3、相机标定基础：标定板设计、角点检测与张正友法
好，咱们进入正题。相机标定这件事，说白了就是给相机做一次「视力检查」。你想想看，相机镜头天生就有畸变，广角镜头尤其明显——拍出来的直线是弯的，这谁受得了？标定的目的，就是算出畸变参数，然后把它矫正回来。
我个人习惯把标定分成三步：设计标定板 → 检测角点 → 求解参数。今天咱们就按这个顺序来聊。
3.1 标定板设计：棋盘格 vs 圆点阵
标定板长什么样？最常见的有两种：棋盘格和圆点阵。我在项目中两种都用过，各有各的脾气。
棋盘格（Checkerboard）
棋盘格是最经典的。黑白格子交替排列，角点就是黑白交界的地方。为什么选它？因为角点检测特别稳定——你想想，黑白交界处的梯度变化最剧烈，算法很容易找到精确位置。
圆点阵（Circle Grid）
圆点阵是另一种选择。白色背景上印黑色圆点，检测的是圆心位置。它的好处是：圆心定位精度理论上比角点更高（因为圆是中心对称的）。但有个坑——透视变形会让圆变成椭圆，这时候圆心检测就会偏。
| 对比项 | 棋盘格 | 圆点阵 |
|---|---|---|
| 检测目标 | 角点（黑白交界） | 圆心 |
| 精度 | 亚像素级，稳定 | 受透视影响，需校正 |
| 鲁棒性 | 光照不均时表现好 | 反光时容易丢点 |
| 我的推荐 | ✅ 新手首选 | ✅ 高精度场景 |
3.2 角点检测原理
角点检测，说白了就是找「图像里变化最剧烈的地方」。棋盘格的角点，是四个格子的交界处——上下左右灰度都不同，这种位置最容易被识别。
OpenCV里用的是findChessboardCorners()，它背后是Harris角点检测的改进版。核心思想很简单：
- 计算图像每个像素的梯度（x方向和y方向）
- 构造一个2×2的矩阵M，里面存的是梯度的平方和
- 计算M的特征值——如果两个特征值都很大，说明这里是角点
嗯，这里要注意：Harris检测只能找到「像素级」的角点。但标定需要更高的精度，所以还要做亚像素细化。
OpenCV里调用cornerSubPix()就能做这一步。我建议你每次检测完角点，都画出来看看——如果角点位置明显偏了，说明标定板图像质量有问题。
3.3 张正友标定法核心思想
终于聊到重头戏了。张正友标定法，是1998年张正友教授提出的。它为什么牛？因为只需要拍几张标定板的照片，就能算出相机内参和畸变系数。在此之前，标定需要精密的3D标定块，操作复杂得很。
核心思想其实就一句话：利用平面标定板上的已知点，建立2D图像点到3D世界点的映射关系，然后求解相机参数。
具体分四步走：
- 计算单应矩阵H——每张标定板图像，都对应一个3×3的单应矩阵，它描述了标定板平面到图像平面的透视变换
- 利用H求解内参——通过多张图像的单应矩阵，联立方程解出内参矩阵K
- 求解外参——内参已知后，每张图像的外参（旋转和平移）就能算出来了
- 优化所有参数——用最大似然估计，把内参、外参、畸变系数一起优化，让重投影误差最小
你可能会问：为什么需要多张图像？因为一张图像只能提供8个约束方程，而内参有5个未知数（fx, fy, cx, cy, skew），加上外参6个，一共11个。一张图不够，至少需要2张。但实际中我建议拍15-20张，覆盖不同角度和距离。
3.4 知识体系总览
下面这张图，把本章的核心逻辑串起来了。你可以把它当作标定工作的「路线图」：
这张图里，每一步都环环相扣。标定板设计不好，角点检测就歪；角点检测不准，张正友法算出来的参数就飘。所以我的建议是：每一步做完都停下来检查一下——画角点、看重投影误差、检查畸变矫正效果。别等到最后才发现问题，那时候返工成本就高了。
好了，标定的理论基础就这些。下一节咱们会动手写代码，把今天讲的这些变成实际的标定程序。到时候你会看到，理论懂了，代码其实就那么几行。
公众号:蓝海资料掘金营，微信deep3321