单目双目相机精准标定与IMU联合校准技术
单目双目相机标定。 相机、imu联合标定。
标定这玩意儿说难不难，说简单吧又总有几个坑等着你跳。搞视觉的兄弟们肯定都懂，传感器不准的时候那真是两眼一抹黑。咱们今天直接上干货，聊聊单目双目相机标定，顺带把相机和IMU的联合标定也撸一遍。
单目标定：棋盘格才是永远的神
先看这段OpenCV的标定代码片段：
import cv2 import numpy as np obj_points = [] img_points = [] pattern_size = (9,6) objp = np.zeros((pattern_size[0]*pattern_size[1],3), np.float32) objp[:,:2] = np.mgrid[0:pattern_size[0],0:pattern_size[1]].T.reshape(-1,2) * 0.02 # 遍历标定图片 for fname in image_files: img = cv2.imread(fname) gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: obj_points.append(objp) corners_refined = cv2.cornerSubPix(gray,corners,(11,11),(-1,-1), criteria) img_points.append(corners_refined) # 开搞标定！ ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None)这里有几个魔鬼细节：cornerSubPix必须用，原始角点精度不够会直接毁掉标定结果。criteria得设置合理的迭代条件，建议用(cv2.TERMCRITERIAEPS + cv2.TERMCRITERIAMAX_ITER, 30, 0.001)。标定完记得用cv2.projectPoints反向验证重投影误差，超过0.5像素就得重新拍数据。
双目标定：左右眼的爱恨情仇
单目双目相机标定。 相机、imu联合标定。
当两个摄像头开始搞基，事情就复杂了。标定完各自的参数后，关键要算左右相机之间的旋转平移关系：
stereo_flags = cv2.CALIB_FIX_INTRINSIC ret, _, _, _, _, R, T, E, F = cv2.stereoCalibrate( obj_points, img_points_l, img_points_r, mtx_l, dist_l, mtx_r, dist_r, image_size, criteria=criteria, flags=stereo_flags)这里有个骚操作：如果单目标定已经做得很好，可以固定内参只优化外参（CALIBFIXINTRINSIC）。注意R和T是右相机相对于左相机的变换矩阵，别把方向搞反了。标定完必须做极线校验——用cv2.computeCorrespondEpilines看对应点是否在极线上排排坐。
相机-IMU联合标定：时空对齐的玄学
当视觉和惯性传感器要搞联合标定，时间同步和空间对齐两个大坑等着你。这时候推荐直接上Kalibr工具箱，但底层原理得明白：
# 伪代码示意优化过程 def loss_function(params): # params包含相机-IMU外参、时间偏移 imu_rot = params[:4] # 四元数 imu_trans = params[4:7] time_delay = params[7] # 时间对齐处理 synced_imu_data = interpolate_imu(imu_raw, time_delay) # 计算重投影误差+IMU误差 error = compute_reprojection_error() + lambda * compute_imu_error() return error # 使用Ceres或g2o求解 optimizer.add_residual_block(loss_function, params)这里最坑的是时间偏移估计，建议先拿棋盘格快速晃动采集数据，让视觉和IMU都有明显运动特征。外参初始化可以用手眼标定方法，但记得IMU的加速度计和陀螺仪要分开处理——加速度计对平移敏感，陀螺仪对旋转敏感。
标定完一定要做动态验证：拿着设备画8字，看看视觉惯性融合的轨迹有没有漂移。遇到过最邪门的情况是相机和IMU固定螺丝没拧紧，振动导致外参飘忽不定——所以硬件安装才是第一生产力啊！
最后说句大实话：标定数据质量决定上限，算法只是逼近这个上限。别在烂数据上死磕算法，多拍几组不同位姿的数据比啥都强。遇到标定结果抽风时，先检查棋盘格有没有贴歪、IMU有没有温度漂移，这些才是真实世界里的一线战壕经验。