4. 相机标定原理
相机标定是连接二维图像像素坐标与三维空间物理坐标的桥梁，也是视觉引导机械臂抓取任务中精度保障的第一道关口。在机械臂抓取场景中，相机需要准确回答“目标物体在相机坐标系下的位姿是什么”，而标定的本质就是求解相机内参（焦距、主点、畸变系数）和外参（相机相对于标定板或机械臂基座的旋转和平移）。如果标定精度不足，后续的目标定位、手眼标定和抓取姿态计算都会产生系统性偏差。本章围绕标定板设计、张正友标定法原理、完整标定流程、重投影误差评估以及主流标定工具展开，帮助读者建立从理论到实操的完整认知。
上图展示了相机标定的完整知识框架：从标定板设计出发，经过张正友标定法的数学求解，形成标准标定流程，最终通过重投影误差评估和工具落地。下面逐一展开每个环节的核心要点。
4.1 标定板设计：精度从源头抓起
标定板是相机标定的基准参照物，其制造精度直接决定了标定结果的上限。在机械臂抓取场景中，标定板通常采用棋盘格或圆点阵列两种形式。棋盘格以角点作为特征点，角点检测算法成熟且鲁棒性好；圆点阵列则以圆心作为特征点，对透视畸变的抵抗能力更强，适合大倾角拍摄。选择时需根据实际应用场景：如果相机与标定板的夹角变化较大，圆点阵更优；如果追求检测速度和通用性，棋盘格是首选。
标定板设计的关键参数包括：方格尺寸（或圆点间距）、阵列数量、平面度和表面材质。方格尺寸应保证在图像中占据足够像素（建议每个方格边长在图像中不小于20像素），否则角点定位精度会下降。阵列数量一般选择7×9或9×11的棋盘格（内角点数为6×8或8×10），既保证特征点数量充足，又避免标定板过大导致边缘畸变影响。平面度要求标定板在制造和固定时保持平整，翘曲会导致特征点位置偏差。表面材质应选择漫反射良好的哑光材料，避免反光造成角点检测失败。
4.2 张正友标定法：从单应性矩阵到内外参求解
张正友标定法（Zhang's Method）是目前最广泛使用的相机标定算法，其核心思想是利用一个平面棋盘格在不同姿态下的多张图像，通过单应性矩阵（Homography）约束逐步求解相机内参、外参和畸变系数。相比传统标定方法需要三维标定块，张正友法只需平面标定板，操作简便且精度高。
算法的数学流程可以概括为以下步骤：
- 特征点提取：对每张标定板图像提取角点坐标（像素坐标系）。
- 计算单应性矩阵：对于每张图像，建立标定板平面（世界坐标系Z=0）与图像平面之间的单应性矩阵H，H = K[r1 r2 t]，其中K为内参矩阵，r1、r2为旋转矩阵的前两列，t为平移向量。
- 构建约束方程：利用旋转矩阵的正交性（r1^T r2 = 0，||r1|| = ||r2||），从单应性矩阵中提取关于内参的线性约束。
- 线性求解内参：通过多张图像的单应性矩阵联立方程，线性求解内参矩阵K。
- 求解外参：在已知K的条件下，每张图像的外参（旋转和平移）可以直接从H中分解得到。
- 畸变系数估计：考虑径向畸变（k1、k2）和切向畸变（p1、p2），建立畸变模型并线性估计初始值。
- 非线性优化：以重投影误差最小化为目标，使用Levenberg-Marquardt算法对所有参数（内参、外参、畸变系数）进行全局优化。
张正友法的优势在于：只需要平面标定板，采集过程灵活；算法成熟稳定，OpenCV等工具内置实现；精度足以满足绝大多数工业视觉需求。但需要注意，标定板图像必须覆盖视野的各个区域，并且姿态变化要足够丰富，否则会出现退化情况（如所有图像都平行于相机平面），导致内参求解不稳定。
4.3 标定流程：从图像采集到参数输出的完整步骤
一个标准的相机标定流程包含以下环节，每个环节都有具体的操作要求和注意事项：
| 步骤 | 操作内容 | 关键要求 | 常见问题 |
|---|---|---|---|
| 1. 准备标定板 | 选择合适规格的标定板，清洁表面 | 方格尺寸精确，平面度好 | 标定板弯曲、污渍 |
| 2. 固定相机 | 将相机安装到机械臂或固定支架上，调整焦距和光圈 | 光圈适中，景深覆盖工作距离 | 图像过曝或过暗 |
| 3. 采集图像 | 移动标定板或相机，采集15~20张不同姿态的图像 | 覆盖视野中心和边缘，姿态角度变化≥15° | 图像模糊、反光 |
| 4. 角点提取 | 使用工具自动检测角点，检查提取质量 | 角点亚像素精度 | 角点漏检、误检 |
| 5. 参数求解 | 运行标定算法，计算内参、外参、畸变系数 | 算法收敛，迭代正常 | 初始值不当导致不收敛 |
| 6. 重投影评估 | 计算所有角点的重投影误差，检查RMS值 | RMS < 0.1 pixel（工业级） | 误差过大需排查原因 |
| 7. 保存参数 | 导出相机内参矩阵、畸变系数、图像分辨率 | 格式与后续程序兼容 | 参数单位错误 |
在实际操作中，图像采集是最容易出问题的环节。建议在采集过程中实时显示角点检测结果，确保每张图像都被正确识别。同时，标定板的姿态应避免所有图像都处于同一平面或同一角度，否则会造成参数求解的病态问题。
4.4 重投影误差评估：量化标定质量的黄金指标
重投影误差（Reprojection Error）是评估标定结果最核心的量化指标。其定义是：将标定板上的三维特征点（已知物理坐标）通过标定得到的内参和外参投影到图像平面，计算投影点与实际检测到的像素点之间的欧氏距离。对所有特征点取均方根（RMS）即为重投影误差。
重投影误差的计算公式为：
RMS = sqrt( (1/N) * Σ || p_i - p_hat_i ||^2 )其中，p_i为实际检测到的角点像素坐标，p_hat_i为通过标定参数投影得到的像素坐标，N为所有图像中特征点的总数。RMS值越小，说明标定参数越准确。工业视觉中，RMS小于0.1像素为优秀，小于0.3像素为合格，超过0.5像素则需要重新标定。
当重投影误差偏大时，应从以下方面排查：
- 标定板质量问题：方格尺寸不准确、平面度差、表面反光。
- 图像质量：对焦不准、运动模糊、光照不均。
- 角点提取精度：角点检测算法参数设置不当，未使用亚像素细化。
- 标定板姿态覆盖不足：图像过于集中，缺乏边缘和倾斜姿态。
- 相机畸变模型不匹配：对于广角镜头或鱼眼镜头，需要更高阶的畸变模型。
4.5 标定工具使用：OpenCV、MATLAB与Halcon实战对比
目前主流的相机标定工具包括OpenCV的calibrateCamera函数、MATLAB的Camera Calibrator App以及Halcon的caltab系列算子。三者在算法原理上均基于张正友法，但在使用便捷性、可视化能力和工业集成度上有所差异。
OpenCV是开源视觉库中最常用的标定工具，适合嵌入式系统和自定义流程开发。使用cv2.findChessboardCorners检测角点，cv2.calibrateCamera求解参数，cv2.projectPoints计算重投影误差。OpenCV的优势是灵活可控，可以方便地集成到机械臂视觉系统中；劣势是需要自己编写图像采集和评估代码。
MATLAB Camera Calibrator提供了图形化界面，支持拖拽导入图像、自动检测角点、实时显示重投影误差分布图。适合算法验证和教学场景，操作简单直观。但MATLAB的授权成本较高，且生成的代码需要转换为C++或Python才能在工业现场部署。
Halcon是工业机器视觉领域的专业工具，其标定算子（如find_caltab、camera_calibration）针对工业场景优化，支持多种标定板类型，并且可以直接输出相机内参用于后续的测量和定位算子。Halcon的标定精度和鲁棒性在工业界认可度很高，但软件授权费用较高。
以下是一个使用OpenCV进行标定的核心代码片段：
import cv2
import numpy as np
# 棋盘格内角点数
pattern_size = (8, 6)
# 方格边长（毫米）
square_size = 30.0
# 准备世界坐标点
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
obj_points = [] # 世界坐标
img_points = [] # 像素坐标
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:
# 亚像素细化
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)
obj_points.append(objp)
img_points.append(corners2)
# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
obj_points, img_points, gray.shape[::-1], None, None)
# 计算重投影误差
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("平均重投影误差: ", total_error / len(obj_points))4.6 实战案例：机械臂抓取场景下的相机标定全流程
某3C电子装配线需要利用视觉引导机械臂抓取流水线上的手机中框，相机安装在机械臂末端上方约500mm处，视野范围为400mm×300mm，要求抓取定位精度±0.5mm。现场使用500万像素工业相机（2448×2048），搭配8mm定焦镜头。
初始现象：首次标定后，机械臂抓取测试中，目标中心点偏差达到3~5mm，且在不同视野位置偏差不一致，边缘区域偏差明显大于中心区域。
分析过程：首先检查重投影误差，RMS为0.35像素，看似合格但偏大。进一步检查每张图像的误差分布，发现边缘区域的图像误差达到0.6像素以上。排查原因发现：标定板图像采集时，标定板始终位于视野中心附近，缺乏边缘和倾斜姿态的覆盖；同时标定板为纸质打印，粘贴在铝板上时存在轻微翘曲。
实际操作步骤：
- 更换为陶瓷基底的工业标定板（方格尺寸30mm，精度±0.01mm），确保平面度。
- 重新采集20张图像，覆盖视野的九个区域（中心、四角、四边中点），每张图像标定板倾角变化10°~30°。
- 使用OpenCV重新标定，RMS降至0.08像素，边缘误差控制在0.12像素以内。
- 在标定完成后，使用标定板在视野不同位置进行验证，计算投影误差均小于0.15像素。
结果对比：重新标定后，机械臂抓取定位精度提升至±0.3mm，满足产线要求。同时，由于标定参数更准确，后续手眼标定的收敛速度也明显加快。
复盘经验：标定板姿态覆盖是影响标定精度的首要因素，必须确保标定板在视野内充分“运动”；标定板材质选择不可忽视，工业场景应优先选用刚性标定板；重投影误差评估不能只看平均值，要关注误差的空间分布。