2025 年计算机视觉相机校准指南

相机的成像方式与人眼不同。它们拍摄的图像往往带有畸变和透视偏移，这会影响视觉 AI 模型准确度。相机标定可以修正这些畸变，确保 计算机视觉模型 能够真实地感知现实世界中的物体。此过程包括修正镜头畸变、调整焦距以及对齐传感器，从而帮助相机捕捉精准的图像。

具体来说，准确的相机标定对于深度估计和测量距离至关重要。像 Ultralytics YOLO11 这样的视觉 AI 模型需要经过良好标定的输入，才能执行物体检测和姿态估计等各种计算机视觉任务。如果输入图像不正确，模型性能就会下降，从而导致现实应用中的误差。

从传统的棋盘格图案到先进的 AI 驱动技术，不同的相机标定方法都有助于提高精度。例如，3D（三维）标定能帮助模型理解深度，而标定矩阵则将现实世界坐标转换为图像空间，以获得更高的准确性。

在本指南中，我们将介绍计算机视觉相机标定的基础知识，包括关键参数、不同方法以及针对现实世界 AI 应用的优化。

Link to this section相机标定在计算机视觉中的重要性#

相机标定用于调整相机设置，以确保图像能够准确对应现实世界的测量结果。它能保证图像中的物体出现在正确的位置、大小和比例上，防止畸变误导 AI 模型。

若没有正确的标定，相机会产生镜头畸变，导致物体看起来被拉伸或错位。这会影响物体检测、追踪和深度估计的准确度，从而在 AI 驱动的应用中导致错误。特别是像 YOLO11 这样的模型，在输入数据经过正确标定时表现更为出色，能够减少空间解释中的误差并改善现实决策。

准确的标定对于无人机、自动驾驶汽车和机器人视觉而言尤为重要。这些系统中的偏差可能导致错误的距离计算，从而影响导航和障碍物检测等任务。

Fig 1。使用相机标定修正镜头畸变的示例（左侧为原始图像，右侧为修正后图像）。

Link to this section探索镜头畸变的影响#

镜头畸变会导致相机对图像中物体的形状和位置产生误导。以下是一些不同类型镜头畸变的示例：

• 桶形畸变 (Barrel distortion)：在这种情况下，直线向外弯曲，使图像中心的物体看起来显得臃肿。这在广角镜头中很常见，并通过扭曲深度感知来干扰自动系统中的 3D 标定。
• 枕形畸变 (Pincushion distortion)：这种情况下，直线向图像中心弯曲，产生的效果与桶形畸变相反。
• 胡须畸变 (Mustache distortion)：当桶形畸变和枕形畸变结合时会发生这种情况，导致直线呈波浪状弯曲。
• 色差 (Chromatic aberration)：当镜头无法将颜色聚焦在同一点时会发生这种情况，导致物体周围出现彩色边缘。

Fig 2。不同类型的镜头畸变。

Link to this section相机标定的类型#

相机标定包含两个关键要素：内参（定义相机的内部特性）和外参（决定相机相对于世界的空间位置和方向）。让我们详细了解这两种组件。

Link to this section内参#

精确的内参标定可以通过确保检测到的物体在现实应用中以正确的位置和比例呈现来改善模型预测。以下是几个内参的简要说明：

• 焦距 (Focal length)： 它控制相机如何将 3D 物体投影到 2D 图像上。如果标定错误，物体可能看起来被拉伸或压缩，从而改变其感知的尺寸和距离。
• 主点 (Principal point)： 这代表相机传感器的光学中心。如果发生偏移，它会平移整个图像，导致物体定位错位。
• 偏斜系数 (Skew coefficient)： 它解释了传感器中非矩形像素排列的情况。当存在偏斜时，图像可能看起来是倾斜或扭曲的，而不是正确对齐的。
• 畸变系数 (Distortion coefficients)： 这些参数用于修正由镜头引起的光学畸变。如果不进行修正，直线可能会显得弯曲，特别是在图像边缘附近。

Link to this section外参#

外参标定确定了相机相对于现实世界的放置位置和朝向，这在用于 3D 标定、物体追踪和深度感知的多相机系统中尤为重要。它有助于 无人机、自动驾驶汽车和监控系统准确解释空间关系。

以下是两个关键外参：

• 平移矩阵 (Translation matrix)： 它定义了相机在 3D 空间中的物理位置，指定了其在 X、Y 和 Z 轴上的坐标。如果标定错误，物体可能看起来比实际更近或更远，从而导致距离测量不准确。在自动驾驶汽车中，这可能导致障碍物检测不佳；而在机器人技术中，这可能导致物体操作过程中的定位误差。
• 旋转矩阵 (Rotation matrix)： 它通过指定相机相对于参考点倾斜、旋转或转动的程度来确定相机的朝向。如果标定不正确，来自多个相机的图像可能无法正确对齐，从而在 3D 重建、多相机追踪和空间映射中引发问题。例如，在 自动驾驶汽车 中，不正确的旋转矩阵可能会导致传感器输入错位，从而导致车道检测不准确。

Link to this section了解相机标定矩阵#

相机拍摄的每张图像都是 3D 世界的 2D 表示。AI 模型需要一种在这些维度之间转换的方法来做出准确预测。这就是相机标定矩阵发挥作用的地方。它将现实世界中的点映射到相机的成像平面上，以使物体能够正确呈现。

简而言之，相机标定矩阵是一个数学模型，代表相机的内参。它通常存储在视觉系统中，并用于图像处理算法中以修正畸变并将 3D 点映射到 2D 坐标。

接下来我们将看到，该矩阵是使用标定方法计算得出的，例如棋盘格图案检测、基于 3D 物体 的标定以及 AI 驱动的自标定，这些方法通过分析已知参考点的图像来估计关键参数。

Link to this section各种相机标定方法#

存在多种相机标定方法，每种方法都适用于特定的使用场景。传统方法依赖于物理图案，而 AI 驱动的技术则使用深度学习来实现该过程的自动化。

让我们了解一下这些方法，并探索它们如何提高不同应用中的准确性。

Link to this section传统相机标定方法#

最常见的相机标定方法之一是在相机前方放置棋盘格或网格图案。系统通过检测图案中的关键点来计算标定参数。

Fig 3。相机标定棋盘格。

虽然在受控环境下很有用，但这需要手动调整并分析来自不同角度的多张图像。照明条件的变化或意外的相机移动可能会降低准确性，从而导致需要重新进行标定。

在无人机和自动驾驶汽车等动态环境中，传统标定难以跟上需求。移动中的相机需要频繁地进行重新标定以保持精度，而这在静态图案下是不切实际的。这种局限性推动了 AI 驱动的相机标定技术的发展，提供了更高的灵活性和自动化程度。

Link to this sectionAI 驱动的相机标定方法#

AI 驱动的技术通过利用深度学习模型进行自标定，使相机标定实现自动化，减少了手动调整的需求。这些方法直接从现实世界的图像中估计内参和外参，消除了对预定义图案的需求。

同样，合成 数据集 正在改变相机标定，通过为 AI 模型提供多样化的标注训练数据来优化参数并修正畸变。这些数据集模拟现实世界的条件，帮助 AI 模型学习在没有人为干预的情况下动态调整内参和外参。

例如，自标定 框架 使用概率模型和深度学习来分析单目图像、估计 3D 结构并持续优化标定。合成数据通过训练模型处理不同的视角、传感器错位和照明条件来增强这一过程，从而提高自动驾驶和机器人技术等应用中的深度估计、障碍物追踪和空间准确性。

Fig 4。一个能够理解交通状况的自标定视觉 AI 系统。

Link to this section相机标定的关键应用#

现在我们了解了什么是相机标定，接下来让我们探讨它在各个行业中的影响。

Link to this section自动驾驶汽车与无人机导航#

对于自动驾驶汽车和无人机来说，精确的相机标定对于安全可靠的导航至关重要。这些系统依赖于深度估计和 距离计算 来检测障碍物、追踪道路标线并评估周围物体。标定不佳会导致距离误判，从而在实时场景中导致错误的决策。

正确标定的矩阵使自动驾驶汽车能够融合来自激光雷达、雷达和相机的输入，改善多传感器融合。这有助于车辆准确测量与行人、车道边界和周围车辆的距离，从而降低事故风险。同时，在无人机中，3D 标定有助于保持高度稳定并准确追踪物体，以实现在动态环境中的精确导航。

Fig 5。自动驾驶汽车中的标定相机。

Link to this section增强现实 (AR) 与虚拟现实 (VR)#

AR 和 VR 应用 依赖于精确的相机标定，将数字内容与现实世界物体对齐。如果标定不当，AR 叠加层可能会漂移、出现错位或缩放错误，从而破坏用户体验。

镜头畸变修正对于使虚拟物体无缝融入现实环境至关重要。如果没有它，畸变会破坏沉浸感，并降低游戏、培训模拟和 医学影像 中的准确度。此外，在 VR 中，标定增强了头部和手部动作的精准追踪，提高了响应速度并创造了更流畅、更具沉浸感的体验。

Fig 6。用于优化空间测量的 3D 相机标定设置。

Link to this section机器人视觉与工业自动化#

为了让机器人能够准确地感知世界并与之交互，正确的相机标定至关重要。在工业自动化中，机器人依靠深度估计来精准抓取、放置和操作物体。如果没有正确的标定，错位可能导致包装、组装和质量控制检查中的错误。

在 机器人技术 中，一个关键挑战是准确测量平面物体。标定有助于机械臂检测精确尺寸，防止可能减缓或中断生产的计算错误。3D 标定更进一步，使机器人能够在物体或位置发生变化时进行适应。

Link to this section关键要点#

相机标定是许多计算机视觉解决方案的关键组件。它确保 AI 模型能准确地解读图像，以完成物体检测、追踪和深度估计等任务。内参和外参有助于将图像与现实世界的测量结果对齐，以防止可能影响 AI 驱动应用的畸变。

镜头畸变修正对于增强现实应用、工业自动化和多相机系统至关重要。随着 AI 的进步，自动化的相机标定方法正在提升现实应用中的效率、准确性和长期可靠性。