在机器视觉和计算机视觉领域，视觉传感器（相机）的标定是基础但至关重要的一步。无论你是在做智能驾驶、工业检测，还是机器人导航，相机标定的准确度直接决定了后续图像处理、三维重建和视觉定位的精度。我将以知乎风格，一步步带你从零开始搞定视觉传感器标定。

#为什么需要标定？

想象一下，你手里拿着一台相机，想用它来测量物体的实际位置。现实世界中的物体在三维空间里，而照片是二维的。相机标定的目的，就是建立从三维世界到二维图像的映射关系，同时消除镜头畸变（比如广角镜头的桶形畸变或长焦镜头的枕形畸变）。没有标定，你的测量数据就像没校准的尺子，误差会越来越大。

#标定前的准备

你需要准备一个标定板。最常见的是棋盘格或圆点阵列。棋盘格标定板简单易得，用A4纸打印出来，贴在一块硬板上就行。注意：棋盘格要平整，图案清晰，格子尺寸要已知（比如每个格子边长10毫米）。还需要一个稳定的三脚架和良好的光照条件，避免反光或阴影影响角点检测。

#标定流程详解

第一步：采集图像。手持标定板，在相机视野内移动，拍摄10到20张不同角度、不同距离的图像。关键点：标定板必须覆盖视野的各个角落，特别是边缘和角落区域，因为畸变在边缘最严重。确保标定板在每张图像中完整可见，且姿态多样（倾斜、旋转、平移）。

第二步：角点检测。使用OpenCV的cv2.findChessboardCorners()函数自动检测棋盘格的内角点。比如一个9x6的棋盘格，实际内角点数是8x5。如果检测失败，检查图像对比度或调整参数。

第三步：标定计算。调用cv2.calibrateCamera()，输入角点坐标和对应的世界坐标（假设标定板在Z=0平面上），它会返回相机内参矩阵（焦距、主点坐标）、畸变系数（径向畸变k1.k2.k3，切向畸变p1.p2）以及每张图像的外参（旋转和平移向量）。

第四步：评估误差。用标定结果重投影角点，计算重投影误差。通常误差小于0.5像素就算合格。如果误差大，可能是标定板不平、图像数量不足或角点检测不准，需要重新采集。

#实战代码片段

下面是一个简单的Python示例，使用OpenCV：

``python

import cv2

import numpy as np

定义棋盘格尺寸

CHECKERBOARD = (6, 9) 内角点数

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)

准备世界坐标

objp = np.zeros((CHECKERBOARD[0]CHECKERBOARD[1], 3), np.float32)

objp[:,:2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1,2)

存储

objpoints = [] 三维点

imgpoints = [] 二维点

循环处理图像

for fname in images:

img = cv2.imread(fname)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None)

if ret:

objpoints.append(objp)

corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)

imgpoints.append(corners2)

标定

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)

`

运行后，mtx就是内参矩阵，dist`是畸变系数。保存后可用于后续图像去畸变。

#常见问题与技巧

1. 标定板不够大：如果视野中有大面积空白，畸变校正会不准确。建议标定板占图像面积至少三分之一。

2. 光照不均：使用均匀散射光，避免直射阳光。

3. 镜头变动：变焦镜头