企业官网建设流程全解析

简介：这份 Halcon 第六章 Calibration 英文参考手册直译中文版（无删减），面向计算机视觉、视觉检测和 Halcon 算法应用人员，重点解决相机标定概念理解、标定流程搭建与测量精度提升问题。资源包仅含 1 个 PDF 文件，约 813KB，便于集中查阅和随用随看。内容围绕标定对象描述与查找、三维点投影和反投影、角度与径向畸变补偿、相机内外参处理、自标定，以及单目、双目、多视图和手眼标定展开。已有 362 人学习下载，可作为 Halcon 标定主题的参考资料，适合需要系统学习相机标定的人员。章节还系统梳理六边形与矩形校准板的选择和拍摄要求、标定输入数据准备、find_calib_object 与 calibrate_cameras 的使用、结果检查及后投影均方根误差评估，并说明不同相机模型的限制，便于读者把概念、参数配置和项目排错串联起来。

1. 标定误差 0.1 像素不是「越准越好」：它其实是标记点提取的噪声底

很多人跑完一次相机标定，第一反应是看 RMSE 数字：0.08 就松一口气，0.35 就开始怀疑参数写错了。差别通常不在优化算法，而在手上那组图。RMSE 衡量的是「重投影回来的标定板标记点」和「图像里真实提取到的标记点」之间的平均像素距离，它的下限由标记点中心的提取精度决定，亚像素边缘拟合再稳，也有零点几个像素的抖动。0.1 像素附近意味着模型已经贴合观测噪声的底，再压没有意义；0.4 以上则基本说明数据本身有问题，不是模型不够复杂。

把这条链拆开看：3D 世界点 → 相机坐标 → 归一化像面 → 畸变补偿 → 像素坐标，每一环都有确定的参数和确定的不可辨识性。搞懂这些，标定才从「点一下跑一遍」变成可以诊断的工程步骤。

2. 相机模型的参数账本：为什么 Sy 永远带星号、Kappa 只能有一个

相机标定的产物是一组参数，不是一张校正图。这组参数分成内参和外参两本账：内参描述「这台相机加这颗镜头如何把光线折到传感器上」，外参描述「标定板此刻站在相机的哪个位置、朝哪个方向」。所有标定算子最终都在填这两本账，区别只在于账本里哪些格子允许被优化、哪些格子必须由人钉死。

2.1 带星号的参数不是省略，是不可辨识

打开区域扫描相机的参数元组，最常见的area_scan_division长这样：

* area_scan_division 的 8 个内参，顺序固定 * [CameraType, Focus, Kappa, Sx, Sy, Cx, Cy, ImageWidth, ImageHeight] ['area_scan_division', 0.008, 0.0, 2.2e-6, 2.2e-6, 320.0, 240.0, 640, 480]

注意Sy后面那个星号。针孔模型的投影式里，水平方向真正起作用的是Focus / Sx这个比值，不是 Focus 和 Sx 各自的值——把焦距放大两倍、同时把像元尺寸放大两倍，投出来的像素坐标一模一样。三个未知量只有两个独立自由度，方程欠定，所以必须挑一个钉死。选 Sy 而不是 Sx，是因为多数工业相机的行方向采样是硬件同步的，像素间距由芯片规格直接给出、查手册就有，比让优化器去猜更可靠。

远心镜头是同一回事的另一副面孔：投影式里只出现Magnification / Sx，放大倍率和像元尺寸同样只能定比值，于是Sy继续带星号。像侧远心的倾斜镜头更极端，Focus、Sx、Sy、Tilt、Rot 五者不能同时确定，所以Sx和Sy一起被固定。线扫描相机则是另一套约束：Sx固定（焦距与横向尺度不可分），Sy固定，原因是标定方程里Sy只以pv = -Sy · Cy的乘积形式出现，两者不可分离。

提示：星号参数不是「算法懒得算」，而是数学上算不出来。手工改这些值不会让结果更准，只会整体缩放整条投影链。

2.2 畸变模型：一个参数和五个参数的职责划分

畸变这一层，HALCON 给了两套模型，参数个数差得很远：

分割模型只用一个Kappa描述径向弯曲，形式上是把畸变像面坐标乘一个与半径平方相关的因子。它的关键优势在于这个式子可以代数反解——给定一个畸变坐标，能直接算出未畸变坐标，不需要迭代。多项式模型用三个高阶项逼近径向弯曲、两个参数描述镜头光轴与传感器不垂直造成的离心偏移，拟合能力更强，但方程没有闭式反解，反畸变只能数值迭代。

这两套模型的选择直接决定了运行时开销。做测量时，每一条从图像反推到空间射线都要走一次反畸变；如果模型不可解析反演，这条路径上每次调用都在跑迭代。常见的实现思路是：先用 division 跑通全流程，只有当标定残差明显高于检测噪声、并且确认是畸变建模不足导致的，才切到 polynomial，同时补拍覆盖更充分的图像。

2.3 九种相机类型不是配置项，是九套不同的方程

参数元组的第一项CameraType决定了解析器读哪一套公式。区域扫描相机按「投影方式 × 是否有倾斜镜头 × 畸变模型」组合出十几种，线扫描相机再叠一层运动矢量。选择错误会出现两种典型后果：一是参数位置整体错位，把Kappa填进了K1的槽位；二是公式和物理设置不匹配，比如拿area_scan_telecentric_division去描述一颗普通定焦镜头，优化器会拼命用放大倍率去补偿本应由透视除法承担的近大远小，最后 RMSE 看起来还行，但测量结果随工作距离漂移。

判断方法很朴素：镜头物体侧输出的是会聚光束还是平行光束？会聚就是透视投影，选area_scan_*；平行就是远心投影，选area_scan_telecentric_*。镜头是否相对传感器倾斜？看机械结构有没有俯仰调节或者 Scheimpflug 铰链。畸变是否需要用高阶项描述？先看 division 的残差够不够用。这三个问题答完，类型唯一确定。

3. 从世界点到像素的四步变换：一条投影链是怎么被拆开的

一个 3D 世界点pw = (xw, yw, zw)落到图像上变成(r, c)，中间要过四道工序。把这四道工序拆开，才能理解为什么外参和内参可以分离优化，以及为什么某些相机类型的参数天然不可确定。

3.1 第一步：世界坐标到相机坐标，R 和 T 的六个自由度

这一步是纯粹的刚体变换：pc = R · pw + T。R 是 3×3 旋转矩阵，T 是平移向量，一共 6 个自由度，对应外参里的 TransX、TransY、TransZ、RotX、RotY、RotZ。

外参的位姿元组有 7 个元素而不是 6 个，多出来的那个是编码项，它把旋转的书写顺序（OrderOfTransform）、欧拉角顺序（OrderOfRotation）、观察方式（ViewOfTransform）打包成一个整数。原因很实在：三组欧拉角能拼出同一个旋转，不记录顺序就无法从 6 个数唯一还原矩阵。标定结果里丢掉这个编码，读出来的姿态就是错的。

使用标准标定板时，世界坐标系由板面定义：原点在板面中心或第一个取景图案的中心，z 轴垂直指向板子，x 轴向右，y 轴向下，视线沿 z 轴方向。这也是为什么板子必须放正、不能反着拍——坐标系的定义绑在板子的正面上。

3.2 第二步：相机坐标到像面，透视除法与远心缩放的差别

针孔模型下，投影是两次除法：

u = Focus · xc / zc v = Focus · yc / zc

分母里的zc就是近大远小的来源。超中心镜头虽然在成像上很特殊，但它依然在物体侧做透视投影，所以仍归入针孔相机，公式形式一致。

远心模型的投影式里没有除法：

u = Magnification · xc v = Magnification · yc

zc消失了。这不是简化，而是物理事实：远心镜头只接收平行于光轴的光束，物体沿光轴移动不改变成像位置。代价是深度信息彻底丢失，所以远心相机的标定结果里，标定板沿 z 方向的平移会被强制设成 1 米——不是测出来的，是占位值。这一点在做手眼标定或者多相机拼接时是必须知道的：远心相机的外参 z 分量没有物理意义。

3.3 第三步：畸变补偿，为什么公式方向常常是反的

标定文档里给出的畸变公式，通常写的是「畸变坐标 → 未畸变坐标」，而不是反过来。原因在于优化目标：calibrate_cameras要算的是「把空间点投到图像上会落在哪」，也就是正向投影；而find_calib_object拿到的是图像里的真实像素，要去反推空间射线。两个方向都需要，但只有一个是闭式的。

分割模型两个方向都闭式，写起来对称；多项式模型只有「畸变 → 未畸变」是显式的，反方向必须解一个非线性方程、用迭代收敛。这就是为什么同样的图像、同样的标定板，切到多项式模型后单次project_3d_point的耗时明显上升。

畸变前坐标 --(多项式模型: 不可解析求逆)--> 畸变后坐标 畸变前坐标 <--(多项式模型: 显式公式)------ 畸变后坐标

注意：多项式模型的反畸变迭代通常在图像边缘收敛更慢，因为高阶项在那里的贡献最大。如果测量区域贴着图像边界，务必检查那里的重投影残差是否仍然可控。

3.4 第四步：倾斜像面，3×3 射影变换和 2×2 线性变换的分界线

倾斜镜头（光轴相对传感器法线倾斜）在畸变之后还要多一层变换，把点从「虚拟的无倾斜像面」映射到真实的倾斜像面上。这一步用哪种矩阵，取决于倾斜发生在镜头的哪一侧：

• 图像侧执行透视投影的倾斜镜头（普通倾斜、物侧远心倾斜）：用 3×3 齐次矩阵 H 做二维射影变换，点要转成齐次坐标再除回来，多出一个尺度分量。
• 像侧执行平行投影的倾斜镜头（像侧远心、双侧远心）：用 2×2 线性变换，没有分母。

分界线就是「有没有透视收缩」。平行投影不产生近大远小，映射退化成仿射，自然不需要齐次坐标。

H 的两个来源参数是Tilt和Rot，再加一个ImagePlaneDist（镜头出瞳到像面的距离）。Rot描述倾斜轴在传感器平面内的方向，必须先应用；Tilt描述倾角本身，取值在 0° 到 90° 之间；Rot从 0° 到 360°，0° 时光轴垂直向下倾斜，90° 对应向左水平倾斜。这三个数通常能从机械结构上读个大概，作为初值喂给优化器。

3.5 线扫描的额外一维：运动矢量把一条传感器线扫成一张图

线扫描相机每次只曝一行，整幅图像是靠相机与物体相对运动「拼」出来的。所以要建模的不只是光学投影，还有运动。

HALCON 对运动做了三条假设：相机沿直线匀速移动、相机方向恒定、所有图像的运动相等。运动由矢量V = (Vx, Vy, Vz)描述，单位是「米/行」。有意思的是，这个矢量描述的是相机的运动（假设物体固定），等价于相机不动、物体沿-V移动。

相机坐标系的定义也随之调整：原点在投影中心（针孔）或畸变中心（远心），z 轴沿光轴且可见点 z 为正，y 轴垂直于传感器线并让运动矢量的 y 分量为正，x 轴补齐右手系。由于每一行都是从不同位置成像的，理论上每行一个位姿；为了简化，HALCON 只保留第一图像线的位姿，运动由V在投影时补偿。

V的初值质量直接决定标定能否收敛。原文说得很直白：初值不够精确，标定可能直接失败。常规做法是让相机光轴垂直于传送带、传感器线平行于运动方向，此时取Vx = Vz = 0，再用已知尺寸的标尺或标定板图像反推Vy。如果相机绕光轴转了 30°，或者绕 x 轴俯仰了 20°，初值就得按旋转关系重新算，不能照抄。

远心线扫描还有一个坑：Vz对成像位置没有影响，因此无法被确定，会保留初始值。所以远心线扫的Vz应当显式设成 0。

# 四步投影链的示意实现（区域扫描，针孔 + 分割畸变） def project(pw, R, T, focus, kappa, sx, sy, cx, cy): pc = R @ pw + T # 第一步：世界 -> 相机 u, v = focus * pc[0] / pc[2], focus * pc[1] / pc[2] # 第二步：透视除法 r2 = u * u + v * v k = 1.0 / (1.0 + kappa * r2) # 第三步：分割模型反畸变，可解析 u, v = u * k, v * k col = u / sx + cx # 第四步：像面 -> 像素 row = v / sy + cy return row, col

这段伪代码对应的是「标定完成后，给一个已知世界点，预测它落在图像哪个像素」。注意sy虽然在校准中被固定，投影时仍然要参与计算——固定的是它不被优化，不是它不存在。cx、cy是主点，使用半图宽度和高度作为初值；如果图像做过降采样，这四个尺度量和ImageWidth、ImageHeight必须同步缩小，否则整条链的尺度会整体跑偏。

4. 标定数据模型与 calibrate_cameras：一次非线性优化如何被组织

标定不是一次函数调用，是「建模型 → 灌数据 → 跑优化 → 查结果」四段式。中间那个CalibDataID就是一个句柄，把相机、标定板、观测点、优化配置全部装在一个容器里，最后一次性丢给优化器。

4.1 create_calib_data 的三个入参，决定了后面所有调用的下标

* 1 台相机、1 块标定板、使用标定对象模型 create_calib_data ('calibration_object', 1, 1, CalibDataID)

三个入参分别是模型类型、相机数量、标定对象数量。相机数量为 1 是单目，为 2 是双目，更多就是多视图。标定对象数量指的是「画面里可能同时出现几块不同的板」，多相机同时看不同板时才需要大于 1。

这两个数字不是摆设，它们决定了后续所有算子的下标索引：set_calib_data_cam_param (CalibDataID, CameraIdx, ...)里的CameraIdx从 0 到相机数减一；find_calib_object里的相机索引和标定对象索引同理。索引写越界不会崩溃，但数据会悄悄丢进一个不存在的槽位，最后表现为「明明拍了 20 张，优化只用了 3 张」。

4.2 观测数据的两个入口：自动提取和手动接管

find_calib_object是最省事的一条路：喂一张图，它自己找标定板、提取标记中心、估一个粗略位姿，把观测点写进数据模型。适合标准板、正常光照、板子完整可见的场景。

set_calib_data_observ_points是手动挡：你自己算好标记点的图像坐标和对应的世界坐标，再灌进去。什么时候需要它？标定板上的标记被遮挡了一部分、需要剔除个别坏点、或者根本不用标准板而是拿一个特征点已知的工装件做标定。原文提到「也可以使用任意对象进行校准，唯一的要求是物体具有可以在图像中鲁棒检测到的特征点，并且这些点的 3D 世界位置是高精度的」——这条路走的就是手动入口。

提示：自打印的标定板通常精度不够。打印机的定位误差和纸张的热胀冷缩会直接进入世界坐标，而世界坐标是标定的基准，基准歪了整个结果都歪。高精度场景用蚀刻或光刻工艺做的板子，附带描述文件，find_calib_object能直接读。

4.3 calibrate_cameras 之后，三样输出各说明什么

优化跑完，calibrate_cameras (CalibDataID, Error)返回的Error就是重投影 RMSE，单位像素。它对应的是「反投影回来的标定板标记点」和「图像里提取到的标记点」之间的平均距离。

另外两样要用get_calib_data单独查：

• camera：优化后的内参元组，包含所有带星号参数的最终值（星号参数保持初值不变）。
• calib_obj_pose：每张图像里标定板相对于相机的位姿，也就是外参。
• covariances：内参的标准差和协方差。这个容易被忽略，但它才是判断「参数是否被数据充分约束」的依据。标准差很大意味着该参数在优化中几乎没被约束住，值不可信，哪怕 RMSE 很小。

RMSE 小但某个参数标准差大，是典型的「过拟合式标定」：模型用别的参数补偿了这个自由方向。常见于所有标定图里板子姿态过于单一的情况。

4.4 排除参数：当你已经知道某个值不该被优化

如果某个参数有独立的高精度来源，就该把它从优化里踢出去，减少自由度、提高其余参数的约束强度。做法是用set_calib_data配合excluded_settings：

* 相机 0 的像元尺寸已知且可信，只优化其余内参 set_calib_data (CalibDataID, 'camera', 0, 'excluded_settings', ['sx', 'sy']) calibrate_cameras (CalibDataID, Error) get_calib_data (CalibDataID, 'camera', 0, 'params', CameraParam) get_calib_data (CalibDataID, 'calib_data', 0, 'error', Error)

字符串'sx'、'sy'要和参数元组里的字段名对应。排除掉之后，这两个值原样保留初值，其余参数在「已知尺度」的约束下优化。这一步在产线设备上很实用：相机芯片的像元尺寸是规格书给的确定值，没必要让优化器去猜，猜错了反而拖累焦距和主点。

排除要有依据。把畸变系数也排除掉（比如直接设'kappa'），等于强行假设镜头无畸变，短焦或大视场下 RMSE 会立刻变难看。

5. 标定现场的踩坑排查：从 RMSE 异常到板子镜像的五个现象

标定失败很少报错，多数时候是「跑通了但数值不对」。下面这几条是按现象反查的经验记录，每条都对应一个具体的机制。

5.1 现象：RMSE 卡在 0.4 以上，图看着挺清楚

原因通常不是模糊，而是标记点的直径不够。标定要求每个标记在图像里的直径至少 20 像素，低于这个值，中心提取的量化误差会直接吃掉亚像素精度。另一个隐形杀手是对比度：明暗区域之间至少要 100 个灰度值（8 位图），如果照明不均导致亮部只有 60 灰阶差，边缘检测就会在噪声里摇摆。

解决办法是先量再拍：拿一张图数一下标记直径占几个像素，不够就加分辨率、缩短工作距离或者换大尺寸标定板。同时检查曝光，亮部灰度值不要超过 240，避免过曝把标记边缘「烧平」；板面照明的均匀性也有要求，亮部灰度值的跨图波动控制在 45 灰阶以内。

5.2 现象：优化收敛了，但焦距和外参的 z 平移数值离谱

原因是标定板的姿态太单一。如果所有图像里板子都基本平行于传感器平面（尤其是全部放在同一平面上），透视投影的方程会退化：焦距和板到相机的距离互相补偿，无法分离。原文明确写了这个限制——所有六个外参加焦距无法一起确定。

解法是补拍倾斜图。板子以 30° 到 45° 向不同方向倾斜，而且要保证视场的每个区域至少被板子覆盖过一次。六边形排列标记的板子至少 6 张图、其中至少 4 张倾斜；矩形排列标记的板子至少 15 张。数量是下限不是目标，姿态的多样性比张数更重要。

5.3 现象：结果整体镜像，或者 HDevelop 直接报错退出

原因是标定板被反着拍。玻璃基底的板子从背面拍，标记图案会左右翻转，世界坐标和图像坐标的对应关系整个反了。六边形排列的板子靠取景图案定位，图像里至少看到一个取景图案就能定板，但要判断是否镜像必须看到至少两个——只有一个的时候，镜像检测不出来，结果就是悄悄错。矩形排列的板子要求整块完全可见，因为取景图案是围着标记的那圈框架，框架不全就没法确认朝向。

解法是确认板子的正面朝上，并且遵守各自的可见性要求：六边形板至少两个取景图案入镜，矩形板整板入镜。

5.4 现象：换了标定板之后结果完全不对，或者算子直接不认

原因是算子与板型不匹配。六边形排列标记的板子不适用于camera_calibration这个老算子，要用calibrate_cameras走数据模型流程。反过来，如果已经在用calibrate_cameras，板子的描述文件必须通过set_calib_data_calib_object正确挂上去，文件里的标记世界坐标和实际板子对不上，优化结果必然跑偏。

还有一个容易混淆的点：矩形排列标记的板子，find_caltab加find_marks_and_pose两个算子组合起来，效果等价于find_calib_object。维护老代码时会看到这种写法，不必强行改写，但新流程建议统一用find_calib_object。

5.5 现象：测量结果差一个固定比例，或者远心相机的工作距离怎么都测不出来

比例问题的根源在单位。标定板尺寸以米为单位，所有相机参数也用米，焦距初值写8而不是0.008，整条链就整体放大 1000 倍。降采样也会带来同类问题：图像做了 2 倍降采样，Sx、Sy要乘 2，Cx、Cy、ImageWidth、ImageHeight要除以 2，漏改任何一个都会让尺度不一致。

远心相机测不出工作距离，不是配置问题，是物理限制。远心投影不含zc，板到相机的距离不可确定，外参的 z 分量被强制设成 1 米。同理，远心线扫描相机的Vz也确定不了，会保留初始值，正确做法是把它显式置 0。

6. 除法模型与多项式模型的取舍：可逆性、稳定性与覆盖度

两套畸变模型的差别，表面看是参数个数，实质是「你要为精度付出多少运行时代价和多少数据代价」。

分割模型的隐性优势在「稳定性」这一行。参数少意味着它不容易把噪声拟合成畸变，样本量不足或者视场覆盖不全时，结果不会剧烈漂移。多项式模型的高阶项则有很强的外推能力——这是优点也是陷阱：校准板没有覆盖到的区域（图像边界、视场角落），它照样会给出一个数，但那个数可能完全脱离物理事实。原文对此说得很清楚，多项式模型在标定板覆盖区域之外可能不准确地模拟变形。

所以默认路线应该是：先用分割模型标，看 RMSE 和协方差。如果残差明显高于标记点提取的噪声水平，并且确认是畸变建模不足（而不是图像质量问题），再切多项式，同时补拍覆盖更充分的图，尤其是你后面真正要做测量的那块区域。切过去之后，务必把测量区域的重投影残差单独验一遍，不要只看全局 RMSE——全局平均值会把边界的糟糕拟合平均掉。

倾斜镜头的取舍是另一条线。Tilt、Rot、ImagePlaneDist这三个参数的可辨识性依赖镜头本身的畸变量：畸变越大，倾斜造成的不对称越明显，参数越能被约束住；畸变很小的镜头，Tilt基本确定不了，优化出来的值可能和机械上读到的标称值差很远。这种情况下不要慌着调参，先看误差——如果 RMSE 和协方差都正常，说明这组参数在校准体积内能一致地描述成像几何，用于测量是没问题的；参数值和标称值不一致，只是说明这组数据无法区分它们，不代表结果错。

我自己的习惯是每次标完先做三件事：看 RMSE 是否落在 0.1 像素这个量级附近，看covariances里有没有哪个参数的标准差异常大，再看一组留出图的重投影残差在图像四个角和中心是否一致。这三步走完，才敢把这组参数写进测量流程。早年吃过一次亏——RMSE 只有 0.09，看着漂亮，结果测量区域在图像右下角，那块恰好没有被任何一张标定图覆盖，多项式模型在那里外推出了一个不存在的弯曲，一整批工件的尺寸全部系统性偏大。从那以后我每次切多项式模型之前，都会先把标定板的覆盖范围画在图像上，确认测量区域被完整包住，才允许往下走。希望这些经验帮到你，少走一遍我走过的弯路。

本文还有配套的精品资源，点击获取