一、标定基础：相机模型与成像原理

做机器视觉这些年，我越来越觉得标定就像盖楼打地基。地基没打好，上面算法再花哨也白搭。今天咱们就从最基础的相机模型聊起，把成像这事儿彻底说透。

1.1 相机模型：从三维世界到二维图像

说白了，相机就是个把三维世界“压扁”成二维图像的设备。这个过程涉及几个坐标系之间的转换，我习惯把它们分成四步走：

1. 世界坐标系：你放标定板的地方，单位是毫米
2. 相机坐标系：以相机光心为原点，Z轴朝前
3. 图像坐标系：在成像平面上，单位还是毫米
4. 像素坐标系：最终你看到的图像，单位是像素

这四步转换，每一步都有对应的参数。我刚开始学的时候总觉得参数太多记不住，后来发现其实就两类：内参和外参。

参数类型	包含内容	物理意义
内参	焦距、主点、畸变系数	相机本身的固有属性
外参	旋转矩阵、平移向量	相机在世界坐标系中的位姿

1.2 针孔模型：最经典的成像模型

针孔模型是理解成像的基础。你想想看，光线通过一个小孔投射到后面的平面上，就形成了倒立的像。这个模型虽然简单，但足够描述大多数工业相机的工作方式。

数学上，针孔模型可以写成：

s * [u, v, 1]^T = K * [R|t] * [X, Y, Z, 1]^T

其中：

• s 是尺度因子
• [u, v] 是像素坐标
• K 是内参矩阵
• [R|t] 是外参矩阵
• [X, Y, Z] 是世界坐标

这个公式看着复杂，其实核心就一句话：世界坐标经过旋转平移，再经过内参投影，就变成了像素坐标。

1.3 畸变模型：现实总是不完美的

我在项目中遇到过最头疼的问题，就是畸变导致的测量误差。明明标定板摆得端端正正，拍出来边缘却是弯的。这就是镜头畸变在作怪。

常见的畸变有两种：

• 径向畸变：光线通过镜头边缘时弯曲，表现为“桶形”或“枕形”
• 切向畸变：镜头与成像平面不平行，表现为“梯形”

HALCON 里处理畸变用的是 Brown 模型，数学表达如下：

x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + 2*p1*x*y + p2*(r^2 + 2*x^2)
y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + p1*(r^2 + 2*y^2) + 2*p2*x*y

其中 k1、k2、k3 是径向畸变系数，p1、p2 是切向畸变系数。r 是点到图像中心的距离。

1.4 标定的核心目标与数学本质

说了这么多，标定到底要干什么？我总结了三件事：

1. 求内参：知道相机本身的参数
2. 求外参：知道相机在空间中的位置
3. 去畸变：把变形的图像校正回来

数学本质上，标定就是一个参数优化问题。我们通过拍摄已知尺寸的标定板，建立从世界坐标到像素坐标的映射关系，然后用最小二乘法求解最优参数。

HALCON 里标定的流程大致是：

1. 准备标定板（HALCON 自带描述文件）
2. 拍摄多张不同位姿的标定板图像
3. 提取角点坐标
4. 调用 calibrate_cameras() 求解参数
5. 验证标定精度

这里有个容易忽略的点：标定板位姿要覆盖整个视场。我见过有人只拍正对着的几张，结果边缘区域畸变校正效果很差。

1.5 知识体系总览

为了让你对整个标定基础有个全局认识，我画了张图：

这张图把标定基础的核心脉络理清楚了。从相机模型出发，分支出针孔模型、畸变模型和标定目标，最终汇聚到同一个结论：标定本质上就是个参数优化问题。

1.6 本章小结

嗯，这一章的内容就这些。记住三件事：

• 相机成像涉及四个坐标系的转换
• 针孔模型是基础，畸变模型是修正
• 标定的核心就是求解内外参数并去畸变