一、相机标定到底在解决什么问题相机拍到的图像是二维像素阵列真实世界是三维的。要让机器人或自动驾驶系统通过图像理解真实世界——比如测量前方障碍物的距离、判断车道线位置——就得在像素坐标和真实世界坐标之间建立映射关系。这个映射关系就是标定要干的事。拆开看三个核心问题内参每个像素对应真实世界多大的角度图像中心到底在哪镜头让画面弯了多少外参相机装在车/机器人的哪个位置朝哪个方向和车体坐标系什么关系畸变镜头把直线拍弯了广角镜头尤其严重怎么纠正关键判断不是所有相机都需要标定。如果相机只是给人看画面倒车影像、监控不需要标定。但如果图像要参与算法计算——目标检测、距离测量、三维重建——就必须标定。整个标定流程是这样的二、标定原理四次坐标系转换相机标定就是求解四个坐标系之间的转换关系。一张图讲清楚2.1 四个坐标系速查2.2 三步转换第一步世界 → 相机刚体变换通过旋转矩阵R3×3和平移向量t3×1把世界坐标系下的点旋转平移成相机坐标系下的点。R 和 t 合起来就是外参。第二步相机 → 图像透视投影利用小孔成像原理相似三角形把三维点投影到二维平面。关键参数是焦距 f。第三步图像 → 像素离散化把物理尺寸mm换算成像素单位。每个像素的物理尺寸为dx × dymm/像素主点在像素坐标系中的位置为(cx, cy)。焦距 f、主点 (cx, cy)、像素尺寸 dx/dy 合起来构成内参矩阵 K。一句话总结外参管相机在哪、朝哪看内参管像素怎么映射到物理世界畸变管镜头弯了多少。三者缺一不可。2.3 畸变从哪来理想针孔模型描述不了真实镜头。实际镜头有两种畸变径向畸变光线在透镜边缘弯得更多图像桶形或枕形变形。用k1、k2、k3三个系数描述。切向畸变透镜和成像平面不平行用p1、p2两个系数描述。要点畸变系数不是越多越好普通场景用 k1、k2、p1、p2 就够了共 5 参数开太多参数容易过拟合校正效果反而更差。三、标定参数内参和外参怎么来3.1 内参厂家给的值能直接用吗大多数工业相机和车载相机出厂时会附带一份内参报告包含焦距、主点、畸变系数等。这些数据是在出厂时的光学平台上用精密仪器测出来的理论精度很高。但问题在于出厂标定和实际使用环境不同。温度变化、振动、镜头螺纹松紧度等都会影响内参尤其是焦距。焦距差 1%100 米外的测量误差就可能达到 1 米。自己标定优化在实际部署前用标定板重新标定能得到更贴合实际工况的内参。一般做法打印一张高精度棋盘格标定板常用9×6 或 10×7格每格尺寸精确已知如30mm在不同角度、不同距离下拍摄15-30 张标定板图片用 OpenCV 的cv2.calibrateCamera()或 MATLAB 的 Camera Calibrator 工具箱求解以重投影误差作为质量指标一般要求 0.3 像素优秀 0.1 像素经验厂家标定值作为初始值没问题但装车/装机器人后强烈建议自己标定一次。焦距和畸变系数在实际工况下和出厂值可能有明显差异。3.2 外参装车后必须重新标定相机装到车上或机器人上后外参R, t就完全变了。外参描述的是相机坐标系相对于车体/机器人基座坐标系的位置和姿态。外参标定通常有两种方式静态标定在车/机器人周围放置已知位置的标定物标定板、AprilTag、Charuco 板拍摄后通过PnPPerspective-n-Point算法求解。动态标定利用车辆/机器人的运动如走直线、转弯结合里程计或 IMU 数据通过视觉-惯性联合优化在线标定外参。要点内参可以一次标定长期使用除非温度剧烈变化或受到撞击但外参是装车后必须标定而且长期运行中需要在线修正漂移。四、单摄像头标定4.1 标定五步走Step 1准备标定板棋盘格是 OpenCV 原生支持的标定板推荐格子数9×6 或 10×7格子尺寸30mm 或 50mm根据视场大小选择打印后贴在平整的硬板上玻璃、铝板最佳普通纸贴泡沫板精度不够Step 2采集标定图像标定板在相机视野内各种角度、各种位置拍 15-30 张覆盖整个视野四个角、中间、近处、远处每张图片中标定板要完整可见标定板尽量倾斜不要总平行于成像平面这样能更好约束焦距参数标定板占画面面积 20%-60% 为宜Step 3角点检测OpenCV 提供cv2.findChessboardCorners()自动检测棋盘格角点再配合cv2.cornerSubPix()进行亚像素精度优化。Step 4求解内参和畸变调用cv2.calibrateCamera()输入世界坐标系下的角点坐标已知格子尺寸和图像坐标系下的角点坐标输出内参矩阵 K、畸变系数 D、每张图的外参 R 和 t。Step 5评估质量计算重投影误差将世界坐标点用标定出的参数反投影到图像上与检测到的角点比较。平均误差 0.3 像素为合格 0.1 像素为优秀。超过 0.5 像素需要回头检查角点检测精度或重新采集图像。本节要点单目标定五步走——准备标定板 → 多角度采集 15-30 张 → 角点检测 → calibrateCamera() 求解 → 重投影误差评估。核心原则标定板要覆盖整个视野不要只拍正面。4.2 单目标定的局限单目相机无法直接获取深度信息。标定后单目只能建立起像素 → 光线方向的映射但无法确定光线上的物体距离。要在机器人/车载场景中做测距单目必须配合其他传感器如 IMU 做尺度估计或依赖地面平面假设。4.3 标定完了怎么验证光看重投影误差不够重投影误差 0.3px 就算合格别被这个数字骗了。重投影误差只能说明标定板上的角点拟合得好不能说明标定参数在实际场景中好用。下面几种验证方法按靠谱程度排序方法一用独立验证集算重投影误差标定时用 20 张图另外留 5 张不参与标定专门用来验证。在这 5 张验证图上跑cv2.projectPoints()算重投影误差。如果验证集误差比训练集大很多比如训练集 0.1px验证集 0.5px说明标定数据过拟合了——姿态覆盖不够、畸变参数开太多都可能导致这个问题。方法二畸变校正后看直线拍一张包含直线的实际场景照片走廊、建筑外墙、瓷砖地板线用标定参数做畸变校正后肉眼检查这些直线是否真的直了。这是最直观的验证方式——如果校正后墙边还是弯的标定就是失败的重投影误差再低也没用。方法三放已知尺寸的物体测距双目标定完双目后找一把尺子或一个已知尺寸的物体放在相机前方用标定参数计算深度和实际距离对比。比如在 1 米处放一个标定板双目测距结果应该是1.0m ± 2cm。如果偏了 10cm回头检查基线距离和立体校正结果。方法四多视角投影一致性多相机从不同位置拍同一个物体用标定出的外参把物体投影到统一的坐标系下看投影点是否重合。如果偏差超过1 个像素说明多相机之间的外参有问题。方法五传感器融合对齐验证车载把激光雷达点云投影到相机图像上检查点云边缘和图像边缘是否对齐。比如路边的路灯杆点云投影到图像上应该刚好落在灯杆的像素边缘上。如果偏了5 个像素以上外参需要重新标定。特斯拉等车企的产线标定工位核心验收标准就是这个。踩过的坑有次标定完双目重投影误差 0.12px 看着很漂亮但实际测距 3 米外的物体偏差 15cm。回头看标定数据——20 张照片全在画面中央 30% 区域内拍的标定板从来没出现在边缘。标定参数在中央区域拟合得很好但边缘区域的外推精度一塌糊涂。补拍边缘 10 张后重标测距误差降到 2cm。本节要点重投影误差低 ≠ 标定好。必须用独立验证集、直线校正、实物测距、传感器融合对齐来验证。标定板必须覆盖画面边缘否则外推精度不可靠。五、双目摄像头标定5.1 双目标定比单目多什么双目相机除了要标定每个摄像头的内参还需要标定两个摄像头之间的外参——即右摄像头相对于左摄像头的位置和姿态R, t。这个外参是双目测距的基础知道了两个相机之间的基线距离和相对姿态再加上视差就能用三角测量算出深度。5.2 双目标定流程Step 1分别标定左右相机先用单目标定方式分别获取左右相机的内参和畸变系数。Step 2立体标定用cv2.stereoCalibrate()同时输入左右相机拍摄的同一组标定板图像输出左右相机之间的旋转矩阵 R 和平移向量 t基线。Step 3立体校正用cv2.stereoRectify()将左右图像校正到共面且行对齐——即左右图像中同一物体出现在同一行上。这是双目匹配算法的前提。对极误差一般要求 0.25 像素。Step 4验证检查校正后的图像对同一特征点应在左右图的同一行上误差 1 像素。本节要点双目标定比单目多两步——立体标定求 R, t 基线和立体校正行对齐。对极误差 0.25px 是硬指标。硬件同步触发是必须的软件触发不够精确。5.3 双目标定的工程要点左右相机必须同时触发拍摄硬件同步否则运动物体会产生视差误差。软件触发通常不够精确基线距离越大远距离测距越准但近处盲区也越大标定时的光照、温度应与实际使用场景接近六、多摄像头联合标定6.1 为什么需要联合标定现代智能汽车通常配备 8-12 个摄像头前视、环视、侧视、后视机器人也可能配备多个不同朝向的摄像头。这些摄像头各自独立标定完后还需要统一到同一个坐标系下——通常是车体坐标系或机器人基座坐标系。这样才能实现360 度环视拼接Birds Eye View多相机目标跟踪一个物体从前方视野进入侧方视野需要知道是同一个物体多传感器融合相机 激光雷达 毫米波雷达6.2 四种联合标定方法方法一基于公共标定物的全局标定在所有相机都能看到的区域放置大型标定板或多个标定物一次性标定所有相机的外参。精度高但场地要求高多相机视野可能没有重叠区域。方法二基于标定间的链式标定相机 A 和 B 有公共视野 → 标定 A-B 关系相机 B 和 C 有公共视野 → 标定 B-C 关系由此推导出 A-C 关系再统一到车体坐标系。适合环视相机系统。方法三基于车辆运动的在线标定车辆在特定场地标定间按固定轨迹行驶利用特征点地面标志、墙壁标记和车辆里程计同时优化所有相机的外参。目前量产车最常用的方式。方法四基于自然场景的在线标定利用车道线、交通标志、建筑物边缘等自然特征持续在线优化外参。不需要专门的标定间但精度不如离线标定适合做外参的长期维护和漂移补偿。选型建议产线用方法三标定间车辆运动研发用方法一公共标定物长期维护用方法四自然场景在线修正。6.3 多相机标定的关键挑战七、常用标定方法对比7.1 张正友标定法最主流原理1999 年微软研究员张正友搞出来的。用平面棋盘格标定板从不同角度拍多张图通过单应性矩阵求解内参再通过旋转矩阵的正交性约束求解外参最后用 Levenberg-Marquardt 算法做非线性优化。优点只要一个平面标定板成本极低上手简单OpenCV/MATLAB/ROS 都有现成的精度高重投影误差能到 0.1 像素以内鲁棒光照变化影响不大缺点得拍 15-30 张不同角度的图麻烦标定板要覆盖整个视野大视场相机需要大标定板对广角鱼眼镜头效果一般需要额外处理7.2 Tsai 两步法原理先用线性方法求解大部分参数再用非线性优化求解畸变系数。两步走先粗后精。优点计算量比张正友法小适合实时性要求高的场景。缺点精度稍低于张正友法对标定板的要求更高需要三维标定物。7.3 基于 AprilTag/Charuco 的标定原理用二维码式的标定标记AprilTag或棋盘格二维码混合Charuco每个标记有唯一 ID即使部分遮挡也能识别。优点部分遮挡不影响标定适合多相机系统不需要完整看到标定板角点检测精度更高缺点需要打印专用标定板小尺寸标记在远距离检测困难7.4 Kalibr多相机IMU 联合标定原理ETH Zurich 搞的开源标定工具GitHub: ethz-asl/kalibr支持多相机、相机-IMU、相机-激光雷达的联合标定基于非线性优化Bundle Adjustment。优点支持多传感器联合标定精度很高学校和企业都在用支持 AprilGrid 标定板缺点上手麻烦学习曲线不低标定过程耗时不少对数据质量要求高7.5 在线自标定原理用自然场景中的线特征、消失点、车道线等信息不依赖标定板在车辆/机器人运行过程中动态更新外参。优点不需要标定板不需要标定场地能持续补偿外参漂移适合量产车长期维护缺点精度不如离线标定依赖场景特征隧道/黑夜场景可能失效算法复杂度高需要良好的初始化7.6 方法对比一览选型速查开发调试 → 张正友法成本极低多传感器 → Kalibr精度最高量产维护 → 在线自标定持续修正鱼眼镜头 → Ocam 模型FOV 150° 必选。7.7 鱼眼相机标定Ocam 模型前面说的主要是普通镜头视场角 120°但车载和机器人经常用鱼眼镜头视场角 180° 甚至更大。鱼眼镜头的畸变太大传统针孔模型 径向/切向畸变参数已经不够用了。Ocam 模型是鱼眼标定的主流方案。核心思路用一个多项式直接拟合入射角 θ 到像高 ρ 的映射关系ρ pol[0] pol[1]·θ pol[2]·θ² ... pol[N]·θ^N其中 ρ 是像素到光心的距离θ 是入射光线与光轴的夹角。通常用 4-6 阶多项式就够了。Ocam 相比传统畸变模型的优势实际工程中怎么选普通镜头FOV 100°张正友法 5 参数k1,k2,p1,p2,k3OpenCV 原生支持广角镜头100° FOV 150°cv2.fisheye.calibrate()OpenCV 的鱼眼模型超广角/鱼眼FOV 150°Ocam 模型参考ethz-asl/kalibr或使用 MATLAB 的鱼眼标定工具箱和 AVM 系统的关系典型的 AVM 系统同时支持针孔模型和 Ocam 模型。实际部署时相机厂商用专门的标定设备做 Ocam 内参标定高精度转台 平行光管产线只做外参优化。研发阶段如果自己标定鱼眼相机建议用 Kalibr 的 AprilGrid Ocam 模型方案。八、标定难点与常见易错点标定说起来不难——拍几张棋盘格照片跑个 OpenCV 函数参数就出来了。但实际工程中标定翻车太常见了。下面是六个高频坑位每个都附了真实案例。8.1 标定板姿态覆盖不足这是最普遍的问题。很多新手在一个固定位置反复拍十几张或者只拍正面、不拍侧面。结果就是标定板始终在画面中央、始终平行于成像平面。后果焦距和主点约束不足标定结果看似重投影误差很低但实际测距精度一塌糊涂。正确做法标定板要覆盖整个视野——四个角、上下左右边缘都要拍到。标定板要有倾斜至少 30-45 度不要一直平行于成像平面。近处、中间、远处各拍几张。真实案例有次在实验室标定一个广角车载相机20 张图拍完重投影误差 0.08px高兴得以为完美了。结果装车路测车道线检测偏差 30cm。回头一看20 张图全是站在相机正前方 1 米处拍的标定板从来没出现在画面边缘。补拍四角和边缘 10 张后重标路测偏差降到 3cm。教训重投影误差低不代表标定好只代表在当前数据上拟合得好。8.2 手持标定板拍摄网上很多教程示范手持标定板拍摄这在双目标定场景下很麻烦。手持意味着运动模糊即使你感觉手很稳卷帘快门畸变消费级相机尤其严重双目之间时间同步失效微秒级偏差就够造成大误差正确做法用三脚架固定相机标定板也固定在稳定表面上。如果要移动标定板每次移动后等待稳定再拍摄。如果用工业相机务必使用硬件触发同步。真实案例一个项目用 USB 双目相机 手持标定板做标定标定完重投影误差 0.15px看着还行。但实际测距 2 米外的物体误差高达 8cm。排查发现USB 相机是卷帘快门的手持标定板时微小的抖动导致每行像素曝光时间不同产生了肉眼不可见的畸变。换成三脚架固定 硬件触发同步后测距误差降到 1.5cm。8.3 光照不当人眼能适应大幅度的光照变化但相机不行。标定板在图像中需要足够的对比度同时又不能反光。常见问题自然光下阴影不均匀角点检测在暗处丢失室内灯光造成镜面反射棋盘格亮区过曝标定板和背景对比度不够正确做法使用均匀的漫射光源阴天室外、柔光箱避免阳光直射。用rqt_image_view或 OpenCV 实时检查图像确保黑白格子边界清晰锐利没有过曝或欠曝。真实案例一次户外标定在下午 3 点进行太阳斜射导致标定板半边过曝、半边正常。角点检测在过曝区域丢失了 40% 的角点但findChessboardCorners没有报错——它静默返回了 FalseOpenCV 的行为棋盘格检测失败时不抛异常直接返回空结果。标定程序没有任何警告因为没检测到棋盘格的图片被跳过了导致实际上只有 8 张有效图片参与标定精度可想而知。换到阴凉处重拍角点检测率达到 100%。8.4 畸变参数开太多OpenCV 支持 k1、k2、k3、p1、p2、s1、s2、s3、s4 等多个畸变参数。有人觉得参数越多越精确全部打开。结果就是过拟合——重投影误差低得离谱但实际畸变校正效果很差尤其画面边缘。正确做法相机模型越简单越好。一般场景用 k1、k2、p1、p2 就够了。k3 对大多数镜头影响极小额外的 s 参数薄棱镜畸变只在极端情况下才需要。用独立测试图像验证校正效果不要只看重投影误差。真实案例OpenCV 论坛上有个经典案例一个用户用 rational model8 参数畸变模型标定重投影误差 0.05px但校正后的图像边缘出现了奇怪的波纹——直线在校正后反而变形了。原因是标定数据没有覆盖画面边缘rational model 在边缘区域做了不可靠的外推。换回 5 参数模型k1,k2,p1,p2,k3校正效果反而正常了。8.5 忽略温度漂移和外参变化标定做完就万事大吉不存在的。传感器在 -20°C 到 60°C 的环境下工作温度变化会导致物理形变安装角度偏移。特斯拉 FSD 测试中因传感器标定偏差导致 23% 的紧急制动场景失效。某自动驾驶测试车辆在雨雪天气中IMU 与摄像头标定误差累计导致车道偏离判定失败。正确做法建立标定参数版本管理机制定期在实车/实机上做全链路标定验证引入在线标定机制利用道路特征点车道线交点持续优化外参标定精度要求摄像头 ±0.1°激光雷达 ±0.2°毫米波雷达 ±0.5°真实案例冬天在室外标定的双目相机参数夏天拿到户外用测距精度从 2cm 飘到了 8cm。查了一圈发现环境温度从 -5°C 升到 40°C相机镜头的焦距产生了约 0.4% 的偏移双目基线的铝合金支架也发生了热胀冷缩。后来加了在线标定模块每周用自然场景中的消失点自动修正一次外参测距精度才稳定在 2cm 以内。实测数据环境温度每变化 10°C工业相机焦距可能偏移 0.3%~0.5%基线距离变化会直接等比例传递到深度误差。8.6 标定板质量问题打印在普通 A4 纸上、贴在不平整的泡沫板上——这种标定板精度根本达不到要求。标定板的平面度和格子尺寸精度会直接传递到标定结果中。正确做法使用高精度、刚性材质的标定板玻璃基底、陶瓷基底、铝板。标定板格子尺寸精度应在微米级。如果预算有限至少用高质量打印 贴在玻璃或铝板上。真实案例一个团队用 A4 纸打印棋盘格、贴在泡沫板上标定标定完测距精度一直稳不住不同批次标定结果差异很大。后来发现泡沫板在不同湿度下会轻微弯曲弯曲量只有 0.5mm但足以导致角点的世界坐标出现偏差。换成 200 块的玻璃基底标定板后标定结果的可重复性明显提升不同批次的标定参数差异从 5% 降到了 0.5% 以内。8.7 标定翻车了怎么排查一套排查流程标定结果不理想的时候不能瞎猜。下面这套排查流程按优先级从高到低排列大多数标定问题都能定位到。排查口诀一看角点准不准二看姿态全不全三剔误差最大图四查畸变合不合理五验直线直不直。各步骤要点第一步逐张检查角点检测图像。把每张标定图片上检测到的角点画出来cv2.drawChessboardCorners()肉眼检查角点是否准确定位在黑白格子的交叉点上。如果角点偏了半个像素以上这整张图的数据就是污染的。常见原因光照不均、运动模糊、标定板反光、图像分辨率太低。处理方法加cv2.CALIB_CB_ADAPTIVE_THRESH标志位提升低光照下的检测率或者直接剔除这张图。第二步检查标定板姿态分布。把每张图对应的外参rvec画出来看标定板在相机坐标系中的姿态分布。如果所有姿态集中在 ±10 度以内说明标定板根本没倾斜过焦距约束不足。理想情况下标定板应该在 X、Y、Z 三个方向的旋转角度上都有分布。第三步剔除误差最大的图片。每张图都有独立的重投影误差把误差最大的 20% 图片剔除后重新标定看总误差是否显著下降。如果剔除几张图后误差从 0.5px 降到 0.2px说明那几张图有问题角点检测不准或姿态太极端。第四步检查畸变系数是否合理。一个经验法则k1 的正常范围在 -0.5 到 0.5 之间。如果 k1 的绝对值超过 1甚至超过 10说明数据有问题——要么角点检测错了要么棋盘格尺寸填错了要么标定板姿态全是正面。正常镜头不会产生这么大的畸变系数。第五步用独立验证集验证。不要用标定数据集验证标定结果——这是循环论证。用一组没参与标定的图片做畸变校正后检查直线是否真的直了。如果校正后直线还是弯的说明模型过拟合需要减少畸变参数或增加标定板姿态覆盖。本节要点标定翻车时按顺序排查——角点检测 → 姿态覆盖 → 剔除坏图 → 畸变系数 → 直线验证。绝大多数问题在第一步角点或第二步姿态就能定位到。九、车载/机器人场景中的标定实践9.1 车载相机标定的典型流程9.2 机器人相机标定的典型流程机械臂视觉Eye-in-hand相机装在机械臂末端手眼标定Eye-to-Hand 或 Eye-in-Hand标定相机坐标系到机械臂末端坐标系的变换移动机器人视觉单目/双目/深度相机外参标定到机器人基座坐标系配合 IMU/里程计做视觉-惯性联合标定在线自标定补偿震动和碰撞导致的外参漂移9.3 手眼标定机器人专属机器人领域多了一个特殊问题相机和机械臂的关系。分两种情况眼在手外Eye-to-Hand相机固定在工作台上标定相机坐标系到机器人基座坐标系的关系眼在手上Eye-in-Hand相机装在机械臂末端标定相机坐标系到末端执行器坐标系的关系数学上就是求解 AX XB 方程。其中 A 是机械臂末端的运动从位置 i 到位置 jB 是相机观测到的标定板运动X 是待求的相机到机械臂末端或基座的变换矩阵。常用算法Tsai-Lenz 法两步法先解旋转再解平移、Park 法基于李代数、Daniilidis 法对偶四元数同时求解旋转和平移。实际怎么选手眼标定容易踩的坑机械臂运动范围不够大如果机械臂只在 10° 范围内摆动AXXB 的旋转分量约束不足标定结果不稳定。至少要在 3 个正交方向上做大幅度的旋转和平移。标定板位姿退化如果标定板始终平行于相机成像平面PnP 解算的深度分量不稳定。标定板要多角度倾斜。机械臂运动学误差传递机械臂自己的运动学精度如果差了 2mm手眼标定不会好于 2mm。柔性关节机械臂如使用谐波减速机的需要考虑关节柔性误差通常需要做局部区域标定而非全空间标定。9.4 AVM 环视系统标定实战车载环视AVMAround View Monitor是量产车上相机标定最典型的应用。下面以典型的 4 路鱼眼相机 AVM 系统为例拆解产线标定流程。系统配置4 个鱼眼相机前、后、左、右分辨率 1280×720车身停在标定间中央地面铺设棋盘格标定图案每个相机下方有 6×9 的棋盘格每格 100-150mm标定间尺寸约 6000mm × 6000mm核心算法1. 外参初值计算对每个相机利用检测到的棋盘格角点世界坐标已知和对应图像坐标通过 DLT直接线性变换 SVD 分解计算单应性矩阵 H。然后从 H 中分解出旋转矩阵和平移向量——H [r1, r2, t]其中 r1、r2 是旋转矩阵的前两列通过三角函数求解欧拉角pitch/yaw/roll。2. 多相机联合 LM 优化这是关键。不是每个相机单独优化而是把所有相机的参数每个相机 6 个外参3 个欧拉角 3 个平移放在一个优化问题中同时最小化所有相机的重投影误差。这样能利用相邻相机重叠区域角点的一致性作为额外约束避免各相机各自为政。3. 分级优化策略通常支持三种优化级别只优化外参6 参数/相机——产线默认模式外参 光心位置8 参数/相机——镜头安装偏差较大时外参 光心 FOV10 参数/相机——需要微调内参时4. 鱼眼模型支持AVM 系统通常同时支持针孔模型和 Ocam 鱼眼模型。Ocam 模型用多项式近似从入射角 θ 到像高 ρ 的映射不需要传统的畸变参数特别适合超过 180° 视场角的鱼眼镜头。5. 产线验收标准每个相机的重投影误差须低于阈值通常为 1-2 像素级别且所有相机都达标才算标定合格。不合格会触发重新采图流程。和实验室标定的区别为什么 AVM 标定不重标内参鱼眼相机内参高度非线性在产线上用有限的标定板精确标定内参不现实。相机厂商在出厂时已完成精密内参标定高精度转台 平行光管产线只需根据标定间的地面棋盘格优化外参。除非相机受到剧烈撞击或温度大幅变化否则内参基本不变只优化外参就够了。环视标定的一些共识张正友标定法仍是环视系统的基础标定手段3D 碗状投影比 2D 平面投影效果好边缘不变形、远景不失真GPU 加速OpenGL 渲染是实现 30fps 实时拼接的关键基于场景特征的在线修正方案可以降低对激光雷达的依赖。本节要点AVM 产线标定和实验室标定是两码事——产线要求 30 秒内完成、操作工执行、多相机联合优化内参通常由厂家提供。手眼标定的核心是AXXB 方程机械臂运动学误差会直接传递到标定结果。十、总结相机标定是机器人和自动驾驶感知的基石直接影响后面所有算法的精度。