一、相机标定概述：什么是相机标定、为什么需要标定、标定的核心目标与数学模型简介

各位同学，咱们今天聊聊相机标定。说实话，这个知识点在计算机视觉里属于那种「看着不起眼，但绕不过去」的基础活。我刚开始做视觉项目时，总觉得标定是件麻烦事，能省就省。结果呢？后来吃了不少亏——测距偏差、拼接错位、三维重建变形……嗯，从那以后我再也不敢跳过标定了。

1.1 什么是相机标定？

相机标定，说白了就是给相机做一次「视力检查」和「配镜矫正」。

你想想看，我们人眼看到的世界和相机拍到的世界，其实是有差异的。相机镜头有畸变、传感器有安装误差、像素不是绝对正方形……这些都会导致图像失真。标定要做的，就是把这些「偏差」量化出来，然后反过来修正图像。

我个人习惯把标定理解成三个步骤：

• 拍一张棋盘格照片——作为参考物
• 找出棋盘格角点——建立对应关系
• 解算相机参数——得到修正公式

我在项目中遇到过一位同事，他拍标定板时随手拿手机拍了几张，结果标定出来的参数根本不能用。后来我告诉他：标定板要平整、光照要均匀、角度要丰富。他照做之后，效果立竿见影。

1.2 为什么需要标定？

这个问题我问过不少初学者。有人回答「为了校正图像」，有人回答「为了得到相机参数」。都对，但不够全面。

我总结一下，标定的必要性体现在三个层面：

1. 消除畸变——镜头带来的桶形/枕形畸变，不标定的话，直线拍出来是弯的
2. 建立度量关系——从像素坐标到真实世界坐标的映射，没有标定，你没法做精确测量
3. 多相机协同——双目立体、全景拼接，每个相机都得标定，否则拼出来对不上

我记得有一次做工业检测项目，客户要求测量精度达到0.1mm。我们用的工业相机，镜头畸变其实很小。但如果不标定，直接拿像素当毫米用，误差能到2-3mm。标定之后，精度直接拉到0.05mm以内。你说这步能省吗？

1.3 标定的核心目标

标定的核心目标，其实就两件事：

• 内参标定——搞清楚相机内部的光学特性（焦距、主点、畸变系数）
• 外参标定——搞清楚相机在空间中的位置和朝向（旋转、平移）

打个比方：内参就像一个人的视力参数，外参就像他站在哪里、面朝哪个方向。两者缺一不可。

1.4 数学模型简介

这里我尽量说得通俗一点。相机成像的数学模型，本质上是一个「从三维世界到二维图像」的投影过程。

整个过程可以拆成四步：

1. 世界坐标系 → 相机坐标系（外参：旋转矩阵R + 平移向量t）
2. 相机坐标系 → 归一化平面（透视投影）
3. 归一化平面 → 畸变校正（径向畸变 + 切向畸变）
4. 畸变校正后 → 像素坐标系（内参：焦距fx,fy + 主点cx,cy）

用数学公式表达就是：

s * [u, v, 1]^T = K * [R | t] * [X, Y, Z, 1]^T

其中：

• s 是尺度因子
• [u, v] 是像素坐标
• K 是内参矩阵
• [R | t] 是外参矩阵
• [X, Y, Z] 是世界坐标

这个公式看着复杂，其实你拆开看就明白了：

符号	含义	维度
K	内参矩阵（fx, fy, cx, cy）	3×3
R	旋转矩阵（3个角度）	3×3
t	平移向量（3个方向）	3×1
畸变系数	k1, k2, k3（径向）, p1, p2（切向）	5个参数

我曾经在一个项目中，因为用了12参数的畸变模型，结果标定出来的参数过拟合了——对训练数据拟合得很好，但换一组照片就崩了。后来我换回5参数模型，反而更稳定。所以，参数不是越多越好，够用就行。

1.5 标定的常见方法

目前主流的标定方法有三种：

• 张正友标定法——用棋盘格，单相机，多角度拍摄。这是最常用的方法，OpenCV直接支持
• 自标定——不需要标定板，利用场景中的结构信息。精度较低，但灵活
• 主动视觉标定——需要精确控制相机运动。精度高，但设备要求高

我个人最推荐张正友法。为什么？因为它兼顾了精度和易用性。你只需要打印一张棋盘格，用相机拍十几张不同角度的照片，就能得到不错的标定结果。

好了，这一节的内容就到这里。总结一下：相机标定就是给相机做「视力矫正」，核心是解算内参和外参，最常用的方法是张正友标定法。下一节我们会手把手带你用OpenCV实现标定流程。