在机器视觉和自动驾驶领域，视觉传感器（即摄像头）的标定是一项基础但至关重要的技术。很多初学者常常会问：为什么需要标定？摄像头就像人的眼睛，会因制造工艺、镜头畸变和安装角度而产生“视差”。如果不进行标定，你拍到的图像可能带有桶形畸变、透视偏差，甚至导致三维重建时出现巨大误差。如何进行视觉传感器的标定呢？本文将用知乎式的通俗语言，带你从原理到实操一步步掌握。

明确标定的核心目标：获取摄像头的内参（焦距、主点坐标、畸变系数）和外参（旋转矩阵、平移向量）。内参描述摄像头本身的物理属性，外参则反映其相对于世界坐标系的位置和朝向。标定的本质是通过已知的标定物（如棋盘格）在图像中的位置，反推这些参数。

标准流程通常分为四步：第一步，准备标定板。推荐使用黑白棋盘格，格子大小已知（如20mm×20mm），并确保其表面平整。打印后贴到硬板上，避免反光。第二步，采集图像。手持标定板在不同角度、距离下拍摄15-30张照片，覆盖视野的边角和中心。注意：光照要均匀，避免过曝；标定板应占据画面20%-60%的面积。第三步，使用工具计算。最常用的工具是OpenCV的calibrateCamera函数。将图像输入后，程序会自动检测棋盘格角点，然后通过最小二乘法求解参数。第四步，验证结果。利用标定出的参数对图像去畸变，观察直线是否恢复平直，或计算重投影误差（通常应低于0.5像素）。

常见坑点需警惕：一是只拍单一角度，导致外参解算不稳定；二是标定板弯曲变形，引入系统性误差；三是使用过低分辨率图像，角点检测不精确。建议在采集时固定摄像头，仅移动标定板，并每轮采集后检查角点检测结果。

进阶技巧：对于鱼眼镜头或广角镜头，传统针孔模型可能失效，需改用Fisheye模型（如OpenCV的fisheye模块）；对于双目视觉系统，还需额外标定左右摄像头的相对外参（R和T）。实车标定时，可在车身喷涂专用标定图案，利用IMU辅助获取地面参考系。

推荐几个实用资源：MATLAB的Camera Calibrator（适合新手）、ROS的camera_calibration包（适合机器人）、以及OpenCV官方教程（代码齐全）。标定看似枯燥，却是视觉应用的地基。花一小时做好标定，后续的SLAM、障碍物检测、三维测量都会事半功倍。当你看到去畸变后笔直的道路线时，那种成就感是难以言喻的。