📚 课程目录第2章误差来源分析

2. 误差来源分析：镜头畸变、特征点检测噪声、标定板平面度

做标定这么多年，我最大的感受就是：重投影误差不是算出来的，是“攒”出来的。你想想看，一个像素的偏差，背后可能是镜头畸变没建模好，也可能是角点检测偏了半个像素，甚至可能是标定板本身就不平。这一章，咱们就把这三个“罪魁祸首”一个一个拎出来分析。

镜头畸变是物理世界的硬伤。说白了，就是光线穿过透镜时，不走直线了。我刚开始做标定时，总觉得畸变模型越复杂越好，后来发现——模型选不对，误差反而更大。

畸变类型	产生原因	数学模型	典型表现
径向畸变	透镜曲面制造误差	k₁, k₂, k₃ 多项式	图像边缘“桶形”或“枕形”
切向畸变	透镜与传感器不平行	p₁, p₂ 参数	图像“梯形”拉伸

我个人习惯，先只标 k₁ 和 k₂。为什么？因为 k₃ 对边缘像素影响很大，但如果你标定板没拍满整个视场，k₃ 就是瞎猜。我在一个车载项目里吃过这个亏——用了 5 参数畸变模型，结果远角点误差反而比 3 参数还大。

我的经验： 普通工业镜头，3 参数（k₁, k₂, p₁）就够了。鱼眼镜头才需要 k₃ 甚至更多。别为了炫技加参数，误差会反噬你。

畸变误差在图像中心几乎为零，越往边缘越大。我习惯用下面这张图来理解：

避坑指南： 我曾经在一个项目中，只拍了标定板在画面中央的图片，结果畸变参数几乎为零。后来补拍了边缘图片，重投影误差从 0.3 像素降到了 0.08 像素。记住：没有边缘图像，就没有畸变参数。

特征点检测，说白了就是找棋盘格角点或者圆点中心。但像素是离散的，亚像素精度再高，也有极限。我见过很多新手，把 OpenCV 的 findChessboardCorners 当成“真理”，其实它返回的坐标本身就有噪声。

特征点噪声是随机误差，不像畸变那样有规律。它的影响可以用一个简单公式理解：

重投影误差 ≈ 特征点检测噪声 × 相机位姿敏感度

什么意思？就是如果你的相机离标定板很远，或者角度很刁钻，同样的 0.1 像素检测噪声，会被放大成 0.5 像素的重投影误差。我习惯用多帧平均来降低这个影响。

  实用技巧： 对同一个标定板位姿，连续拍 5~10 张图，取角点坐标的平均值。这样能把随机噪声降低 √n 倍。我在一个高精度测量项目里，用这个方法把重投影误差从 0.15 像素降到了 0.06 像素。

嗯，这里要注意。标定板不平，是所有误差里最隐蔽、最难排查的。你想想看，如果标定板本身有 0.1mm 的弯曲，在 100mm 的视场里，它造成的角度误差可能只有 0.05°，但反映在重投影误差上，可能就是 0.3 像素。

假设标定板实际是一个曲面，我们用平面模型去拟合它。那么每个角点都会有一个Z 方向偏差 ΔZ。这个偏差通过投影矩阵映射到图像上：

Δu = f_x * ΔZ / Z² * (u - u₀)
Δv = f_y * ΔZ / Z² * (v - v₀)

其中 f_x, f_y 是焦距，Z 是相机到标定板的距离。你看，焦距越大、距离越近，平面度误差的影响越大。

标定板类型	典型平面度	适用场景	我的建议
陶瓷棋盘格	±0.01mm	高精度实验室	首选，但贵
玻璃棋盘格	±0.03mm	中等精度	性价比高
亚克力/塑料板	±0.1~0.3mm	快速验证	慎用，容易变形
打印纸贴玻璃	取决于玻璃	临时方案	纸会皱，不推荐

我曾经踩过的坑： 用亚克力板做标定，放在 60°C 的车间里，板子热变形了。标定结果看起来很好（重投影误差 0.12 像素），但实际测量误差达到 0.5mm。后来换了陶瓷板，问题才解决。记住：标定板平面度要优于你期望精度的 10 倍。

这三种误差不是独立工作的。它们会叠加、放大、甚至互相掩盖。我画了一张图来展示它们的关系：

你看，这三个误差源最终都汇聚到重投影误差上。但最麻烦的是——它们会互相掩盖。比如，畸变误差和平面度误差方向相反时，重投影误差反而变小了。你以为标定结果很好，其实两个误差都没消除。

我的诊断方法： 把重投影误差按图像位置画成热力图。如果误差分布有规律（比如中心小边缘大），说明畸变没标好；如果误差随机分布，说明特征点噪声大；如果误差集中在某个区域，可能是标定板不平。