当前位置：首页 > news >正文

从原理到实践：Matlab相机标定参数详解与坐标变换全流程

news 2026/5/11 21:24:57

1. 相机标定基础概念与Matlab工具箱实战

刚接触相机标定的朋友可能觉得那些参数看着就头疼，其实拆解开来并不复杂。我最早做机器人视觉项目时，也是被各种矩阵绕得晕头转向，直到自己动手标定了十几台工业相机才摸清门道。相机标定的本质就是建立三维世界和二维图像之间的数学映射关系，就像给相机配一副"数字眼镜"，让它能准确判断物体的位置和形状。

Matlab的Camera Calibrator工具箱简直是新手福音。打开Matlab后，在APP标签页找到这个工具，导入20张以上不同角度的标定板照片（建议用棋盘格图案）。这里有个实用技巧：拍摄时让标定板尽量充满画面，并且要有倾斜、旋转、远近各种姿态。我习惯用手机拍摄时打开网格线辅助构图，确保标定板出现在画面不同区域。

标定完成后会生成一组关键参数，先看最核心的内参矩阵（Camera Intrinsics）：

IntrinsicMatrix = [fx 0 0; 0 fy 0; cx cy 1]

这个3x3矩阵里，fx/fy代表焦距（像素单位），cx/cy是光学中心坐标。有意思的是，现代手机相机的fx和fy通常相差不到1%，说明镜头制造精度很高。有次我用千元机标定，发现这两个值差异竟达到5%，后来才发现是镜头装配有轻微倾斜。

2. 深度解析标定参数物理意义

2.1 内参矩阵的隐藏信息

内参矩阵看似简单，实则暗藏玄机。fx=焦距/像素宽度这个关系式很多人知道，但容易忽略单位问题。比如我的工业相机焦距8mm，像元尺寸3.45μm，那么fx应该是8/(3.45×10⁻³)≈2318像素。如果Matlab给出的fx是1200，说明标定过程可能有问题——要么拍摄距离太近，要么标定板摆放不规范。

径向畸变系数k1,k2,k3更值得关注。测试发现，普通手机镜头k1值在-0.2到0.1之间，而广角镜头可能达到-0.5。有次项目验收时，客户发现边缘检测总是偏移，后来发现是没考虑k3项的影响。建议在Matlab中勾选"3 Coefficients"选项，尤其在使用鱼眼镜头时。

2.2 外参矩阵的实战解读

每张标定板照片都对应一组外参（Rotation+Translation）。旋转矩阵R是3×3正交矩阵，平移向量t的单位与标定板尺寸一致。有个容易踩的坑：Matlab默认Z轴指向标定板平面，这与OpenCV等库的坐标系定义不同。我在做多库混用时，就因坐标系不统一导致拼接失败。

验证外参准确性的技巧：计算标定板四个角点的重投影误差。Matlab会自动显示这个值，一般要小于0.5像素。有次我发现误差突然增大到2像素，排查发现是标定板反光导致角点检测偏移。这时可以用detectCheckerboardPoints函数手动调整角点位置。

3. 世界坐标到像素坐标的完整变换

3.1 数学推导步步为营

坐标变换的完整流程就像快递配送：世界坐标→相机坐标→图像坐标→像素坐标。核心公式其实就两步：

世界坐标[X Y Z]通过外参变换到相机坐标
相机坐标通过内参投影到像素坐标

用Matlab代码实现更直观：

% 假设Pw是世界坐标点 Pc = R * Pw + t; % 相机坐标系 uv = IntrinsicMatrix * [Pc(1)/Pc(3); Pc(2)/Pc(3); 1]; % 像素坐标 uv = uv(1:2)/uv(3); % 归一化

特别注意齐次坐标的归一化处理。有次我忘记除第三个元素，结果坐标偏移了几百像素。还有个常见误区：认为Z=0可以直接代入公式。实际上标定板必须具有非零Z值（通常设Z=0时，标定板平面就是XY平面）。

3.2 实际案例验证

用0.3mm的棋盘格做测试，取(0,0)和(0,0.3)两点计算：

% 世界坐标（单位mm） P1 = [0;0;0]; P2 = [0;0.3;0]; % 计算像素坐标 uv1 = projectPoints(P1, R, t, IntrinsicMatrix); uv2 = projectPoints(P2, R, t, IntrinsicMatrix); pixel_size = norm(uv2-uv1)/0.3; % 计算单像素尺寸

这个案例中，我发现计算值与Matlab检测值相差0.1像素，后来发现是没考虑镜头的切向畸变。添加radialDistortion参数后，误差缩小到0.02像素以内。