1. 为什么工业场景下必须死磕内参标定很多人刚接触机器视觉拿到海康工业相机第一反应就是插上USB或者网口打开客户端能出图就以为万事大吉。结果一做尺寸测量发现同一个零件在不同位置拍出来的像素尺寸对不上做机械臂抓取手眼标定怎么算都有几毫米的偏差。折腾半天才反应过来问题出在相机内参上。内参标定说白了就是给相机做一次“视力矫正”。工业相机出厂时的标称焦距、畸变系数只是理论值实际装配过程中镜头和传感器之间的微小倾斜、镜片研磨的公差、甚至你拧镜头时的力度都会让真实成像模型偏离理想针孔模型。不把这个偏差量化出来后面所有的测量、定位、三维重建都是空中楼阁。这篇内容我打算把海康工业相机内参标定这件事从头到尾讲透。从标定板选型、图像采集、OpenCV代码实现到ROS环境下的集成和常见坑点排查全部基于实际项目经验展开。不管你是刚入行的视觉工程师还是做ROS机器人开发需要标定相机的学生看完都能直接上手操作。核心关键词就几个海康工业相机、内参标定、ROS、OpenCV、相机矩阵我会把它们串在一条完整的实操链路里。2. 标定前的硬件与软件环境准备2.1 海康工业相机选型与连接确认海康工业相机产品线很杂按接口分有USB3.0、GigE、Camera Link等。做内参标定最省事的是USB3.0接口的型号比如MV-CU系列或者MV-CE系列直接一根线连电脑就能供电出图不需要额外接电源。GigE接口的相机需要单独供电还得配置网卡IP多一步操作但胜在传输距离远。连接之前先确认一件事相机镜头是定焦还是变焦。内参标定只对定焦镜头有意义变焦镜头你每拧一次焦段内参就变了标定结果没有复用价值。我见过有人拿变焦镜头做标定标完换个焦距继续用同一套参数测出来的数据完全不可信。连接好之后用海康官方的MVS客户端确认能正常出图调整曝光和增益让标定板图像清晰、不过曝。这一步很关键图像质量直接决定标定精度。曝光过度的图像角点提取会漂移太暗的图像噪声大同样影响角点定位。2.2 标定板的选择与制作要点标定板分棋盘格和圆点阵列两种。棋盘格用OpenCV的findChessboardCorners提取角点圆点阵列用findCirclesGrid。工业场景下我更推荐棋盘格原因是角点定位精度更高而且OpenCV对棋盘格的支持最成熟。标定板的精度等级要匹配你的应用需求。普通打印的A4纸棋盘格精度大概在0.1mm级别做粗略标定够用。但如果要做高精度测量必须买陶瓷基板或者铝基板的标定板精度能做到±0.01mm。我吃过亏用打印的标定板标出来的参数重复标定三次结果差异很大换了陶瓷板之后重复性立刻稳定了。棋盘格规格的选择有个经验公式棋盘格方格边长在图像中占的像素数最好在30到80之间。太小了角点提取精度不够太大了图像边缘畸变严重。假设你用500万像素相机视野大概300mm宽那方格边长选10mm到20mm比较合适。注意标定板必须平整。陶瓷板放久了也可能变形使用前放在大理石平台上检查一下。翘曲的标定板会引入系统性误差而且这种误差在标定结果里看不出来。2.3 软件环境搭建OpenCV与ROS的安装OpenCV的安装方式取决于你的使用场景。如果只是单纯做标定Python版的OpenCV最方便一条命令搞定pip install opencv-python opencv-contrib-pythonopencv-contrib-python包含了findChessboardCorners的改进版本标定精度更好。注意版本兼容性OpenCV 4.x和3.x的标定API有差异网上很多教程是3.x时代的直接抄会报错。如果你在ROS环境下工作情况稍微复杂一点。ROS自带OpenCV但版本可能比较老。Ubuntu 20.04对应的ROS Noetic自带OpenCV 4.2基本够用。Ubuntu 22.04对应的ROS 2 Humble自带OpenCV 4.5标定功能更完善。ROS安装本身是个大话题网上有各种一键安装脚本。我个人的习惯是手动安装虽然麻烦但可控性强。以Ubuntu 20.04装ROS Noetic为例sudo sh -c echo deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main /etc/apt/sources.list.d/ros-latest.list sudo apt install curl curl -s https://raw.githubusercontent.com/ros/rosdistro/master/ros.asc | sudo apt-key add - sudo apt update sudo apt install ros-noetic-desktop-full装完之后别忘了初始化rosdep否则后面编译工作空间会报依赖错误sudo rosdep init rosdep update如果你用的是ROS 2 Humble把上面的noetic换成humble即可。ROS 2的标定工具链和ROS 1有区别camera_calibration包在ROS 2里叫camera_calibration用法类似但启动方式不同。提示不管用哪个版本装完OpenCV之后用python3 -c import cv2; print(cv2.__version__)确认一下版本号。如果报ModuleNotFoundError: No module named opencv说明Python环境不对检查一下是不是装到了conda环境里而当前用的是系统Python。3. 内参标定的核心原理与参数解读3.1 针孔模型与畸变模型到底在描述什么相机内参标定的本质是求解一个映射关系把三维空间中的点投影到二维图像平面上。理想情况下这个映射是线性的用针孔模型描述s * [u, v, 1]^T K * [R | t] * [X, Y, Z, 1]^T其中K就是内参矩阵长这样K [fx 0 cx] [0 fy cy] [0 0 1]fx和fy是焦距在x和y方向上的像素表示cx和cy是主点坐标理论上在图像中心附近但不一定正好在中心。这四个参数就是内参标定要解出来的核心结果。但真实镜头不是理想针孔存在畸变。畸变分径向畸变和切向畸变。径向畸变让直线变弯用k1、k2、k3三个系数描述。切向畸变是镜头和传感器不平行导致的用p1、p2描述。OpenCV默认解这五个畸变系数高精度场景可以加到八个。你可以把内参矩阵理解成相机的“身份证”每台相机都不一样。畸变系数则是“病历”记录了这个相机成像的偏差特征。标定的过程就是通过多组已知世界坐标和对应图像坐标的点对反推出这些参数。3.2 为什么需要多角度拍摄标定板单张图像能提供的约束不够。一张标定板图像上所有角点都在同一个平面上你没法区分是相机焦距导致的透视变化还是标定板倾斜导致的。只有从不同角度、不同位置拍摄多张图像才能把内参和畸变系数解耦出来。经验值是15到25张图像比较合适。太少了约束不够参数解不稳定太多了计算量大而且后面几张对精度的提升微乎其微。我一般拍20张左右覆盖标定板在图像中的不同位置中心、四个角、边缘同时标定板要有不同的倾斜角度。有个容易忽略的点标定板在图像中的姿态要多样化。如果所有图像里标定板都是正对相机的那标定出来的畸变系数基本不可信。必须让标定板有俯仰、偏航、滚转三个方向的旋转才能充分激励畸变模型。3.3 重投影误差标定质量的唯一裁判标定完之后OpenCV会返回一个重投影误差单位是像素。这个值的含义是用标定得到的内参和畸变系数把三维世界点投影到图像上和实际检测到的角点位置之间的平均偏差。一般来说重投影误差小于0.5像素算合格小于0.3像素算优秀。如果大于1像素说明标定过程有问题需要排查。但注意重投影误差小不代表标定一定准。如果标定板图像分布不均匀比如全在图像中心区域重投影误差可能很小但边缘畸变系数解得很差。我判断标定质量会看三个指标重投影误差、参数稳定性、实际测量验证。参数稳定性是指多次标定同一组图像看内参矩阵的变化幅度。实际测量验证是拿一个已知尺寸的物体放在视野里用标定参数做测量看误差是否在可接受范围内。4. 基于OpenCV的完整标定实操流程4.1 图像采集写一个靠谱的采集脚本手动一张张拍照效率太低而且容易漏掉某些角度。我习惯写一个简单的采集脚本用OpenCV打开相机按空格键保存当前帧按ESC退出。这样采集过程可控能实时看到标定板在图像中的位置。import cv2 import os save_dir calib_images os.makedirs(save_dir, exist_okTrue) cap cv2.VideoCapture(0) # 海康相机如果是USB接口索引号可能是0或1 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 2448) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 2048) count 0 while True: ret, frame cap.read() if not ret: break cv2.imshow(Capture, frame) key cv2.waitKey(1) if key 32: # 空格键 cv2.imwrite(f{save_dir}/img_{count:02d}.png, frame) print(fSaved img_{count:02d}.png) count 1 elif key 27: # ESC键 break cap.release() cv2.destroyAllWindows()海康相机用OpenCV直接打开可能会遇到问题因为海康的USB相机走的是UVC协议但有些型号需要先通过MVS客户端设置成UVC模式。如果VideoCapture打不开试试用海康的SDK采集图像再转成OpenCV格式。采集的时候注意几点标定板要完整出现在图像中不能有遮挡标定板要清晰不能有运动模糊不同图像之间标定板姿态要有明显变化。我一般会拍25张左右然后从中挑20张质量最好的。4.2 角点检测与亚像素优化角点检测是标定流程里最影响精度的一步。OpenCV提供了findChessboardCorners和cornerSubPix两个函数配合使用。前者做粗检测后者做亚像素级优化。import cv2 import numpy as np import glob # 棋盘格规格内角点数量比如9x6表示每行9个内角点每列6个 pattern_size (9, 6) square_size 15.0 # 方格实际边长单位mm criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) 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) objp * square_size objpoints [] imgpoints [] images glob.glob(calib_images/*.png) for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if ret: corners_refined cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners_refined) cv2.drawChessboardCorners(img, pattern_size, corners_refined, ret) cv2.imshow(Corners, img) cv2.waitKey(100) else: print(fFailed to find corners in {fname}) cv2.destroyAllWindows()cornerSubPix的搜索窗口大小(11, 11)是个经验值。窗口太小优化效果不明显太大可能把邻近角点也框进来导致定位偏移。对于500万像素以上的相机用(11, 11)或(15, 15)都行。如果findChessboardCorners经常检测失败检查两个地方一是棋盘格规格写对了没有内角点数量不是方格数量二是图像对比度够不够必要时做一下直方图均衡化。4.3 调用calibrateCamera求解内参角点都提取好之后一行代码就能解出内参ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print(重投影误差:, ret) print(内参矩阵:\n, mtx) print(畸变系数:, dist)mtx就是3x3的内参矩阵dist是畸变系数向量顺序是k1, k2, p1, p2, k3。rvecs和tvecs是每张图像对应的外参做手眼标定时会用到。calibrateCamera有几个可选参数值得关注。flags可以控制是否固定某些参数比如cv2.CALIB_FIX_PRINCIPAL_POINT会把主点固定在图像中心。一般不建议固定让OpenCV自己优化。criteria控制迭代终止条件默认值通常够用。标定完成后建议做一次参数验证。用cv2.projectPoints把世界点投影到图像上和实际角点比较看误差分布是否均匀。如果某些区域的误差明显偏大说明该区域的畸变模型拟合不够好可能需要增加该区域的标定图像。4.4 标定结果保存与格式转换OpenCV标定出来的mtx和dist可以直接保存成YAML或JSON文件方便后续读取import yaml calib_data { camera_matrix: mtx.tolist(), distortion_coefficients: dist.tolist(), image_width: gray.shape[1], image_height: gray.shape[0], reprojection_error: float(ret) } with open(camera_calib.yaml, w) as f: yaml.dump(calib_data, f)如果要在ROS里用需要转成ROS的camera_info格式。ROS用的畸变模型和OpenCV一致但参数排列顺序是k1, k2, p1, p2, k3和OpenCV的dist向量一致直接填进去就行。内参矩阵按行优先展开成9个元素的数组。5. ROS环境下的标定集成与验证5.1 用camera_calibration包做在线标定ROS提供了camera_calibration包可以订阅相机图像话题实时检测棋盘格并标定。这种方式的好处是标定过程可视化能实时看到检测结果。启动相机驱动节点后确认图像话题名称比如/camera/image_raw。然后运行rosrun camera_calibration cameracalibrator.py --size 9x6 --square 0.015 image:/camera/image_raw camera:/camera--size是内角点数量--square是方格边长单位是米。标定界面会显示X、Y、Size、Skew四个进度条分别代表标定板在图像中的横向位置、纵向位置、大小变化和倾斜角度的覆盖程度。四个条都变绿了才能点CALIBRATE。这个工具的好处是会自动筛选图像只保留对标定有贡献的帧。缺点是依赖ROS环境而且标定精度受话题传输延迟影响。如果相机帧率很高但传输有延迟检测到的角点位置可能和实际有偏差。5.2 标定参数在ROS中的加载与使用标定完成后camera_calibration会生成一个YAML文件里面包含了camera_matrix、distortion_coefficients、rectification_matrix和projection_matrix。这个文件可以直接被camera_info_manager加载。在相机驱动节点的launch文件里指定标定文件路径node namecamera_node pkgyour_camera_pkg typecamera_node param namecamera_info_url valuefile:///path/to/calibration.yaml/ /node加载之后/camera/camera_info话题就会发布标定参数。做图像校正时用image_proc包订阅原始图像和camera_info它会自动发布去畸变后的图像ROS_NAMESPACEcamera rosrun image_proc image_proc去畸变后的图像话题是/camera/image_rect_color后续的视觉算法都用这个校正后的图像省去每次手动去畸变的麻烦。5.3 标定精度的实际验证方法标定参数好不好最终要看实际测量效果。我常用的验证方法是在视野内放置一个已知尺寸的标准件比如一个100mm的量块用标定后的参数做像素到毫米的转换看测量值和真值的偏差。具体操作是拍摄量块图像提取量块两端边缘计算像素距离然后用标定参数换算成物理距离。如果偏差在0.1mm以内说明标定质量可以满足大部分工业测量需求。如果偏差超过0.5mm需要重新标定或者检查标定板精度。另一个验证方法是重投影误差的分布分析。把每张标定图像的重投影误差单独算出来看是否有某张图像的误差明显偏大。如果有说明那张图像的角点检测有问题应该剔除后重新标定。6. 标定过程中那些没人告诉你的坑6.1 角点检测失败的五种常见原因角点检测是标定流程里最容易出问题的环节。我整理了一个排查表按出现频率从高到低排列问题现象可能原因解决方法完全检测不到角点棋盘格规格写错确认内角点数量不是方格数检测到但角点顺序乱图像对比度太低调整曝光或做直方图均衡化部分图像检测失败标定板有遮挡或模糊剔除该图像重新采集角点位置偏移镜头畸变太大先用低畸变镜头粗标定再去畸变后精标检测结果不稳定图像噪声大增加曝光时间或做降噪处理其中最容易犯的错误是棋盘格规格。比如一个10x7的棋盘格内角点数量是9x6不是10x7。这个搞错了findChessboardCorners永远返回false。6.2 标定板姿态分布的隐形陷阱很多人标定的时候习惯把标定板放在视野中心稍微倾斜一下就拍。这样采集的图像里标定板都集中在图像中心区域边缘区域没有覆盖。结果就是中心区域的重投影误差很小但边缘畸变系数解得很差。正确的做法是让标定板在图像中“走遍全场”。具体来说标定板要出现在图像的左上、右上、左下、右下、中心五个区域每个区域至少有两到三张不同倾斜角度的图像。倾斜角度要覆盖俯仰、偏航、滚转三个方向每个方向至少15度以上的变化。我自己的采集策略是先拍中心区域正对、左倾、右倾、上倾、下倾各一张然后移动到四个角各拍两张不同倾斜的最后再补几张标定板占满视野的大尺寸图像。这样总共20张左右覆盖度足够。6.3 焦距与工作距离的匹配问题标定时的物距应该和实际使用时的物距一致。如果你在0.5米处标定然后拿到1米处使用标定参数会有偏差。原因是镜头的对焦状态变了实际焦距发生了微小变化。工业定焦镜头虽然焦距固定但对焦环可以调整。标定前先把对焦环调到实际工作距离处锁定对焦环然后再标定。标定完成后不要动对焦环否则标定白做。如果实际应用中物距会变化比如机械臂在不同高度抓取那需要做多距离标定或者使用远心镜头。远心镜头的特点是放大倍率不随物距变化标定一次就能在较大物距范围内使用。6.4 温度漂移对长时间标定的影响这个坑比较隐蔽但在高精度场景下必须考虑。相机连续工作一段时间后传感器和镜头会发热导致机械结构微小变形内参发生漂移。我实测过一台工业相机连续工作两小时后主点坐标漂移了大约0.3个像素。对于普通测量应用0.3像素的漂移可能无所谓。但如果是微米级测量这个漂移就不能忽略了。解决办法有两个一是标定前让相机预热半小时等温度稳定后再标定二是定期重新标定比如每工作四小时标定一次。提示如果你的应用对精度要求极高可以考虑使用带温控的工业相机或者在做图像处理时加入温度补偿模型。不过大多数场景下预热加定期标定就够用了。7. 从标定到应用参数怎么用才不白标7.1 图像去畸变的两种实现方式标定得到畸变系数后去畸变是最直接的应用。OpenCV提供了undistort和initUndistortRectifyMap两个函数。前者直接对图像做去畸变后者生成映射表适合对多张图像做批量处理。# 方式一直接去畸变 undistorted cv2.undistort(img, mtx, dist) # 方式二生成映射表后remap mapx, mapy cv2.initUndistortRectifyMap( mtx, dist, None, mtx, (width, height), cv2.CV_32FC1 ) undistorted cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)方式二效率更高因为映射表只需要计算一次。如果要对视频流做实时去畸变必须用方式二。方式一每帧都要重新计算映射关系帧率会掉得很厉害。去畸变之后图像边缘会有黑边因为畸变校正把边缘像素往外拉了。如果后续算法对图像尺寸敏感需要做裁剪或者调整内参矩阵让去畸变后的图像填满整个画面。7.2 像素坐标到物理坐标的转换做尺寸测量时需要把像素距离转换成物理距离。转换公式很简单物理距离 像素距离 × 工作距离 / 焦距其中焦距用fx或fy单位是像素工作距离是相机到被测物体的距离单位是毫米。这个公式假设物体平面垂直于光轴如果物体有倾斜需要做透视校正。更严谨的做法是用标定得到的内参矩阵构建投影矩阵把图像点反投影到三维空间中的某个平面上。OpenCV的solvePnP可以求解物体相对于相机的位姿然后结合已知的物体尺寸做测量。7.3 手眼标定中的内参角色做机械臂抓取时手眼标定是绕不开的环节。手眼标定分两种眼在手上和眼在手外。不管哪种相机内参都是手眼标定链路的起点。眼在手上时相机固定在机械臂末端标定过程需要同时采集标定板图像和机械臂位姿。内参不准会导致标定板角点的三维重建有偏差进而让手眼矩阵解算出现系统误差。我遇到过内参标定误差0.5像素导致抓取偏差3mm的情况重新标定内参后偏差降到0.5mm以内。眼在手外时相机固定在工作台旁边标定的是相机坐标系到机械臂基座坐标系的变换。内参同样影响标定板位姿的解算精度。所以不管哪种手眼标定先把内参标准是前提。8. 标定工具链的选型建议与效率提升8.1 OpenCV、MATLAB、Halcon的标定对比三种工具我都用过各有适用场景工具优势劣势适用场景OpenCV免费、跨平台、ROS集成好需要自己写代码科研、ROS开发、预算有限MATLAB标定工具箱成熟、可视化好收费、部署麻烦快速验证、教学Halcon标定精度高、工业级稳定收费贵、学习曲线陡产线部署、高精度测量如果只是做一次标定然后导出参数用MATLAB的Camera Calibrator工具箱最省事图形界面点几下就出结果。如果要在ROS里集成OpenCV是唯一选择。如果是产线设备预算充足的话Halcon的标定算子确实更稳。我个人的工作流是用OpenCV写标定脚本因为可以版本控制、可以自动化、可以批量处理。MATLAB偶尔用来交叉验证看OpenCV的结果是否合理。8.2 批量标定与自动化脚本设计如果有多台同型号相机需要标定手动一台台操作效率太低。我写了一个批量标定脚本自动遍历指定目录下的图像文件夹对每个文件夹做标定并输出结果。脚本的核心逻辑是遍历子目录每个子目录对应一台相机的标定图像对每个子目录执行角点检测和标定把结果保存到对应的YAML文件最后生成一个汇总报告列出每台相机的重投影误差和参数。这样标定20台相机的时间从半天缩短到半小时而且避免了手动操作可能引入的疏漏。脚本里还可以加入自动筛选逻辑把重投影误差大于阈值的图像自动剔除后重新标定。8.3 标定结果的版本管理与追溯标定参数是相机的“指纹”必须做好版本管理。我的做法是每台相机建一个文件夹里面存放标定图像、标定脚本、标定结果YAML和一份README。README里记录标定日期、标定人、标定板规格、重投影误差、验证结果。如果相机镜头被拆卸过或者对焦环被调整过必须重新标定并更新版本号。我见过因为镜头松动导致标定参数失效但没人发现产线测量数据全部偏移的案例。后来我们在相机和镜头之间画了一条对齐线每次开机检查对齐线是否错位错位了就重新标定。标定文件命名带上日期和版本号比如camera_01_calib_20250115_v2.yaml。这样即使后面发现标定有问题也能追溯到具体是哪次标定出的错。9. 高精度标定的进阶技巧9.1 多相机联合标定与全局优化单相机标定只优化自己的内参和畸变系数。如果系统里有多个相机比如双目立体视觉或者多相机测量网络需要做联合标定。联合标定的思路是把所有相机的参数放在一个优化问题里同时优化内参、外参和畸变系数。OpenCV的stereoCalibrate可以做双目联合标定输入是左右相机各自的内参初值和一组同步采集的标定板图像。它会同时优化两个相机的内参和它们之间的外参。联合标定的好处是能利用相机之间的约束关系让标定结果更一致。多相机联合标定的难点在于同步采集。如果相机之间没有硬件同步标定板在运动过程中采集的图像会有时间差导致外参解算不准。工业场景下建议用硬件触发同步确保所有相机在同一时刻曝光。9.2 基于重投影误差的标定图像筛选策略不是所有采集的图像都对标定有正面贡献。有些图像角点检测质量差强行加入标定会拉低整体精度。我写了一个筛选策略先做一次标定计算每张图像的重投影误差把误差大于平均值两倍的图像剔除然后用剩余图像重新标定。这个策略迭代两到三次通常能把重投影误差从0.5像素降到0.3像素以下。但注意不要剔除太多图像否则约束不够反而会让参数不稳定。一般保留15张以上比较安全。筛选的时候还要看误差的分布。如果误差大的图像集中在某个角度比如所有大倾角的图像误差都大那可能是畸变模型不够用需要考虑增加畸变系数或者换用更复杂的相机模型。9.3 远心镜头与普通镜头的标定差异远心镜头的成像模型和普通镜头不同。普通镜头是透视投影远心镜头是平行投影。用OpenCV的标准标定流程标远心镜头得到的焦距参数会非常大因为远心镜头的等效焦距在无穷远。标远心镜头需要用正交投影模型。OpenCV没有直接提供远心镜头的标定函数但可以通过修改标定标志位来近似。更准确的做法是用专门的远心镜头标定工具或者用Halcon的远心标定算子。如果非要用OpenCV标远心镜头一个变通方法是把标定板放在不同高度拍摄用calibrateCamera的CALIB_FIX_ASPECT_RATIO和CALIB_ZERO_TANGENT_DIST标志然后手动调整焦距初值。但精度不如专用工具。10. 实操心得与常见问题速查10.1 标定失败排查清单标定失败通常表现为重投影误差过大或者参数明显不合理。按以下顺序排查检查棋盘格规格是否写对内角点数量不是方格数量检查标定板是否平整翘曲的标定板会引入系统误差检查图像中角点检测是否准确可视化角点位置确认检查标定板姿态是否多样化避免所有图像角度雷同检查图像数量是否足够至少15张有效图像检查镜头对焦是否锁定标定过程中对焦环不能动检查相机是否预热冷机标定和热机标定结果有差异10.2 内参矩阵合理性判断标定出来的内参矩阵可以用几个经验规则判断是否合理fx和fy应该接近但不一定相等差异通常在1%以内cx和cy应该在图像中心附近偏离不超过图像尺寸的10%fx和fy的比值应该接近1如果差太多说明像素不是正方形畸变系数k1通常在-0.5到0.5之间k2比k1小一个数量级如果内参矩阵明显偏离这些规则比如cx是负数或者fx是fy的十倍说明标定过程有问题需要重新标定。10.3 标定后的实际测量验证步骤标定完成后必须做实际测量验证不能只看重投影误差。验证步骤准备一个已知尺寸的标准件比如量块或标定球把标准件放在实际工作距离处拍摄图像用标定参数做去畸变提取标准件边缘计算像素尺寸用内参换算成物理尺寸比较测量值和真值计算误差在视野的不同位置重复测量看误差是否一致如果不同位置的测量误差差异很大说明畸变校正不充分需要重新标定并增加边缘区域的标定图像。如果整体误差都偏大检查标定板精度和工作距离是否匹配。10.4 长期使用中的标定维护建议标定不是一劳永逸的事。以下情况需要重新标定相机或镜头被拆卸后重新安装对焦环被调整过相机受到剧烈震动或撞击环境温度发生显著变化连续工作超过建议的标定周期我建议在相机上贴一个防拆标签镜头和机身之间画对齐线。每次开机前检查对齐线是否错位错位了就必须重新标定。对于产线设备建议每季度做一次标定验证用标准件测量看误差是否在允许范围内。标定文件要备份最好存三份本地、服务器、云端。我遇到过硬盘故障导致标定文件丢失所有相机重新标定花了两天时间。从那以后所有标定文件都自动同步到服务器本地只保留最新版本。提示如果相机工作在振动环境中考虑使用带锁紧螺丝的镜头接口或者用螺纹胶固定镜头。振动导致的镜头微小转动在图像上可能看不出来但内参会慢慢漂移。11. 从单目到多传感器标定链路的延伸单目内参标定只是视觉系统的起点。实际项目中往往需要把相机和IMU、激光雷达、机械臂等传感器联合标定。内参的精度会沿着标定链路传递内参差0.1像素到了三维重建可能就是毫米级的偏差。做相机-IMU联合标定时内参和IMU参数需要联合优化。OpenCV的calibrateCamera只优化相机参数IMU参数需要另外的工具比如Kalibr。Kalibr支持相机-IMU联合标定但要求相机内参先标好作为初值。如果内参初值偏差太大联合标定可能不收敛。做相机-激光雷达标定时内参影响图像中角点的三维重建精度进而影响相机和激光雷达之间的外参解算。我通常的做法是先用高精度标定板把相机内参标到0.2像素以内然后再做联合标定。内参够准后面的标定链路才稳。这个内容后续还可以往双目立体标定、结构光标定、多相机网络标定等方向扩展。每个方向都有各自的标定板选型、采集策略和优化方法。但万变不离其宗单目内参标定是所有标定工作的基础把这个基础打牢后面的标定才有意义。我个人在实际操作中的体会是标定这件事没有捷径就是老老实实选好标定板、认真采集图像、仔细分析误差。那些号称“一键标定”的工具背后也是同样的原理只是把复杂度封装起来了。理解原理之后再用工具遇到问题才知道从哪里排查。
