相机标定的主流方法：分类、原理与对比

随着计算机视觉技术的发展，相机标定方法不断迭代，根据标定过程中是否需要已知参考物、是否依赖人工干预，可将其分为三大类：传统标定法、自标定法和基于深度学习的标定法。各类方法各有优劣，适用于不同的应用场景，下面将详细解析各类方法的核心原理、实现流程及适用范围。

传统标定法是最早发展、最成熟的标定方法，其核心特点是需要使用已知几何形状、已知尺寸的标定板（参考物），通过拍摄标定板的多视角图像，利用参考物上特征点的已知世界坐标和对应图像坐标，求解相机参数。该方法的优点是标定精度高、鲁棒性强，缺点是依赖精准的标定板，操作流程相对繁琐，不适用于无法放置标定板的场景（如高空拍摄、动态场景）。

张正友标定法由张正友教授于1998年提出，是目前应用最广泛的传统标定方法，适用于大多数普通相机（如单反、工业相机、手机相机），其核心优势是无需知道标定板的姿态，仅需拍摄多幅不同姿态的标定板图像，即可完成标定，兼顾精度与便捷性。

张正友标定法的核心原理的是利用“平面标定板”的约束条件，将内参和外参分离求解：首先，假设标定板位于世界坐标系的z=0平面，通过多幅图像中特征点（棋盘格角点）的对应关系，求解每幅图像对应的外参（旋转矩阵R、平移向量t）；然后，利用外参的约束，建立内参的求解方程，通过最小二乘法求解内参矩阵和畸变系数；最后，通过迭代优化，减小标定误差，得到最终的精准参数。

该方法的实现流程为：① 准备棋盘格标定板（常用10×7、9×6的棋盘格，尺寸精准）；② 改变标定板的姿态（旋转、平移），拍摄10-20张不同角度、不同位置的图像，确保特征点覆盖整个图像平面；③ 提取图像中的棋盘格角点，进行亚像素级精确化（提高特征点定位精度）；④ 求解外参、内参和畸变系数；⑤ 迭代优化参数，验证标定精度。

张正友标定法的精度可达像素级，适用于工业检测、三维重建等对精度要求较高的场景，目前OpenCV等开源视觉库已集成该方法的实现接口，方便工程人员快速应用。

除张正友标定法外，传统标定法还包括基于3D标定物的标定法和基于单应性矩阵的标定法。基于3D标定物的标定法（如立体标定块），通过已知3D坐标的标定物，直接建立世界坐标与图像坐标的对应关系，标定精度更高，但3D标定物制作成本高、体积大，不适用于狭小空间；基于单应性矩阵的标定法，通过拍摄平面物体的多视角图像，求解单应性矩阵，进而分离内参和外参，操作更便捷，但精度略低于张正友标定法，适用于对精度要求不高的场景。

自标定法（也称为无标定法）的核心特点是无需已知参考物，仅利用图像自身的约束条件（如场景中的直线、平行关系、光流信息），求解相机内参和外参。该方法的优点是操作灵活，适用于无法放置标定板的场景（如无人机航拍、机器人自主导航、动态场景），缺点是标定精度较低、鲁棒性差，易受场景特征、光照条件的影响，仅适用于对精度要求不高的场景。

自标定法的核心原理是利用相机运动的约束和场景的几何约束，建立内参的求解方程。常用的约束条件包括：① 绝对二次曲线约束：利用场景中隐含的绝对二次曲线，建立内参矩阵的约束方程，求解内参；② 运动恢复结构（SfM）约束：通过相机的连续运动，提取图像中的特征点，恢复场景的三维结构，同时求解相机的内参和外参；③ 平行直线约束：利用场景中的平行直线（如建筑边缘、道路标线），其在图像中会相交于灭点，通过灭点求解相机的焦距和主点。

典型的自标定方法包括Hartley自标定法、Faugeras自标定法等。Hartley自标定法利用绝对二次曲线的不变性，通过多幅图像的单应性矩阵，求解内参矩阵，适用于相机运动相对灵活的场景；Faugeras自标定法基于相机的平移运动约束，求解内参和外参，精度略高于Hartley方法，但对相机运动的要求更严格。

随着深度学习技术的发展，基于深度学习的相机标定法成为近年来的研究热点，其核心特点是利用神经网络的强大拟合能力，直接从图像中学习相机参数，无需人工干预，适用于复杂场景、动态场景和批量标定场景。该方法的优点是智能化程度高、操作便捷，可实现端到端标定，缺点是需要大量标注数据，对硬件算力要求较高，标定精度目前仍略低于传统标定法，但在特定场景下已能满足实际需求。

基于深度学习的标定法主要分为两类：一类是基于监督学习的标定法，通过构建标注了相机参数（内参、外参）的图像数据集，训练神经网络，让模型能够根据输入图像直接预测相机参数；另一类是基于无监督学习的标定法，无需标注数据，利用图像的几何约束、光流信息或多视角图像的对应关系，通过神经网络自主学习相机参数，避免了数据标注的繁琐工作。

典型的研究成果包括：利用CNN网络预测相机内参，通过多尺度特征融合提高预测精度；利用Transformer架构捕捉图像中的全局几何信息，优化外参预测效果；结合SfM技术与深度学习，实现动态场景下的实时标定。目前，基于深度学习的标定法已应用于手机相机批量标定、自动驾驶动态标定等场景，随着模型的优化和数据集的完善，其精度和鲁棒性将不断提升。