第三节 相机标定与手眼标定：内参外参标定、手眼标定（Eye-in-Hand/Eye-to-Hand）原理与实操

在3D视觉引导定位与抓取项目中，相机标定与手眼标定是决定系统绝对定位精度的基石。如果标定环节存在偏差，后续的点云处理、位姿估计和机器人运动学解算都将被系统性误差污染。本节将深入剖析相机内参外参标定的数学模型、手眼标定的两种核心架构（Eye-in-Hand与Eye-to-Hand）的差异，并结合实际产线案例，给出从标定板设计到数据采集、方程求解、精度验证的完整闭环流程。

3.1 相机内参标定：从像素到物理世界的桥梁

3.1.1 核心原理：针孔模型与畸变补偿

3D视觉系统使用的工业相机（如Basler、海康、大恒）或3D结构光相机（如Ensenso、Photoneo）在出厂时虽有一定标定数据，但实际安装镜头后，由于C接口公差、镜头畸变、温度漂移等因素，必须进行现场标定。内参标定的核心是求解相机坐标系到图像坐标系的映射关系，包括焦距（fx, fy）、主点（cx, cy）以及径向畸变系数（k1, k2, k3）和切向畸变系数（p1, p2）。

对于3D视觉引导项目，内参标定的精度直接影响深度图与RGB图的融合质量。以结构光相机为例，若内参偏差超过0.5像素，在600mm工作距离下，Z方向深度误差可能放大至2-3mm，这对于精密装配（如轴承压装、螺丝锁付）是不可接受的。

3.1.2 标定板设计与数据采集规范

标定板的选择需根据相机视场角和工作距离确定。对于抓取场景（工作距离300-1000mm），推荐使用以下规格：

数据采集时需遵循"三不原则"：不共面（避免所有标定板在同一平面）、不纯平移（每组位姿需包含旋转）、不贴边（标定板边缘需保留10%余量）。建议采集15-20组图像，覆盖视场中心和边缘区域。

3.1.3 内参求解与重投影误差验证

使用OpenCV的cv2.calibrateCamera()或Halcon的caltab_points()进行求解。以OpenCV为例，核心代码流程如下：

import cv2
import numpy as np

# 准备棋盘格角点世界坐标
pattern_size = (7, 9)
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)

# 采集图像并提取角点
obj_points = []  # 世界坐标
img_points = []  # 图像坐标
for img in calibration_images:
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
    if ret:
        corners_sub = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1),
                                       (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001))
        obj_points.append(objp)
        img_points.append(corners_sub)

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

# 重投影误差评估
total_error = 0
for i in range(len(obj_points)):
    imgpoints2, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist)
    error = cv2.norm(img_points[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2)
    total_error += error
print(f"平均重投影误差: {total_error/len(obj_points):.4f} px")

重投影误差应小于0.1像素。若误差超过0.15像素，需检查标定板是否平整、图像是否模糊、采集位姿是否过于单一。

3.2 手眼标定：连接相机坐标系与机器人坐标系

3.2.1 Eye-in-Hand与Eye-to-Hand架构对比

手眼标定解决的是相机坐标系与机器人末端（或基座）坐标系之间的变换关系。两种架构在工程实现上有本质区别：

3.2.2 标定方程AX=XB的数学原理

以Eye-in-Hand为例，机器人末端从位姿A1运动到A2，相机从位姿B1运动到B2。由于相机与末端刚性连接，存在不变的手眼矩阵X满足：

A1 * X * B1 = A2 * X * B2
=> (A2⁻¹ * A1) * X = X * (B2 * B1⁻¹)
=> AX = XB

其中A为机器人末端位姿变换矩阵（从示教器读取），B为标定板在相机坐标系下的位姿（通过PnP求解）。求解X的方法包括Tsai两步法、Park-Martin方法以及基于李群优化的迭代方法。工程中推荐使用OpenCV的cv2.calibrateHandEye()，支持Tsai、Park、Horaud等多种算法。

3.2.3 实操流程与数据采集策略

以Eye-to-Hand标定为例，完整流程如下：

1. 固定标定板：将标定板刚性固定在机器人末端，确保标定板平面与法兰面平行（误差<0.5°）。
2. 示教器记录位姿：控制机器人运动到15-20个不同位姿，记录每个位姿的末端坐标（x, y, z, rx, ry, rz）。
3. 相机采集图像：在每个位姿下采集标定板图像，提取角点并求解标定板在相机坐标系下的位姿。
4. 数据配对：将机器人位姿与相机位姿按时间戳对齐，构成A和B矩阵序列。
5. 求解手眼矩阵：调用cv2.calibrateHandEye()，输入机器人末端位姿和标定板位姿。
6. 精度验证：使用未参与标定的测试位姿，计算标定板中心在机器人基座坐标系下的投影误差。

3.3 案例拆解：3C装配线螺丝锁付工位的手眼标定实战

3.3.1 项目背景与约束

某3C电子厂需要实现手机中框的自动螺丝锁付，采用Eye-to-Hand架构，相机固定于工位上方500mm处。现场约束条件：

• 机器人：六轴协作机器人（重复定位精度±0.02mm）
• 相机：500万像素工业相机，配8mm镜头，视场400×300mm
• 目标精度：螺丝孔定位误差<0.3mm，角度误差<0.5°
• 节拍要求：单次定位时间<1.5s

3.3.2 标定实施与问题排查

初次标定后，验证发现螺丝孔中心投影误差达到1.2mm，远超0.3mm的工艺要求。通过逐步排查，发现以下问题：

重新标定后，验证误差降至0.18mm，满足工艺要求。复盘发现，标定板弯曲是主要误差源——普通玻璃基板在夹具夹持下产生形变，导致角点世界坐标与实际位置偏差。

3.4 常见误区与总结复盘

3.4.1 五大常见误区

• 误区一：标定板越大越好。标定板过大会超出相机景深范围，导致边缘角点模糊。正确做法是标定板尺寸使角点间距在图像中占20-30像素。
• 误区二：采集位姿越多越好。超过30组位姿后，求解精度提升有限，反而引入更多噪声。建议15-20组，且均匀覆盖工作空间。
• 误区三：忽略机器人DH参数误差。手眼标定结果中隐含了机器人运动学误差。若机器人末端负载变化较大，需重新标定。
• 误区四：使用同一组数据标定和验证。这会导致过拟合。必须预留20%的数据用于验证。
• 误区五：忽视温度影响。相机和机器人工作30分钟后，热漂移可能导致内参变化0.3%。建议开机预热30分钟后再标定。

3.4.2 标定质量评估指标体系

建立完整的标定质量评估体系，建议从以下三个层面验证：

相机标定与手眼标定是3D视觉引导项目中最基础也最关键的环节。通过本节的学习，应掌握内参标定的数据采集规范、手眼标定两种架构的数学原理与工程差异，并能独立完成从标定板设计、数据采集、方程求解到精度验证的完整闭环。在实际项目中，标定工作往往需要反复迭代，建议建立标准化的标定SOP文档，并定期（每月或每次产线调整后）重新标定，确保系统长期稳定运行。