HALCON深度相机标定与点云验证实战 - 第1节

1.1 从二维到三维：为什么我们需要深度图与点云

做机器视觉这些年，我接触过不少刚入行的工程师。他们总觉得2D视觉能解决大部分问题——定位、测量、缺陷检测，听起来确实够用了。但有一次，我在一个汽车零部件项目上栽了跟头：一个曲面工件的平面度检测，2D相机怎么拍都拍不准，因为高度信息根本不在图像里。

说白了，2D图像就是一张“投影”。你把三维世界压扁到二维平面上，高度信息自然就丢了。而深度图和点云，就是用来补上这个维度的。

深度图：每个像素都是一个距离值

深度图长得跟普通灰度图很像，但含义完全不同。普通灰度图的像素值代表亮度，深度图的像素值代表距离——通常是相机到物体表面某点的距离。

我在项目里经常把深度图当成“高度地图”来看。你想想看，一个平面工件在深度图上就是一片均匀的灰度，而一个有凹陷的工件，凹陷处颜色明显不同。这种直观性，在缺陷检测中特别有用。

点云：三维空间的离散采样

点云就更好理解了——它就是一堆三维坐标点的集合。每个点包含 (X, Y, Z) 三个值，有些还带颜色或反射强度。

我记得第一次处理点云数据时，打开一看密密麻麻几百万个点，心里直犯怵。后来才明白，点云其实就是对物体表面的离散采样。采样越密，细节越丰富，但计算量也越大。

特性	深度图	点云
数据结构	二维矩阵（行列）	无序点集
存储格式	16/32位浮点图像	XYZ 坐标列表
空间关系	隐含邻域关系	需额外建立索引
处理速度	较快（类图像操作）	较慢（需搜索）
典型应用	高度测量、平面度检测	三维重建、位姿估计

1.2 Halcon 3D 视觉库：它到底能做什么

Halcon 的 3D 模块，我用了快五年。说实话，它是我见过把 2D 和 3D 融合得最自然的视觉库。你不需要在两个软件之间来回倒数据，一个 Halcon 就能搞定从深度图采集到三维重建的全流程。

核心功能模块

• 深度图采集：支持结构光、双目视觉、ToF 等多种传感器
• 点云生成：从深度图 + 相机标定参数生成三维点云
• 点云滤波：去噪、下采样、离群点移除
• 三维匹配：基于点云或表面模型的物体识别与定位
• 测量与检测：平面度、圆度、角度、距离等三维尺寸测量
• 深度图标定：将深度图像素坐标映射到真实世界坐标

我个人最常用的是 xyz_to_world_plane 和 depth_to_point_cloud 这两个算子。前者做深度图标定，后者生成点云，基本是每个3D项目的起点。

1.3 课程项目背景：一个真实的深度图标定验证任务

这个课程的灵感，来自我去年做的一个锂电池极片检测项目。客户要求检测极片涂布边缘的厚度，精度要求 0.02mm。我们用了一台结构光 3D 相机，但问题来了——相机输出的深度图，像素值和真实高度之间不是简单的线性关系。

为什么会这样？因为深度图受相机内参、外参、畸变、温度等多种因素影响。如果不做标定，你测出来的高度值就是“假”的。

项目目标

整个课程围绕一个核心任务展开：对深度图进行精确标定，并验证标定结果的准确性。具体来说：

1. 采集标准量块的深度图
2. 建立深度图像素值与真实高度之间的映射关系
3. 用标定参数校正深度图
4. 验证标定后的测量精度

你想想看，如果标定做不好，后面所有三维测量都是空中楼阁。我在现场吃过这个亏——标定参数差 0.1%，最终测量结果可能差 0.5mm，对于精密检测来说就是废品。

1.4 本章知识体系总览

下面这张图，是我做课程设计时画的。它把本章的核心概念和它们之间的关系串了起来。建议你保存下来，后面每学完一章都回来对照一下，看看自己走到了哪一步。

1.5 你需要准备什么

在开始之前，我建议你先确认一下手里的工具。这个课程会用到以下环境：

工具	版本要求	备注
Halcon	≥ 18.11 Progress	需要 3D 模块授权
3D 相机	任意结构光/双目相机	课程提供模拟数据
标定量块	已知高度精度 ±0.001mm	可用标准块替代
开发环境	Windows 10/11 或 Linux	Halcon 跨平台支持