大家在机器视觉与上位机学习过程中，是不是总觉得资料零散、难点难破？别担心，咱们「上位机视觉学堂」服务号一直专注于分享这一领域的干货知识。现在关注，就能轻松获取系统的学习资料包，从基础原理到实战案例一应俱全。如果想更快领到资料，直接加微信 hxdalin2014 就行，咱们一起在技术路上少走弯路，高效进阶～

一、相机标定有何必要？

相机镜头，尤其是广角镜头，往往会引入诸如桶形畸变或枕形畸变等畸变现象，使得图像中的直线呈现出弯曲。与此同时，相机内部的传感器与光学系统均具备其特定的参数设置。而标定的核心目的，便在于此：

1. 校正图像畸变：通过获取畸变系数，对图像进行精确校正，最终呈现出无畸变的理想图像。

2. 内参获取：构建图像像素坐标与实际三维世界坐标之间的数学关联，此为执行三维重建、精确测量、机器人抓取等关键任务的根本基础。

未经标定，相机仅存为一种“拍照设备”；唯有经过精确的标定，方能使之转变为一种“测量设备”。

二、标定板类型

1. 棋盘式标定板

图案：黑白方格一致。

原理：该技术基于对图像中方格角点的识别。角点通常位于黑白边缘的交汇处，而OpenCV等图像处理库提供了诸如`findChessboardCorners`之类的内置函数，能够实现对这些角点的亚像素级精确定位。

优势：算法技术成熟，检测过程简便且可靠，因此成为应用最为广泛的一种方法。

不足之处：为确保成功识别，棋盘格需完整地位于画面范围内。

2. 圆形网格标定板（圆形阵列 / 点阵图案）

图案设计：以阵列形式有序排列的圆形斑点。

原理：通过识别圆的中心（即Blob Detection）来实现。相较于角点，圆心具有更高的稳定性，对于模糊图像的处理展现出更强的鲁棒性。

优点：

即便某些圆球位于视野之外，依然能够被准确探测。

对镜面反射材质，如金属表面的相机标定，展现出显著优势。

某些圆网格标定板设计上采取非对称结构，有效消除了标定板在180度翻转时可能产生的方向识别困惑。

不足之处：存在所谓的透视偏差（亦称椭圆中心偏差）。当相机以斜角进行拍摄时，圆形物体在图像中会呈现出椭圆形，而该椭圆的几何中心并不与圆的透视投影中心严格吻合。因此，需要通过算法进行相应的补偿，以避免误差的产生。

3. 二维码与Charuco标定板的应用

图案设计：巧妙融合了棋盘格图案与圆形网格，并融入了ArUco二维码标记。

原理：ArUco码均拥有独特的标识符，从而确保了标记点身份的精准识别。

优点：

卓越的鲁棒性：即便标定板的大部分区域被遮挡，仅需辨识出少数几个编码点，便能够精确地确定整个板子的姿态以及所有点的具体位置。

此方案能有效遏制棋盘格角点“串行”现象的发生。

适用范围：特别适用于需进行**动态标定**或经常遭受局部遮挡的环境。Charuco板是OpenCV极力推荐的**高精度**标定解决方案。

三、标定板选择要点？

材质也很重要：

材质：成本较低，然而易受损害、易发生翘曲，进而影响测量精度。此类材料适用于学习用途或对精度要求不高的场合。

陶瓷材质以其卓越的稳定性著称，其低热膨胀系数使其成为高精度工业测量的理想选择。

玻璃：其平整度达到极致，成为最高精度需求的理想选择，然而，它却显得尤为脆弱且价格不菲。

铝基板：在追求平整性与耐用性的双重考量下，实现了极佳的平衡，因而成为工业领域中的热门之选。

四、标定标定板的基本流程

数据采集：需从多角度、多距离以及不同拍摄姿态，对标定板进行**15-20张**图像的拍摄。务必保证标定板在视野中全面覆盖，涵盖所有区域，尤其是边缘和四个角落。

2. 角点与圆心识别：通过算法（例如OpenCV库）实现对每幅图像中标定板上特征点的自动定位，包括角点和圆心。

3. 确立匹配联系：将检测到的图像中的像素点（以坐标 `u, v` 表示）与标定板上已知的实际物理坐标（记为 `X, Y, Z`，其中Z值通常设为0）进行精确的对应匹配。

采用最小化重投影误差的优化算法，例如Levenberg-Marquardt算法，以求解相机内参及畸变系数的最佳值。

5. 评估成果：核对重投影误差（常规标准为低于0.1像素），误差愈小，表明标定精度愈发精确。

五、总结及注意

核心功能：标定板充当相机标定的“基准尺”，为计算相机参数提供确定性的世界参照。

平整度的关键性不容忽视：标定板本身必须保持极致的平整性。一旦出现弯曲或翘曲，便不可避免地会引入标定误差。

均匀照明至关重要：在进行图像采集时，应尽量避免反光和阴影的干扰，确保特征点能够清晰呈现。

姿态需多变：在所采集的图片中，标定板应展现出倾斜、旋转、远近等多种不同的角度和距离。

常用工具：OpenCV 是最为广泛使用的标定工具库，其内含丰富的标定函数和详尽的标定流程。