不能今天标定一个值，明天又变一个值。
• 快（Efficiency）：标定过程要简单、自动化。产线上不可能给你半小时去摆棋盘格。

我个人习惯把这三个目标画成一个三角，缺一不可。你想想看，如果标定结果很准，但每次标定都要折腾半天，产线根本用不起。反过来，如果标定很快，但精度一塌糊涂，那还不如不标。

1.4 评价指标

怎么判断标定得好不好？不能光靠感觉。咱们得看硬指标。

最常用的评价指标是重投影误差（Reprojection Error）。什么意思呢？就是把标定板上的已知三维点，通过标定得到的参数，重新投影到图像上，算一下投影点和实际图像点之间的距离。这个距离越小，说明标定越准。

一般来说，重投影误差控制在0.1像素以内，就算不错了。如果超过0.5像素，我建议你重新标定一次。

除了重投影误差，还有几个指标也值得关注：

指标	说明	经验阈值
重投影误差	三维点投影到图像后的像素偏差	< 0.1 pixel
焦距稳定性	多次标定后焦距的波动范围	< 1%
畸变系数一致性	不同角度标定得到的畸变参数是否接近	径向畸变k1波动 < 0.01
标定板覆盖率	标定板在图像中占据的面积比例	> 20%

1.5 标定的知识体系

为了让大家对整个标定流程有个全局观，我画了一张图。这张图涵盖了从相机模型到最终验证的完整链路。

这张图把咱们这门课的核心脉络串起来了。从相机模型出发，到内参、外参、手眼标定，再到标定板设计、算法选择、工具使用，最后用评价指标和仿真验证来闭环。嗯，后面的章节，咱们会一个一个拆开来讲。

好了，第一章就到这里。记住一句话：标定是视觉系统的基石，地基不牢，地动山摇。