3、ToF标定基础：内参标定、外参标定与温度补偿

说到ToF相机的标定，很多人第一反应就是「跟普通RGB相机差不多嘛」。嗯，这话对了一半。ToF标定的核心逻辑确实跟传统相机标定相通，但多了几个让人头疼的「坑」——尤其是温度补偿这块，我当年第一次做的时候差点被搞崩溃。

今天咱们就把ToF标定拆成三块来讲：内参、外参、温度补偿。每一块我都会结合自己的踩坑经历，给你讲透。

3.1 内参标定：焦距、主点、畸变

内参标定，说白了就是搞清楚镜头本身的「脾气」。焦距是多少？主点有没有偏？镜头畸变有多严重？这些参数决定了深度图里每个像素对应的真实空间方向。

标定流程其实不复杂。你拿一个棋盘格或者圆点标定板，在不同距离、不同角度下采集个二三十帧。然后用OpenCV的 calibrateCamera() 或者 calibrateCameraCharuco() 跑一遍就行。

但我得提醒你一个关键点：ToF相机的红外光跟可见光波长不同，折射率有差异。所以你不能直接用RGB镜头的内参去替代ToF的内参。我见过有人图省事，直接把RGB内参搬过来用，结果点云全歪了。

另外，ToF的深度图分辨率通常不高（比如QVGA或VGA），标定板上的角点检测容易受噪声影响。我建议你用ChArUco标定板，它的鲁棒性比普通棋盘格好很多。

// 伪代码示例：ToF内参标定流程
1. 采集20-30帧红外图像 + 深度图
2. 对每帧红外图检测标定板角点
3. 调用 cv::calibrateCamera() 得到内参矩阵 K 和畸变系数 D
4. 验证重投影误差 < 0.5 像素
5. 保存内参到 YAML 文件

3.2 外参标定：多传感器对齐

外参标定解决的是「多个传感器之间的相对位置关系」。比如你的设备上有一个ToF、一个RGB相机、一个IMU，它们各自看到的世界是不一样的。外参就是把这些「视角」统一到一个坐标系下。

我做过一个项目，ToF和RGB之间差了5厘米的基线，结果融合出来的彩色点云在物体边缘全是「重影」。后来一查，外参标定的时候旋转矩阵差了0.5度——就这么点误差，在3米外就偏了2.6厘米。

外参标定常用的方法有两种：

1. 基于标定板的联合标定：让ToF和RGB同时看到同一个标定板，分别提取角点，然后求解两个相机坐标系之间的旋转平移矩阵。
2. 基于特征匹配的自动标定：利用场景中的自然特征（如角点、边缘）进行匹配，适合在线标定场景。

我个人更推荐第一种，精度高、可重复性好。具体做法是：

// 外参标定核心步骤
1. 固定标定板，同时采集ToF深度图和RGB图
2. 从深度图生成3D点云（利用内参反投影）
3. 从RGB图检测2D角点
4. 求解PnP问题，得到 ToF→RGB 的变换矩阵 T
5. 多帧采集，用非线性优化（如Levenberg-Marquardt）优化 T

这里有个细节：ToF的深度图本身有噪声，直接反投影出来的3D点位置会有抖动。我建议你先对深度图做一下时域滤波（比如滑动平均），再去做外参标定。

3.3 温度补偿标定

嗯，这块是ToF标定里最容易被忽略、但影响最大的部分。你想想看，ToF的原理是发射红外光、测量飞行时间。温度一变，激光器的波长会漂移，传感器的暗电流会变化，甚至镜头的折射率都会变。

我做过一个实验：把ToF相机从25°C加热到65°C，深度测量误差从±1cm变成了±8cm。这要是用在机器人避障上，直接撞墙。

具体怎么做？我一般分三步：

1. 数据采集：把ToF相机放进温箱，从-10°C到70°C，每5°C采集一组数据。每组数据里，对着已知距离的平面（比如1m、2m、3m）拍几十帧。
2. 建模：对每个温度点，计算深度测量值与真实值的偏差。然后拟合一个多项式模型（通常二阶就够了）。
3. 部署：把模型参数烧录到相机固件里，或者在上位机做实时补偿。

// 温度补偿模型示例（二阶多项式）
depth_corrected = depth_raw + a * T^2 + b * T + c

// 其中 T 是当前温度（°C），a、b、c 是标定得到的系数
// 不同距离可能需要不同的系数，建议分段拟合

另外，温度变化还会影响内参。镜头的热胀冷缩会导致焦距和主点轻微漂移。如果你做的是高精度三维重建（比如文物扫描），建议把内参也做成温度相关的模型。

知识体系总览

下面这张图是我自己整理的ToF标定知识结构，你可以对照着看，心里有个全局观。

你看，这三块其实是环环相扣的。内参没标好，外参标出来也是错的；外参没对齐，融合出来的点云就是花的；温度补偿不做，到了夏天和冬天就是两台不同的相机。

好了，ToF标定的核心内容就这些。下一章咱们会聊深度图的后处理——滤波、去噪、空洞填充，这些都是把原始深度数据变成可用点云的关键步骤。

---

公众号:蓝海资料掘金营，微信deep3321