📚 课程目录第4章图像采集与标定

4. 图像采集与标定

在视觉引导机器人定位项目中，图像采集与标定是决定系统绝对精度的两大基石。采集环节解决“如何稳定获取高质量图像”的问题，标定环节则解决“图像像素坐标如何映射到机器人世界坐标”的问题。本章将围绕相机接口配置、采集流程、畸变模型、标定板设计与标定流程展开，帮助读者建立从硬件触发到坐标输出的完整链路认知。

4.1 相机接口配置：从物理链路到数据流

Halcon 通过 HALCON 接口（如 hAcqGigE、hAcqUSB3、hAcqGenICam）与相机通信。接口配置的核心是确保数据包不丢失、帧率稳定、触发时序精确。以工业中最常见的 GigE Vision 接口为例，配置要点如下：

网卡巨型帧（Jumbo Frame）：必须设置为 9000 字节，否则大分辨率图像会被拆分为多个 IP 包，增加丢包概率。
接收缓冲区（Socket Buffer）：建议设置为 4~8 MB，避免瞬时数据洪峰导致丢帧。
流通道数（Stream Channel）：多网卡或多相机时，需为每个相机分配独立的流通道。
触发源（Trigger Source）：通常选择硬件触发（Line0/Line1）或软件触发，机器人项目中优先硬件触发以保证时序确定性。

在 Halcon 中，典型的 GigE 相机连接与配置代码如下：

// 打开相机
open_framegrabber ('GigEVision', 0, 0, 0, 0, 0, 0, 'default', -1, 
                   'default', -1, 'false', 'Camera1', 'Camera1', 0, AcqHandle)
// 设置触发模式为硬件触发
set_framegrabber_param (AcqHandle, 'trigger_mode', 'on')
set_framegrabber_param (AcqHandle, 'trigger_source', 'line0')
// 设置曝光时间（微秒）
set_framegrabber_param (AcqHandle, 'exposure_time_us', 3000)
// 设置增益
set_framegrabber_param (AcqHandle, 'gain', 1.5)

经验提示：在批量抓取前，务必调用 grab_image_start 启动异步采集，再通过 grab_image_async 获取图像。这能显著降低 I/O 等待时间，尤其在连续运动抓拍场景中，可减少 30% 以上的帧间隔抖动。

4.2 图像采集流程：从触发到内存

一个完整的图像采集流程可拆解为五个阶段：触发信号 → 相机曝光 → 数据传输 → 图像重建 → 内存管理。下图展示了该流程中关键环节的时序关系：

在 Halcon 中，采集循环的标准写法如下：

// 异步开始抓取
grab_image_start (AcqHandle, -1)
// 循环获取图像
for i := 1 to 100 by 1
    grab_image_async (Image, AcqHandle, -1)
    * 此处进行图像处理或保存
    * 处理完成后立即开始下一帧抓取
    grab_image_start (AcqHandle, -1)
endfor

常见陷阱：若在 grab_image_async 之后未及时调用 grab_image_start，相机内部缓冲区会因未及时重新武装而丢失后续触发信号。在高速运动场景（如传送带跟踪）中，这会导致周期性丢帧，且难以通过软件排查。

4.3 畸变模型：从针孔到真实镜头

理想相机遵循针孔模型，但真实镜头存在径向畸变和切向畸变。径向畸变使直线成像为曲线，切向畸变源于镜头与成像面不平行。Halcon 使用 Brown-Conrady 模型描述畸变：

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 r^2 = x^2 + y^2，k1/k2/k3 为径向畸变系数，p1/p2 为切向畸变系数。对于机器人定位项目，畸变校正的精度直接影响手眼标定结果。下表列出了不同镜头类型的畸变典型值：

镜头类型	焦距范围	k1 典型值	畸变影响（边缘）	适用场景
标准工业镜头	8~50mm	-0.1 ~ -0.3	1~3 像素	一般定位
广角镜头	< 6mm	-0.3 ~ -0.6	5~15 像素	大视野粗定位
远心镜头	物方远心	≈ 0	< 0.5 像素	高精度测量
鱼眼镜头	< 2mm	< -0.8	> 30 像素	全景监控

在 Halcon 中，畸变校正通常通过 calibrate_cameras 算子获得相机内参和畸变系数，然后使用 change_radial_distortion_image 生成校正图像。对于机器人定位，更推荐使用 map_image 结合 gen_radial_distortion_map 进行实时校正，避免每次处理都重复计算。

4.4 标定板设计与标定流程

标定板是标定的基准物，其精度直接决定标定结果的上限。Halcon 支持多种标定板，最常用的是圆形标记点标定板（Caltab）。设计标定板时需遵循以下原则：

标记点数量：建议 7×7 或 9×9 阵列，过少会导致拟合不稳定，过多会超出视野。
标记点直径：在图像中应占据 8~15 像素，过小受噪声影响大，过大则中心提取精度下降。
背景对比度：标记点与背景灰度差应大于 100（8bit 图像），推荐黑色标记点配白色陶瓷基板。
平面度：标定板平面度误差应小于 0.01mm，否则会引入系统性标定误差。

Halcon 提供标定板描述文件生成工具，可通过 create_caltab 算子生成：

// 生成 7x7 标定板描述文件
create_caltab (7, 7, 0.0125, 0.005, 
               'caltab_7x7.descr', 'caltab_7x7.ps')

完整的标定流程分为四个阶段：

图像采集：在不同位姿（平移、旋转、倾斜）下采集 15~20 张标定板图像，确保标定板覆盖视野的各个区域。
标记点提取：使用 find_caltab 定位标定板区域，再用 find_marks_and_pose 提取标记点中心及初始位姿。
相机标定：调用 calibrate_cameras 计算内参（焦距、主点、畸变系数）和外参（每张图像的位姿）。
手眼标定：结合机器人末端位姿，使用 calibrate_hand_eye 计算相机与机器人之间的变换矩阵。

以下是一个典型的相机标定代码片段：

// 创建标定数据模型
create_calib_data ('calibration_object', 'camera', 1, 1, CalibHandle)
set_calib_data_cam_param (CalibHandle, 0, 'area_scan_division', 
                          [0, 0, 0.008, 0.008, 640, 480, 640, 480])
set_calib_data_calib_object (CalibHandle, 0, 'caltab_7x7.descr')
// 逐张图像提取标记点
for i := 1 to NumImages by 1
    read_image (Image, 'caltab_' + i$'02d')
    find_caltab (Image, CalibHandle, 0, 0, 0, CaltabRegion)
    find_marks_and_pose (Image, CaltabRegion, CalibHandle, 0, 0, 0, 
                         RCoord, CCoord, StartPose)
    set_calib_data (CalibHandle, 'image', i-1, 'pose', StartPose)
endfor
// 执行标定
calibrate_cameras (CalibHandle, Errors)
// 获取标定结果
get_calib_data (CalibHandle, 'camera', 0, 'params', CameraParam)

4.5 案例：传送带抓取系统的标定实战

以某汽车零部件装配线的传送带抓取项目为例，系统要求定位精度 ±0.5mm，节拍 2 秒/件。项目采用 500 万像素 GigE 相机，配 16mm 镜头，工作距离 800mm。

实施步骤：

将标定板固定于传送带平面，采集 20 张不同位姿图像，覆盖视野中心及四角。
执行相机标定，得到内参：焦距 f = 16.2mm，主点 (cx, cy) = (1234.5, 1023.8)，径向畸变 k1 = -0.152，k2 = 0.031。
进行手眼标定（Eye-to-Hand 模式），得到相机到机器人基座的变换矩阵 H_cam_to_base。
在传送带静止状态下，抓取 10 个已知位置的标准件，验证定位误差。

验证结果如下表：

验证点	X 误差 (mm)	Y 误差 (mm)	旋转误差 (°)
1	0.12	-0.08	0.02
2	-0.15	0.10	-0.03
3	0.08	0.12	0.01
4	-0.10	-0.05	0.02
5	0.05	0.09	-0.02

所有验证点误差均小于 ±0.15mm，满足 ±0.5mm 的精度要求。项目上线后，抓取成功率从初期的 92% 提升至 99.5%，主要改进点在于将标定板图像采集数量从 10 张增加到 20 张，并增加了倾斜位姿，显著降低了标定结果对初始值的敏感性。

4.6 常见误区与复盘

误区一：标定板图像数量越多越好。实际上，当图像超过 25~30 张后，标定精度的提升趋于饱和，反而可能引入因标定板轻微变形或光照变化导致的噪声。建议优先保证位姿多样性，而非单纯增加数量。

误区二：忽略标定板平面度。使用亚克力或普通印刷标定板时，平面度误差可能达到 0.1mm 以上，这在高精度项目中会直接转化为定位误差。务必选用陶瓷或玻璃基底标定板，并定期校验平面度。

误区三：手眼标定与相机标定顺序颠倒。必须先完成相机内参标定，再进行手眼标定。若内参不准，手眼标定结果会同时包含相机畸变误差和机器人运动学误差，且无法分离。

复盘建议：每次标定后，保存标定图像、标定参数和验证数据。当系统出现精度漂移时，可通过对比历史标定参数快速定位问题——若内参变化超过 2%，优先检查镜头是否松动；若外参变化超过 5%，优先检查机器人末端负载是否变化。

图像采集与标定是视觉引导机器人项目中最基础也最关键的环节。采集环节的稳定性决定了数据的可靠性，标定环节的精度决定了系统的最终性能。通过本章的学习，读者应能够独立完成相机接口配置、图像采集流程设计、畸变模型理解、标定板选型与标定流程实施，并具备排查常见标定问题的能力。在实际项目中，建议将标定流程标准化、文档化，并建立定期复标机制，以保障系统长期稳定运行。