📚 课程目录第4章相机标定原理

4. 相机标定原理：针孔相机模型、内参矩阵、畸变模型、标定板与标定流程

相机标定是3D视觉引导抓取的基石。它建立了从三维世界坐标到二维像素坐标的映射关系，并校正镜头畸变。本章深入剖析针孔相机模型、内参矩阵、畸变模型、标定板选择及完整标定流程，为后续手眼标定与位姿解算提供精确的相机参数。

4.1 针孔相机模型

针孔相机模型是理想化的线性投影模型，描述了空间点 P(X, Y, Z) 如何通过光心投影到成像平面上的点 p(x, y)。其核心是相似三角形原理：

光心 (O)：相机坐标系原点，光线汇聚点。
主光轴：过光心且垂直于成像平面的直线。
焦距 (f)：光心到成像平面的距离。
成像平面：感光元件所在平面，像点在此形成。

    关键公式： 在理想针孔模型下，

    x = f * (X / Z)    y = f * (Y / Z)

    其中 (X, Y, Z) 为相机坐标系下的三维坐标，(x, y) 为归一化成像平面坐标。

4.2 内参矩阵

内参矩阵 K 将归一化成像平面坐标转换为像素坐标，包含焦距、主点偏移和像素尺寸信息。它是相机固有的属性，与相机位置无关。

参数	符号	含义	单位
焦距 x 方向	f_x	f / d_x，d_x 为像素宽度	像素
焦距 y 方向	f_y	f / d_y，d_y 为像素高度	像素
主点 x 坐标	c_x	光轴与成像平面交点的像素列坐标	像素
主点 y 坐标	c_y	光轴与成像平面交点的像素行坐标	像素
倾斜因子	s	像素坐标系倾斜系数（通常为0）	—

内参矩阵 K 的标准形式：

K = [[f_x,   s, c_x],
     [  0, f_y, c_y],
     [  0,   0,   1]]

对于大多数工业相机，s ≈ 0，矩阵简化为对角线形式。

4.3 畸变模型

实际镜头存在光学畸变，导致像素位置偏离理想针孔模型。主要分为径向畸变和切向畸变。

径向畸变：由镜头形状引起，光线在边缘弯曲更严重。包括桶形畸变（负）和枕形畸变（正）。用参数 k₁, k₂, k₃ 描述。
切向畸变：由镜头与成像平面不平行引起。用参数 p₁, p₂ 描述。

畸变校正公式：

x_corrected = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + [2*p1*x*y + p2*(r^2 + 2*x^2)]
y_corrected = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + [p1*(r^2 + 2*y^2) + 2*p2*x*y]

其中 r² = x² + y²，(x, y) 为归一化坐标。

4.4 标定板与标定流程

标定板提供已知尺寸的精确特征点，是相机标定的物理基准。常用标定板类型：

类型	特征	优点	缺点
棋盘格	角点	检测算法成熟，精度高	需要完整可见
圆点阵列	圆心	亚像素精度高，抗遮挡	需要椭圆拟合
ChArUco	角点+ID	支持部分遮挡，可多板组合	算法稍复杂

4.5 完整标定流程

标准相机标定流程分为以下步骤，通常使用OpenCV或Halcon实现：

准备标定板：打印高精度棋盘格或圆点阵列，测量方格尺寸（如30mm×30mm）。
采集图像：从不同角度、距离、姿态拍摄15~30张标定板图像。确保标定板覆盖视场各个区域。
特征点提取：使用角点检测或圆心检测算法，提取每张图像中的特征点像素坐标。
求解内参和畸变：基于针孔模型和畸变模型，使用最小二乘法优化内参矩阵K和畸变系数(k1, k2, k3, p1, p2)。
重投影误差评估：计算所有特征点的重投影误差，通常要求平均误差 < 0.5像素。
保存标定结果：将内参矩阵和畸变系数保存为配置文件，供后续抓取位姿计算使用。

标定避坑指南：
- 标定板必须平整，避免弯曲或褶皱。
- 图像数量不宜过少（<10张），否则参数不稳定。
- 采集时标定板倾斜角度不宜过大（<45°），否则特征点提取失败。
- 定期重新标定，尤其是相机受到震动或温度变化后。

4.6 标定结果验证

标定完成后，必须验证参数的正确性。常用验证方法：

重投影误差：将三维点重投影到图像，计算与检测点的像素距离。平均误差应 < 0.3像素。
畸变校正效果：对一张包含直线的图像进行畸变校正，观察直线是否恢复平直。
三维重建测试：使用标定参数对已知尺寸的物体进行三维测量，验证精度。

标定结果示例（OpenCV输出）：

内参矩阵 K:
[[532.15,   0.  , 320.78],
 [  0.  , 531.89, 240.45],
 [  0.  ,   0.  ,   1.  ]]

畸变系数:
[k1, k2, p1, p2, k3] = [-0.283, 0.082, -0.001, 0.002, -0.015]

重投影误差: 0.12 像素

精确的相机标定是3D视觉引导抓取的基础。只有获得准确的内参和畸变参数，后续的手眼标定和位姿解算才能达到亚毫米级精度，确保机器人抓取的成功率。