第二章 相机选型与标定实战：工业相机、镜头、滤光片选型，张正友标定法原理与OpenCV实现

做3D视觉系统集成，第一步不是写代码，而是选对硬件。我见过太多项目，算法调得再好，相机选错了，最后全白搭。说白了，相机选型就像给系统配眼镜——度数不对，看啥都模糊。

2.1 工业相机选型：别只看像素

很多人一上来就问「我要多少万像素的相机？」。嗯，像素确实重要，但绝不是唯一指标。我个人习惯，先问三个问题：

• 检测精度要求：你要看多小的特征？0.1mm还是0.01mm？
• 视野大小：一次要拍多大面积？
• 运动速度：物体是静止还是高速运动？

举个例子。我之前做锂电池极片检测项目，客户要求检测0.05mm的划痕。视野是50mm×50mm。算一下：

分辨率 = 视野 / 精度 = 50mm / 0.05mm = 1000像素。考虑到亚像素定位，实际需要200万像素以上。我最后选了500万像素的相机，留了余量。

除了像素，还有几个关键参数：

• 传感器类型：CMOS还是CCD？现在主流是CMOS，性价比高。但弱光环境CCD仍有优势。
• 帧率：运动物体需要高帧率。我做过一个项目，传送带速度2m/s，30fps根本不够，最后换了120fps的相机。
• 接口：USB3.0、GigE、Camera Link。GigE最常用，传输距离远。USB3.0速度快但线长受限。

2.2 镜头选型：焦距、光圈、畸变

镜头是相机的「眼睛」。选错了镜头，再好的相机也白搭。

焦距决定视野。焦距越短，视野越大，但畸变也越严重。计算公式：

焦距 = 工作距离 × 传感器尺寸 / 视野

比如工作距离200mm，传感器尺寸1/2英寸（6.4mm×4.8mm），视野100mm×75mm：

焦距 = 200 × 6.4 / 100 = 12.8mm

实际选12mm或16mm的镜头。

光圈影响进光量和景深。光圈越大（F值越小），进光越多，但景深越浅。做3D测量时，我一般用F8-F11，景深大，成像锐利。

畸变是3D测量的大敌。普通镜头畸变1%-3%，远心镜头可以做到0.1%以下。做高精度3D测量，我强烈建议用远心镜头。虽然贵，但值。

2.3 滤光片选型：别忽视光照

滤光片很多人不重视，其实它直接影响成像质量。我遇到过最头疼的问题——反光。金属表面、玻璃、塑料，反光能把图像毁掉。

滤光片的作用：

• 带通滤光片：只让特定波长的光通过。配合特定波长的光源，可以滤掉环境光干扰。
• 偏振片：消除反光。我做过一个手机玻璃盖板检测项目，不加偏振片，反光区域完全看不清缺陷。加了之后，效果立竿见影。
• 中性密度滤光片：均匀减光。光源太强时用。

2.4 张正友标定法原理

相机标定，说白了就是搞清楚相机内部参数（焦距、畸变系数）和外部参数（相机在世界坐标系中的位置）。张正友标定法是目前最主流的方法，用棋盘格就能搞定。

核心原理其实不复杂：

1. 拍摄多张不同角度的棋盘格图像
2. 检测棋盘格角点
3. 利用角点的世界坐标和图像坐标，求解单应性矩阵
4. 分解单应性矩阵，得到内参和外参
5. 优化所有参数，最小化重投影误差

为什么需要多张不同角度的图像？因为单张图像只能提供有限约束。我一般拍15-20张，覆盖不同角度和位置。

标定结果包括：

• 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)
• 重投影误差：评估标定质量，一般小于0.5像素就算不错

2.5 OpenCV实现：从理论到代码

理论讲完了，上代码。OpenCV的标定流程非常成熟，我直接贴核心代码：

import cv2
import numpy as np
import glob

# 棋盘格参数
CHECKERBOARD = (9, 6)  # 内角点数量
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)

objpoints = []  # 世界坐标
imgpoints = []  # 图像坐标

images = glob.glob('calib_images/*.jpg')

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 查找棋盘格角点
    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)
        
        # 可视化
        cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret)
        cv2.imshow('img', img)
        cv2.waitKey(500)

cv2.destroyAllWindows()

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

print("内参矩阵:\n", mtx)
print("畸变系数:\n", dist)
print("重投影误差:", ret)

这段代码我用了很多年，基本没改过。有几个细节要注意：

• 角点检测：cv2.findChessboardCorners的第三个参数是内角点数量，不是格子数量。9×6的棋盘格，内角点是8×5。
• 亚像素优化：cv2.cornerSubPix让角点精度达到亚像素级别，标定结果更准。
• 图像数量：少于10张标定结果不稳定。我一般拍20张左右。

2.6 标定结果验证

标定完别急着用，先验证。我一般做两件事：

1. 重投影误差检查：小于0.5像素算合格。如果大于1像素，说明标定有问题，重新拍。
2. 实际测量验证：放一个已知尺寸的物体，用标定结果测量。误差在允许范围内才算通过。

# 畸变校正
img = cv2.imread('test.jpg')
h, w = img.shape[:2]
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h))
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)

# 裁剪有效区域
x, y, w, h = roi
dst = dst[y:y+h, x:x+w]

cv2.imshow('undistorted', dst)
cv2.waitKey(0)

这里有个小技巧：getOptimalNewCameraMatrix的alpha参数控制保留像素范围。alpha=1保留所有像素（边缘可能有黑边），alpha=0裁剪到最大有效区域。我一般用alpha=0.5，平衡视野和有效区域。

2.7 知识体系总览

下面这张图总结了本章的核心逻辑：

从图中可以看出，相机选型和标定是一个完整的闭环。硬件选型决定了图像质量的上限，标定则把硬件误差降到最低。两者缺一不可。

好了，这一章的内容就到这里。选型标定做扎实了，后面的3D重建、手眼标定才能顺利进行。记住一句话：标定做不好，算法再牛也白搭。

---