一、课程导论与标定基础

1.1 机器视觉标定的意义

机器视觉标定，说白了就是给相机“配眼镜”。

你想想看，相机镜头天生就有畸变——广角镜头拍出来的直线是弯的，长焦镜头边缘有拉伸。再加上相机安装时的角度偏差，图像里的像素坐标和真实世界的物理坐标之间，存在一个复杂的映射关系。标定要做的，就是把这个映射关系算清楚。

我在项目中遇到过最典型的案例：一条手机屏幕检测线，未标定时测量误差达到±0.5mm，客户要求±0.05mm。折腾了两周，最后发现是镜头畸变和相机安装角度共同导致的。做完标定，误差直接降到±0.03mm。嗯，从那以后我再也不敢跳过标定这步了。

标定的核心价值可以归纳为三点：

• 消除畸变：把镜头带来的桶形/枕形畸变校正回来
• 建立尺度：让像素距离对应到毫米/微米等真实物理单位
• 统一坐标系：多相机系统里，把每个相机的图像统一到同一个世界坐标系下

1.2 HALCON标定流程概览

HALCON的标定流程，我个人习惯把它分成四个阶段。每个阶段都有明确的输入和输出，你跟着走就不会乱。

阶段	核心操作	关键输出
准备阶段	选择标定板、配置相机参数初值	标定板描述文件(.descr)、相机初始内参
采集阶段	拍摄15-25张不同位姿的标定板图像	标定图像序列
计算阶段	提取角点、求解内外参、优化畸变系数	相机内参、外参、畸变系数
验证阶段	重投影误差分析、测量验证	标定报告、误差指标

这里有个容易踩的坑——我曾经以为拍个三五张就够了，结果标定出来的参数在图像边缘误差特别大。后来才明白，标定板必须覆盖整个视场，而且位姿要多样化：倾斜、旋转、远近都要有。15张是底线，25张更稳妥。

1.3 标定的数学模型（简版）

你不需要成为数学家也能用好HALCON标定，但理解核心公式能帮你排查问题。

HALCON使用的标定模型基于针孔相机模型，加上径向和切向畸变补偿。核心公式就两个：

// 世界坐标 → 图像坐标（理想情况）
[u, v, 1]^T = K * [R|t] * [X, Y, Z, 1]^T

// 畸变补偿
u' = u * (1 + k1*r^2 + k2*r^4) + 2*p1*u*v + p2*(r^2 + 2*u^2)
v' = v * (1 + k1*r^2 + k2*r^4) + p1*(r^2 + 2*v^2) + 2*p2*u*v

其中：

• K 是内参矩阵（焦距、主点坐标）
• [R|t] 是外参矩阵（旋转和平移）
• k1, k2 是径向畸变系数
• p1, p2 是切向畸变系数

HALCON把这些都封装好了，你只需要调用 camera_calibration 算子。但知道这些参数的含义，能帮你判断标定结果是否合理——比如k1通常在-0.5到0.5之间，如果跑出来是-5.0，那肯定有问题。

1.4 课程目标与学习路径

这门课的目标很明确：让你从“会标定”变成“能自动化标定”。

具体来说，学完这门课你应该能做到：

1. 独立完成单目/双目/手眼标定，理解每种标定的适用场景
2. 编写HALCON脚本，把标定流程封装成可复用的函数
3. 设计自动化标定方案，减少人工干预，提高标定效率
4. 部署到产线，让标定脚本在无人值守的情况下稳定运行

整个课程分四个模块，我建议你按这个顺序学：

模块	章节	学习重点
基础篇	1-8章	标定原理、HALCON算子、单目标定实战
进阶篇	9-16章	双目标定、手眼标定、畸变校正
自动化篇	17-24章	脚本封装、参数调优、异常处理
部署篇	25-30章	产线集成、性能优化、维护策略

1.5 标定流程知识图谱

下面这张图把标定流程的核心环节和它们之间的关系画出来了。你可以把它当作整个课程的地图，每学完一章回来看看，就知道自己走到哪了。

这张图里，四个阶段是串行执行的。但注意，验证阶段如果发现误差超标，需要回退到采集阶段重新拍摄——我在实际项目中至少遇到过三次这种情况，都是因为标定板图像质量不达标。

1.6 你需要准备的环境

开始动手之前，确保你的环境满足以下条件：

• HALCON版本：推荐19.11及以上，低版本有些算子不兼容
• 标定板：HALCON标准棋盘格或圆点阵，建议用陶瓷材质，不易变形
• 相机：任意工业相机，分辨率建议500万像素以上
• 开发语言：HDevelop或C++/C#（课程以HDevelop为主）