1. 精度之源：结构光测量原理与误差模型

大家好，我是老张。做结构光测量这些年，我最大的感触是——精度不是调出来的，是设计出来的。很多人一上来就调参数、换算法，结果折腾半天，精度还是上不去。为什么？因为没搞懂误差从哪来的。

这一章，我们就从最基础的三角测量法讲起。我会把系统误差、随机误差的根儿给你挖出来，再搭一个完整的误差传递模型。说白了，就是帮你把「精度」这件事的底牌看透。

1.1 三角测量法：结构光的「骨架」

结构光测量，本质上就是个三角形。投影仪、相机、被测物体，三个点构成一个三角形。投影仪打出结构光图案，相机拍下变形后的图案，然后通过三角关系算出深度。

公式很简单：

Z = (B * f) / (d + Δd)

其中：

• Z：被测点的深度值
• B：投影仪与相机的基线距离
• f：相机的焦距
• d：理想情况下的视差
• Δd：实际测量中的视差偏差

嗯，这里要注意——Δd 是万恶之源。我当年做第一个项目时，就是没重视这个 Δd，结果测出来的平面像波浪一样。后来才明白，Δd 里藏着系统误差和随机误差。

1.2 系统误差：那些「稳定」的偏差

系统误差，说白了就是「每次都偏同一个方向」。它不会忽大忽小，但会稳定地让你测不准。

常见的系统误差来源有：

• 标定误差：相机内参、外参标定不准。我遇到过用棋盘格标定，结果棋盘格本身不平整，导致标定结果偏了 0.1 个像素。你想想看，0.1 个像素在远距离测量时，深度误差能放大到毫米级。
• 镜头畸变：尤其是广角镜头，边缘畸变很严重。不校正的话，边缘区域的测量值会系统性偏大或偏小。
• 投影仪非线性：投影仪的亮度响应不是线性的。这会导致结构光条纹的相位计算出现系统性偏移。
• 温度漂移：设备发热后，镜头和结构都会微变形。我有个项目在夏天做，上午标定好的参数，下午就偏了。

1.3 随机误差：那些「捉摸不定」的噪声

随机误差就麻烦多了。它没有规律，每次测量都不一样。来源包括：

• 传感器噪声：CMOS 传感器的暗电流、读出噪声。说白了就是电子在乱跑。
• 光照变化：环境光干扰、投影仪闪烁。我做过一个户外项目，阳光一照，结构光图案都快看不清了。
• 物体表面特性：高反光表面会形成镜面反射，低反射表面信号太弱。这两种情况都会让相位计算不稳定。
• 量化误差：相机是 8 位还是 12 位？位数越低，量化步长越大，随机误差也越大。

随机误差没法完全消除，但可以通过多次测量取平均来降低。不过要注意——平均只能降低随机误差，对系统误差没用。

1.4 误差传递模型：把「精度」算清楚

现在我们把系统误差和随机误差放到一起，搭一个完整的误差传递模型。

假设深度 Z 的测量误差为 σ_Z，它由以下分量组成：

σ_Z² = (∂Z/∂B)² * σ_B² + (∂Z/∂f)² * σ_f² + (∂Z/∂d)² * σ_d²

其中：

• σ_B：基线距离的误差（系统误差为主）
• σ_f：焦距的误差（系统误差为主）
• σ_d：视差测量的误差（随机误差为主）

这个公式告诉我们三件事：

1. 基线越长，深度误差越小。但基线太长会导致遮挡问题，这是个 trade-off。
2. 焦距越大，深度误差越小。但大焦距意味着视野小，适合测小物体。
3. 视差误差是核心。它受标定、噪声、表面特性等多重因素影响，是误差传递模型中的「放大器」。

1.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以把它当作后续学习的「地图」。

1.6 避坑指南：我踩过的三个坑

最后，分享几个我亲身踩过的坑。希望能帮你省点时间。

好了，这一章就到这里。精度提升的第一步，是把误差的根儿搞清楚。下一章，我们会聊标定精度的提升方法——那才是真正动手干活的地方。

---