相机标定的常用方法与实操要点

了解了原理、模型和参数后，实际的相机标定如何操作？目前，相机标定的方法主要分为三大类：传统标定法、自标定法和主动视觉标定法，其中传统标定法（以张正友标定法为代表）因操作简单、精度高，是工业界和自动驾驶领域最常用的方法。

张正友标定法由微软亚洲研究院的张正友博士于1998年提出，其核心优势是“无需高精度三维靶标”，仅需使用一张打印的棋盘格靶标，通过拍摄不同姿态的靶标图像，即可求解出相机的内参、外参和畸变系数。该方法兼顾了精度和实操性，广泛应用于自动驾驶、机器人视觉、工业检测等领域。

1. 准备标定靶标：打印一张棋盘格靶标（常用的是8×6、9×7的角点布局），测量并记录每个格子的实际边长（如20mm）；

2. 采集靶标图像：将靶标固定在平面上，调整相机与靶标的距离、角度，拍摄10-20张不同姿态的靶标图像（确保靶标在图像中完整显示，且覆盖图像的不同区域，姿态变化足够大）；

3. 提取角点：通过图像处理算法（如Harris角点检测），提取每张图像中棋盘格的角点坐标（像素坐标）；

4. 建立对应关系：根据靶标的实际尺寸，确定每个角点的世界坐标（如以靶标左上角角点为原点，X轴、Y轴平行于靶标平面，Z轴为0）；

5. 求解参数：利用角点的世界坐标与像素坐标的对应关系，通过最小二乘法求解内参矩阵K、外参（R、t）和畸变系数；

6. 精度验证：通过重投影误差（将世界坐标中的角点，通过求解的参数投影到图像中，计算投影坐标与实际提取的角点坐标的偏差）验证标定精度，若重投影误差过大，需重新采集图像或调整靶标姿态，重新标定。

在自动驾驶场景中，相机标定的精度要求远高于普通视觉应用，因为其直接关系到车辆行驶安全，因此需要注意以下几点：

1. 标定环境：选择光线均匀、无反光、无遮挡的环境，避免光线过强或过暗导致角点提取失败；同时，标定区域需足够大，确保靶标能够呈现不同姿态，覆盖相机的整个视场。

2. 靶标选择：优先使用高精度棋盘格靶标，格子边长需精准测量；对于车载环视相机，可使用环形靶标或多棋盘格靶标，确保覆盖环视相机的所有视场。

3. 图像采集：拍摄的图像数量需足够（不少于15张），靶标姿态变化需充分（平移、旋转、俯仰），避免姿态单一导致参数求解不稳定；同时，确保靶标在图像中清晰可见，角点无模糊、无遮挡。

4. 多传感器融合标定：自动驾驶中，相机通常与LiDAR、IMU等传感器融合使用，因此需要进行多传感器联合标定（如相机-LiDAR标定），确保各传感器的坐标系统一，避免因传感器之间的偏差导致融合算法失效。

5. 定期重新标定：车载相机的安装姿态可能因车辆行驶中的振动、碰撞等因素发生偏移，因此需要定期（如每3个月、每行驶1万公里）重新标定，确保参数的准确性；同时，更换镜头、维修相机后，也需重新标定。

相机标定是连接图像与真实世界的“桥梁”，其核心是通过求解内参、外参和畸变系数，建立像素坐标与世界坐标的精准映射，修正镜头畸变和安装偏差。从基础原理来看，针孔相机模型是标定的核心框架，四级坐标系统的映射关系是数学基础；从实际应用来看，张正友标定法是最常用的实操方法，而在自动驾驶场景中，标定的精度、稳定性直接决定了环境感知、目标定位、路径规划等核心功能的可靠性。

随着自动驾驶技术的发展，相机标定也在向“自动化、高精度、在线化”方向演进——比如量产车的产线自动化标定、行驶过程中的在线自标定，能够大幅提升标定效率和适应性，满足自动驾驶L4、L5级别的高精度需求。此外，多传感器融合标定（相机-LiDAR-IMU）、鱼眼镜头/环视相机的标定等细分场景，也成为相机标定技术的重要发展方向。

对于从事计算机视觉、自动驾驶相关的从业者来说，掌握相机标定的原理、模型和参数，不仅能够理解视觉应用的底层逻辑，更能在实际项目中解决精度偏差、参数失效等问题，为后续的算法开发和系统落地奠定坚实基础。从0到1掌握相机标定，本质上是掌握“让机器看懂真实世界”的核心能力——这也是所有视觉技术的出发点和落脚点。