在自动驾驶、机器人导航、工业检测等领域，视觉传感器就像机器的眼睛。但如果没有精准的标定，这双眼睛可能就是“近视眼”或“散光眼”，看到的画面失真，导致决策失误。我们就从原理到实战，聊聊标定视觉传感器这件事，让你不再被标定问题困扰。

什么是标定？就是让传感器知道“世界坐标系”和“图像坐标系”之间的映射关系。你拿手机拍一个立方体，照片里它可能变形了，因为镜头和感光元件有畸变。标定就是通过数学模型，计算出这些畸变参数，然后反向校正图片，让画面更接近真实。

具体到视觉传感器，一般分两步：内参标定和外参标定。内参标定关注传感器自身的参数，比如焦距、光心位置、畸变系数等。常见的方法是使用棋盘格标定板，拍摄不同角度的棋盘格照片，然后通过算法（如OpenCV的calibrateCamera函数）自动计算出内参矩阵和畸变向量。外参标定则解决传感器在安装位置上的姿态问题，比如相机相对于车辆或机械臂的旋转和平移关系。这就需要用标定板或已知特征点在三维空间的位置来求解。

实战中，很多初学者会遇到一个坑：标定结果不准。这往往是因为标定板拍摄不够规范。棋盘格必须平整，不能有褶皱；拍摄时覆盖整个视野，尤其是角落；至少拍摄10-20张不同角度、距离的照片。还有，标定环境的光线要均匀，避免高光反射，否则算法会误判角点。我曾经在一个项目中，因为反光问题，标定误差高达3个像素，后来换了哑光材质的标定板，误差降到0.3像素。

另一个关键点：多传感器融合标定。比如自动驾驶车上，雷达、摄像头、惯性测量单元共处一室，各自有独立坐标系。你需要标定它们之间的外参，让数据对齐。方法之一是手眼标定算法，通过移动标定板，采集多组数据，解算相机与雷达的旋转矩阵和平移向量。推荐的工具是Kalibr和lidar_camera_calibration，它们开源且经过大量验证。

标定不是一次性的。传感器因温度变化、震动等会逐渐漂移，所以建议定期复核。每周用标定板快速验证一下，如果误差超过阈值，就重新标定。标定是视觉感知的基石，花时间搞懂它，远比后期疯狂调参更高效。希望这篇指南能帮你从“标定小白”进阶成“标定老司机”。