第三章 张正友标定法：棋盘格检测、单应性矩阵与标定流程

张正友标定法，说白了就是用一个棋盘格照片，把相机的内参和外参算出来。这个方法在工业视觉里用得特别多，因为它操作简单，精度也够用。我最早接触这个方法是做手机摄像头标定的时候，那时候还不太理解背后的原理，后来做3D抓取项目，才发现这步要是没做好，后面全白搭。

3.1 棋盘格检测——标定的第一步

棋盘格检测是整个标定流程的入口。你想想看，如果连角点都找不准，后面算出来的参数能靠谱吗？

棋盘格检测的核心任务就是找到黑白格子相交的那些角点。OpenCV里提供了cv::findChessboardCorners这个函数，用起来很方便，但实际项目中坑不少。

我记得有一次在产线上做标定，光线条件很差，棋盘格反光严重，findChessboardCorners死活检测不出来。后来我加了一步自适应阈值处理，问题就解决了。嗯，这里要注意，棋盘格一定要是非对称的——比如9×6，而不是8×8，否则方向会搞混。

3.2 单应性矩阵——从平面到平面的映射

单应性矩阵（Homography）是张正友标定法的数学核心。它描述的是两个平面之间的透视变换关系。在标定场景里，就是棋盘格平面和相机成像平面之间的映射。

数学上，单应性矩阵是一个3×3的矩阵，有8个自由度。为什么是8个？因为尺度归一化后，最后一个元素固定为1。我刚开始学的时候老搞混这个，后来自己推导了一遍才明白。

// 单应性矩阵的数学形式
// s * [u, v, 1]^T = H * [X, Y, 1]^T
// 其中 H = [h11, h12, h13; h21, h22, h23; h31, h32, 1]

// OpenCV中计算单应性矩阵
cv::Mat H = cv::findHomography(objectPoints, imagePoints, cv::RANSAC);

单应性矩阵的求解至少需要4对匹配点。但实际项目中，我建议用棋盘格上所有的角点来算，然后用RANSAC剔除异常点。这样做出来的H矩阵更稳定。

参数	含义	自由度
h11, h12	旋转与缩放（x方向）	2
h21, h22	旋转与缩放（y方向）	2
h13, h23	平移量	2
h31, h32	透视畸变	2

3.3 标定流程——从图像到参数

张正友标定法的完整流程，我把它总结成6个步骤。每一步都有它的物理意义，不是随便走个过场。

1. 准备棋盘格——打印一张棋盘格，测量每个格子的实际尺寸（单位mm）
2. 采集多张图像——从不同角度拍摄棋盘格，至少10-15张
3. 检测角点——用findChessboardCorners找到所有角点
4. 计算单应性矩阵——对每张图像，计算棋盘格平面到成像平面的H矩阵
5. 求解内参——利用多张图像的H矩阵，通过闭合解算出内参初值
6. 非线性优化——用Levenberg-Marquardt算法对所有参数做全局优化

这里我特别想强调第2步。很多人随便拍几张就完事了，结果标定出来的参数偏差很大。我个人的习惯是：棋盘格要占图像面积的1/3以上，而且角度要覆盖俯仰、偏航、滚转三个方向。

OpenCV里封装了完整的标定流程，核心函数就是cv::calibrateCamera。它会自动完成从单应性矩阵到内参求解，再到非线性优化的全过程。

// OpenCV标定核心代码
std::vector<cv::Mat> rvecs, tvecs;
cv::Mat cameraMatrix, distCoeffs;

double rms = cv::calibrateCamera(
    objectPoints,      // 世界坐标系中的棋盘格角点
    imagePoints,       // 图像坐标系中的角点
    imageSize,         // 图像尺寸
    cameraMatrix,      // 输出：内参矩阵
    distCoeffs,        // 输出：畸变系数
    rvecs, tvecs,      // 输出：每张图像的旋转和平移
    cv::CALIB_FIX_ASPECT_RATIO  // 标志位
);

标定完成后，一定要做重投影误差检查。这个值通常应该在0.1到0.5像素之间。如果超过1个像素，说明标定质量有问题，需要重新采集数据。

3.4 标定流程知识图谱

下面这张图把整个标定流程串起来了，从图像采集到参数输出，每一步的输入输出关系都画清楚了。

这张图把整个流程串成了一个闭环。从棋盘格准备开始，到非线性优化结束，中间每一步都环环相扣。我建议你在实际项目中，也按照这个流程来走，不要跳步。