4. 相机标定基础：内参、外参、畸变模型，标定板的选择与标定流程
在3D视觉抓取系统中，相机标定是决定抓取精度上限的第一道关卡。如果标定结果存在偏差，后续的点云配准、位姿估计和机器人运动学解算都会产生系统性误差。本章将围绕Halcon环境下的相机标定，深入剖析内参、外参、畸变模型的核心数学意义，并给出标定板选型与完整标定流程的工程化建议。
4.1 相机成像模型与参数体系
相机标定的本质是求解从三维世界坐标到二维像素坐标的映射关系。这个映射可以拆解为四个坐标系的连续变换：世界坐标系（World）、相机坐标系（Camera）、图像物理坐标系（Image）和像素坐标系（Pixel）。
完整的投影方程如下：
Zc * [u, v, 1]^T = K * [R | t] * [Xw, Yw, Zw, 1]^T其中，K 为内参矩阵，[R | t] 为外参矩阵（旋转和平移），Zc 为相机坐标系下的深度值。
4.1.1 内参矩阵（Intrinsic Matrix）
内参矩阵描述了相机光学中心到像素平面的投影关系，其形式为：
K = [ fx 0 cx ]
[ 0 fy cy ]
[ 0 0 1 ]- fx, fy：分别为x轴和y轴方向的归一化焦距，单位是像素。它们与物理焦距 f 和像元尺寸 dx, dy 的关系为 fx = f/dx，fy = f/dy。
- cx, cy：主点坐标，即光轴与成像平面的交点，理想情况下位于图像中心，但实际制造中会有偏移。
在Halcon中，内参通过 cam_par 元组表示，例如 ['area_scan_division', 0.008, -500, 8.5e-6, 8.5e-6, 640, 512, 1280, 1024]，其中包含畸变系数、焦距、像元尺寸和图像宽高等信息。
4.1.2 外参矩阵（Extrinsic Matrix）
外参矩阵将世界坐标系中的点变换到相机坐标系。它由旋转矩阵 R（3x3）和平移向量 t（3x1）组成。在抓取场景中，外参通常指相机相对于机器人基座或标定板的位置姿态。Halcon中通过 pose 类型表示，包含平移向量和旋转角（如欧拉角或四元数）。
camera_calibration 算子返回的 CameraParam 和 Pose 分别对应内参和外参。外参的旋转顺序默认是 'gba'（即绕X、Y、Z轴依次旋转），理解这一点对于后续手眼标定中的坐标变换至关重要。
4.1.3 畸变模型（Distortion Model）
实际镜头存在光学畸变，主要包括径向畸变和切向畸变。Halcon支持两种畸变模型：Division模型和Polynomial模型。
- Division模型：使用一个参数 K 描述径向畸变，计算量小，适合广角镜头和实时性要求高的场景。其畸变校正公式为：
u_corr = u / (1 + K * r^2)，其中 r 为像素点到主点的距离。 - Polynomial模型：使用三个径向参数（K1, K2, K3）和两个切向参数（P1, P2），精度更高，适用于高精度测量或畸变较大的镜头。
切向畸变通常由镜头与成像平面不平行引起，在精密抓取中不可忽略。Halcon中通过 change_radial_distortion_cam_par 算子可以在不同畸变模型间转换。
4.2 标定板的选择策略
标定板是标定精度的物理基准。选择不当会导致标定失败或精度不足。以下是工程选型的关键维度：
| 标定板类型 | 适用场景 | 优势 | 劣势 |
|---|---|---|---|
| 陶瓷/玻璃棋盘格 | 高精度实验室、静态抓取 | 热膨胀系数低，平整度极高 | 易碎，价格高 |
| 亚克力/塑料棋盘格 | 现场调试、频繁更换 | 轻便、成本低 | 温度变形大，精度有限 |
| 圆形阵列板（实心圆） | 大视角、低纹理场景 | 圆心提取精度高，抗噪能力强 | 需要保证圆间距精确 |
| ChArUco板 | 部分遮挡、多视角标定 | 支持单张标定，鲁棒性好 | 编码解码增加计算量 |
标定板的尺寸选择应遵循以下原则：标定板在图像中的面积占比应达到 20% - 40%。如果占比过小，角点提取的亚像素精度会下降；占比过大，则无法覆盖图像边缘的畸变区域。
4.3 Halcon标定流程详解
Halcon提供了一套完整的标定算子链，推荐使用 calibrate_cameras 算子进行多图像联合优化。以下是标准流程：
4.3.1 图像采集与预处理
采集10-20张不同姿态的标定板图像。要求：
- 标定板需覆盖图像的九个区域（四角、四边中点、中心）。
- 标定板与相机光轴夹角在 ±30° 以内，避免过大倾斜导致角点提取失败。
- 光照均匀，避免反光和阴影。
使用 find_calib_object 算子自动检测标定板，该算子返回标定板上的特征点坐标（如棋盘格角点或圆心）。
* 创建标定模型
create_calib_data ('calibration_object', 'camera', 1, 1, CalibHandle)
* 设置相机初始内参（可使用相机出厂参数或估算值）
set_calib_data_cam_param (CalibHandle, 0, 'area_scan_division', [0.008, -500, 8.5e-6, 8.5e-6, 640, 512, 1280, 1024])
* 设置标定板描述文件（描述标定板类型、尺寸、间距）
set_calib_data_calib_object (CalibHandle, 0, 'calplate_100mm.descr')
* 读取图像并查找标定板
read_image (Image, 'calib_image_01.png')
find_calib_object (Image, CalibHandle, 0, 0, 0, [], [])
* 收集所有图像后执行标定
calibrate_cameras (CalibHandle, Errors)
* 获取标定结果
get_calib_data (CalibHandle, 'camera', 0, 'params', CameraParam)
get_calib_data (CalibHandle, 'calib_obj_pose', [0, 0], 'pose', Pose)4.3.2 标定质量评估
标定完成后，必须检查 Errors 输出。该值表示重投影误差（单位：像素）。经验阈值如下：
- 优秀：平均误差 < 0.1 像素
- 合格：平均误差 < 0.3 像素
- 不合格：平均误差 > 0.5 像素，需要重新采集图像或检查标定板
如果误差过大，优先检查是否存在图像模糊、标定板弯曲或特征点提取错误。可以使用 find_calib_object 的显示模式可视化检测结果。
4.4 案例：抓取场景中的标定实战
假设我们搭建了一个眼在手上（Eye-in-Hand）的3D抓取系统，相机安装在机器人第六轴法兰盘上。标定目标有两个：
- 确定相机内参（畸变校正）。
- 确定相机相对于机器人末端的位姿（手眼标定）。
操作步骤如下：
- 步骤1：固定标定板于工作台，确保标定板在机器人运动范围内始终可见。
- 步骤2：控制机器人运动到15个不同位姿，每个位姿下采集图像并记录机器人末端位姿（从机器人控制器读取）。
- 步骤3：对每张图像执行
find_calib_object，提取标定板角点。 - 步骤4：使用
calibrate_hand_eye算子进行手眼标定，得到相机到末端的变换矩阵。 - 步骤5：验证精度——将标定板放置在已知位置，通过视觉计算其位姿，与机器人实际示教位姿对比。
以下为手眼标定的核心代码片段：
* 假设已收集图像和机器人位姿
* 创建手眼标定模型
create_calib_data ('hand_eye_moving_cam', 'camera', 1, 1, CalibHandle)
* 设置每张图像对应的机器人末端位姿（从机器人控制器读取）
for i := 1 to NumImages by 1
set_calib_data (CalibHandle, 'tool', i-1, 'pose', ToolPose[i-1])
endfor
* 执行标定
calibrate_hand_eye (CalibHandle, Errors)
* 获取相机到末端的外参
get_calib_data (CalibHandle, 'camera', 0, 'pose', CamToToolPose)4.5 常见误区与复盘
根据大量现场调试经验，以下问题最容易导致标定失败或精度不足：
复盘建议：每次标定完成后，保存标定图像、标定参数和重投影误差日志。当抓取精度出现异常时，首先检查标定参数是否被意外修改，其次重新评估重投影误差是否因温度变化而劣化。
最后，标定不是一次性工作。在抓取系统长期运行中，镜头松动、温度漂移或碰撞都可能导致内参变化。建议建立定期复标定机制，例如每季度或每5000次抓取循环后重新执行标定流程，并将新旧参数进行对比，确保系统始终处于最佳精度状态。