第2章相机标定进阶

2、相机标定进阶：高精度标定板设计与亚像素角点提取

各位同行，咱们接着聊标定。上一章我把基础原理讲清楚了，这一章咱们深入聊聊标定板本身。你可能觉得标定板不就是个棋盘格吗？随便打印一张就能用。嗯，我以前也这么想，直到有一次项目精度死活上不去，折腾了两周才发现是标定板的问题。

说白了，标定板的精度直接决定了你的标定结果上限。你算法再牛，标定板本身歪歪扭扭，那也是白搭。今天我就把高精度标定板的设计门道和亚像素角点提取的实战技巧，一次性讲透。

2.1 三种主流标定板：棋盘格、圆点阵、编码标志点

先说说市面上最常见的三种方案。我这些年三个都用过，各有各的脾气。

类型	优势	劣势	适用场景
棋盘格	角点检测简单，算法成熟	边缘模糊时精度下降快，无法全自动识别	实验室环境、高对比度场景
圆点阵	亚像素精度高，抗噪性好	透视畸变下圆心偏移，需要椭圆拟合补偿	工业现场、光照变化大的环境
编码标志点	可自动识别ID，支持大视场拼接	制作成本高，解码算法复杂	多相机系统、大尺寸物体测量

棋盘格是最经典的。OpenCV里直接调findChessboardCorners就能用，方便是真方便。但我遇到过一个问题：当标定板表面有轻微反光时，角点位置会偏移半个像素。你想想看，0.5个像素的误差，在结构光测量里可能对应0.1mm的深度偏差，这就很要命了。

圆点阵是我个人比较偏爱的方案。为什么？因为圆的质心定位天然就是亚像素级的。不过有个坑——透视投影会把圆变成椭圆，直接用圆心坐标会有系统误差。我建议的做法是：先检测椭圆边缘，再用透视投影模型反算圆心在物方空间的实际位置。这个补偿算法我后面会详细讲。

编码标志点适合大场景。比如你要标定一个覆盖2米×3米的结构光系统，用棋盘格你得拍几十张图，用编码点可能十张就够了。每个点自带ID，算法自动匹配，省心。但代价是制作精度要求极高，印刷误差必须控制在0.01mm以内。

核心结论：没有绝对最好的标定板，只有最适合你场景的。我个人习惯是：实验室用棋盘格，工业现场用圆点阵，多相机系统用编码点。

2.2 基于梯度法的亚像素角点定位算法

好，标定板选好了，接下来就是怎么把角点位置精确到亚像素级别。这里我重点讲基于梯度的方法，这是目前工业界最实用的方案。

为什么不用传统的Harris角点检测？因为Harris只能给出整数像素坐标。在结构光测量里，我们需要的是0.01像素级别的精度。

梯度法的核心思想很简单：角点处的梯度方向应该正交于该点到角点的向量。用数学语言说就是：

对于角点q，其邻域内的任意点p_i，有：
  ∇I(p_i) · (q - p_i) = 0

其中∇I(p_i)是p_i处的图像梯度向量

这个公式怎么理解？你想想看，在图像边缘上，梯度方向垂直于边缘。如果q是真正的角点，那么从q指向p_i的方向应该和p_i处的梯度方向垂直。换句话说，它们的点积为零。

实际计算时，我们通过最小化所有邻域点的误差来求解q：

q = (∑ ∇I(p_i) · ∇I(p_i)^T)^{-1} · (∑ ∇I(p_i) · ∇I(p_i)^T · p_i)

这个公式看着复杂，其实就是一个加权最小二乘。权重就是梯度幅值——梯度越大的点，对角点位置的贡献越大。

实战技巧：我在项目中通常取角点周围11×11的窗口。窗口太小，噪声影响大；窗口太大，会引入非边缘点的干扰。11×11是个不错的平衡点。

代码实现也不复杂，我贴一段核心逻辑：

// 基于梯度法的亚像素角点优化
void refineCornerSubPix(const cv::Mat& img, 
                        std::vector<cv::Point2f>& corners,
                        cv::Size winSize) {
    // winSize通常设为(5,5)，对应11x11窗口
    cv::cornerSubPix(img, corners, winSize, 
                     cv::Size(-1,-1), 
                     cv::TermCriteria(
                         cv::TermCriteria::EPS + 
                         cv::TermCriteria::COUNT, 
                         30, 0.001));
}

OpenCV已经封装好了cornerSubPix函数，但你要理解它背后的原理。迭代终止条件我建议设成0.001像素，迭代次数30次。为什么是0.001？因为再小就没有实际意义了——你的标定板本身的热胀冷缩误差都比这个大。

注意：梯度法对图像质量敏感。如果图像有运动模糊或散焦，梯度方向会失真，亚像素精度会急剧下降。我曾经在一个振动环境下做标定，拍出来的图全是模糊的，亚像素优化反而把结果搞得更差了。后来加了电子快门才解决。

2.3 标定板平面度：被忽视的致命因素

这一节我要重点强调。很多工程师花大价钱买工业相机、买镜头，却用一张打印在普通纸上的标定板。这是典型的「捡了芝麻丢了西瓜」。

标定板的平面度直接影响标定结果的精度。为什么？因为相机标定的本质是求解相机内参和外参，而外参依赖于标定板上特征点的三维坐标。如果标定板本身不平，这些三维坐标就是错的。

我举个例子：假设你的标定板有0.1mm的翘曲，在500mm的工作距离下，这个误差会导致标定出的焦距偏差约0.3%。听起来不大？但在结构光测量中，0.3%的焦距误差会转化为0.3%的深度误差。对于1米的测量范围，就是3mm的偏差。

所以我的建议是：

陶瓷标定板：平面度可达0.01mm，热稳定性好，适合高精度场景
玻璃标定板：平面度0.02-0.05mm，性价比高，注意防摔
铝基板：平面度0.05-0.1mm，适合大尺寸标定
打印纸：平面度不可控，只适合演示或教学

避坑指南：我曾经在一个汽车零部件检测项目里，用了一张A4纸打印的棋盘格。标定结果看起来没问题，重投影误差0.15像素，挺漂亮的。但实际测量时，重复性精度只有0.2mm，远达不到客户要求的0.05mm。后来换成2mm厚的陶瓷标定板，重复性直接降到0.03mm。问题就出在标定板平面度上。

另外，标定板的安装方式也很重要。不要用双面胶直接贴在墙上——墙面的平面度可能比你的标定板还差。我习惯用三点支撑的磁吸底座，既能保证平面度，又方便更换不同尺寸的标定板。

2.4 本章知识体系

为了让你更直观地理解本章内容的结构，我画了一张图：

这张图把本章的三个核心内容串起来了。你可以看到，标定板类型选择、亚像素算法、平面度控制，这三者是环环相扣的。任何一个环节出问题，最终都会反映在测量精度上。

好了，这一章的内容就到这里。标定板选型、亚像素提取、平面度控制，这三个点你吃透了，相机标定的精度就能上一个台阶。下一章咱们聊聊结构光系统的投影仪标定，那个坑更多，到时候我慢慢给你讲。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

2、相机标定进阶：高精度标定板设计与亚像素角点提取

2.1 三种主流标定板：棋盘格、圆点阵、编码标志点

2.2 基于梯度法的亚像素角点定位算法

2.3 标定板平面度：被忽视的致命因素

2.4 本章知识体系