📚 课程目录第2章相机成像与标定原理

相机成像与标定原理

相机标定，说白了就是搞清楚相机到底是怎么「看」世界的。我刚开始做机器视觉时，总觉得标定是个可有可无的步骤——直到有一次，一个看似简单的定位项目，死活对不准，折腾了两天才发现是相机内参没标好。嗯，从那以后，我再也不敢跳过这一步了。

这一章，我们就把相机成像的底牌翻个底朝天。从针孔模型到张正友标定法，再到OpenCV实战，一条线走通。

针孔相机模型：最朴素的成像原理

你想想看，相机成像的本质是什么？就是把三维空间里的点，映射到二维图像上。针孔模型就是描述这个映射的最简方式。

它的核心假设是：光线沿直线传播，穿过一个小孔（光心），在成像平面上形成倒立的像。虽然真实相机有透镜、有复杂的光路，但针孔模型作为基础框架，已经足够我们理解大部分标定原理了。

核心公式（投影方程）：

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

其中：s为尺度因子，K为内参矩阵，[R|t]为外参矩阵，[X,Y,Z]为世界坐标点，[u,v]为像素坐标。

这个公式，就是整个相机标定的灵魂。后面所有操作，都是在求解K和[R|t]。

内参矩阵：相机的「身份证」

内参矩阵K，描述了相机内部的几何特性。它长这样：

K = [fx,  0,  cx;
      0,  fy,  cy;
      0,   0,   1]

参数含义很直观：

fx, fy：焦距在x、y方向上的像素度量。说白了，就是镜头中心到成像平面的距离，换算成像素单位。
cx, cy：主点坐标，也就是光轴与成像平面的交点。理想情况下在图像正中心，但实际总有偏移。

我在项目中遇到过一台工业相机，标定后发现cx偏了将近20个像素。一开始以为是标定板没放正，反复标了三次，结果都一样。后来查手册才发现，那款相机的传感器在封装时就有装配公差。嗯，这就是为什么每台相机都要单独标定，不能拿出厂参数直接用的原因。

畸变模型：现实总是不完美的

针孔模型是理想情况。真实相机有透镜，透镜就会带来畸变。最常见的两种：

畸变类型	产生原因	视觉效果
径向畸变	透镜形状不完美，边缘折射率与中心不同	直线变弯，像鱼眼效果
切向畸变	透镜与成像平面不平行	图像倾斜，像被拧了一下

畸变模型通常用多项式来描述：

径向畸变：x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6)
切向畸变：x_distorted = x + [2*p1*x*y + p2*(r^2 + 2*x^2)]

其中k1、k2、k3是径向畸变系数，p1、p2是切向畸变系数。标定的任务之一，就是求出这5个参数。

避坑提醒：我曾经在一个项目中只标定了k1、k2两个径向参数，结果图像边缘的畸变校正后还是有明显弯曲。后来加上k3，效果才满意。对于广角镜头或高精度测量场景，建议标定全部5个畸变参数。

张正友标定法：从理论到实践的桥梁

张正友标定法，是目前最主流的相机标定方法。它的巧妙之处在于：只需要拍摄不同角度的棋盘格照片，就能同时解出内参和外参。

核心思路分三步：

提取角点：从每张棋盘格照片中，提取出所有内角点的像素坐标。
求解单应矩阵：利用已知的棋盘格物理尺寸（比如格子边长30mm），建立世界坐标与像素坐标的对应关系，求解单应矩阵H。
分解内参外参：利用多张照片的单应矩阵，通过最小二乘法求解内参矩阵K和畸变系数。

为什么这个方法好用？因为它不需要知道相机的位置，也不需要精密的标定设备。一张打印的棋盘格，加上几行代码，就能搞定。

个人经验：我建议拍摄15-20张不同角度的棋盘格照片。角度变化要大——俯仰、偏航、旋转都要覆盖。但注意，棋盘格不要超出图像边缘太多，否则角点提取会失败。

OpenCV相机标定实战

理论说完了，直接上代码。OpenCV的标定流程非常成熟，核心就几个函数。

第一步：准备标定板

我用的是标准的9×6棋盘格，格子边长30mm。打印出来贴在平板上就行。

注意：棋盘格必须平整！我曾经用一张贴在纸箱上的棋盘格做标定，结果因为纸箱表面不平，标定出来的内参误差很大。后来换了亚克力板，效果立竿见影。

第二步：提取角点

import cv2
import numpy as np

# 棋盘格参数
pattern_size = (9, 6)  # 内角点数量
square_size = 30.0     # 格子边长（mm）

# 准备世界坐标
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

# 存储所有图片的角点
obj_points = []  # 世界坐标
img_points = []  # 像素坐标

# 遍历图片
for fname in image_files:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 提取角点
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
    
    if ret:
        # 亚像素精确化
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
        corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
        
        obj_points.append(objp)
        img_points.append(corners)
        
        # 可视化
        cv2.drawChessboardCorners(img, pattern_size, corners, ret)
        cv2.imshow('Corners', img)
        cv2.waitKey(100)

第三步：执行标定

# 相机标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    obj_points, img_points, gray.shape[::-1], None, None
)

print("内参矩阵:\n", mtx)
print("畸变系数:\n", dist)

输出结果示例：

内参矩阵:
 [[534.21,   0.  , 320.15],
 [  0.  , 533.89, 240.72],
 [  0.  ,   0.  ,   1.  ]]

畸变系数:
 [[-0.284,  0.087, -0.002,  0.001, -0.021]]

第四步：评估标定结果

# 计算重投影误差
total_error = 0
for i in range(len(obj_points)):
    img_points_proj, _ = cv2.projectPoints(
        obj_points[i], rvecs[i], tvecs[i], mtx, dist
    )
    error = cv2.norm(img_points[i], img_points_proj, cv2.NORM_L2) / len(img_points_proj)
    total_error += error

print("平均重投影误差:", total_error / len(obj_points))

经验阈值：重投影误差小于0.5像素，说明标定质量良好。如果超过1个像素，建议检查角点提取是否准确，或者增加标定图片数量。

本章知识体系

下面这张图，把相机成像与标定的核心逻辑串起来了：

从针孔模型出发，到内参矩阵和畸变模型，再到张正友标定法的数学原理，最后落地到OpenCV代码——这条路径，就是相机标定的完整闭环。我个人习惯把标定结果保存成YAML文件，每次换相机或调整镜头后重新标定一次，确保数据可靠。