企业官网建设流程全解析

搞三维视觉、相机标定、机器人抓取定位的人，几乎天天都在跟这四个坐标系打交道：世界坐标系、相机坐标系、成像平面、像素坐标系。很多初学者拿到一块棋盘格，拍了十几张照片，跑完标定脚本，内参外参往文件里一存，就以为“搞定了”。但一旦换个场景、换台相机、或者要自己手写投影公式的时候，才发现里面每个矩阵到底怎么来的、为什么这么乘、深度信息到底丢在哪一步，全是一笔糊涂账。

这篇文章我打算把这一整条链路掰开揉碎讲清楚，从四个坐标系各自的“落座位置”，到世界点如何一步步变成像素点，再到为什么单目相机天生丢失深度、畸变怎么混进来、以及标定实操里那些文档不会告诉你的坑。适合刚入门三维视觉的学生、做机械臂手眼标定的工程师、以及所有想把“像素坐标”和“三维坐标”之间那层窗户纸捅破的人。

1. 四个坐标系，到底在哪儿“落座”

很多教程一上来就摆公式，搞得人云里雾里。我的习惯是先搞清楚每个坐标系的原点在哪、轴朝哪、单位是什么，因为后面所有矩阵乘法的物理意义，都是从这几个“坐标系定义”里长出来的。

1.1 四个坐标系的一次对号入座

先给四个坐标系各找各的“工位”。

第一个，世界坐标系。它是整个三维场景的“绝对参考系”，原点可以放在任意你认为方便的位置。做机械臂抓取，原点可以放在机器人基座；做三维重建，原点可以放在第一帧相机；做标定，原点通常就放在棋盘格角点上。单位一般是米或毫米，轴的方向也可以随意指定，只要你心里有数就行。

第二个，相机坐标系。它固定安装在相机上，原点在相机光心，也就是镜头镜片组的“光阑中心点”，Z轴沿着相机主光轴朝前，X轴朝右，Y轴朝下。很多人没意识到，相机坐标系本质上就是“以相机自己为世界”的一套坐标。

第三个，成像平面坐标系。它是相机坐标系下的三维点投影到物理感光面后得到的二维坐标，原点在光轴与成像面的交点，也就是“主点”位置。注意，这时的坐标还是物理尺寸，单位是毫米。理论上成像平面在镜头后方焦距 f 处，计算时为了方便，会想象成在镜头前方 f 处，这样图像不会倒过来，这就是“虚拟成像平面”的由来。

第四个，像素坐标系。它是最终图像里每个像素的坐标，原点在图像左上角，单位是像素，x轴朝右，y轴朝下。它和成像平面坐标系之间差了一个缩放和一个平移：缩放是因为感光元件的像素物理尺寸是dx、dy，平移是因为像素原点在左上角，而主点不一定落在真正的像素中心。

这里有个特别容易踩晕的地方：像素坐标系和成像平面坐标系原点不一样，方向也可能不一样。市面上工业相机的图像坐标系一般就是左上角原点、x朝右y朝下，这跟相机坐标系的Y轴朝下是匹配的。所以公式推导的时候，不用像教材里那样反复纠结“要不要翻转图像”，只要把像素y轴方向朝下这个事记住就行。

1.2 很多时候你真正在用的只有三种变换

虽然名义上有四个坐标系，但世界坐标点变成像素坐标点，其实只经历三次变换：

1. 世界坐标系 → 相机坐标系：刚体变换（旋转R + 平移t），也就是“外参”。
2. 相机坐标系 → 成像平面坐标系：透视投影，核心是除以深度Zc。
3. 成像平面坐标系 → 像素坐标系：缩放 + 平移，这就是“内参”的剩余部分。

这里有一个非常重要的点：相机内参不是单个矩阵，而是“投影 + 像素化”两段压缩之后合并出来的产物。所以很多人背内参公式时背得熟，问你“内参矩阵的fx到底是什么”，答不上来。fx其实是焦距f除以像素物理尺寸dx的结果，单位是像素，不是毫米。fx和fy不一样，是因为cmos像素往往不是正方的，x方向和y方向的物理尺寸会有差异。

为了更直观，我习惯把这个关系类比成“房间里的人、你的眼睛、视网膜、你大脑里看到的图像”四者之间的关系：世界坐标系是房间里物体的真实位置；眼睛的晶状体是相机坐标系光心；视网膜是成像平面；你脑子里的画面就是像素坐标系。整个标定过程，其实就是在反向估计“你的眼睛的晶状体和视网膜到底长什么样”。

2. 从世界坐标算出像素坐标：完整的“三次变身”

理解了四个坐标系的位置，就可以把一个三维点从世界坐标系一路算到像素坐标系。这一节我带大家把每一步公式拆开，重点讲清楚每一步的物理含义，以及为什么要做这一步。

2.1 第一跳：世界系到相机系——刚体变换

假设世界坐标系里有个三维点 P_w = [X_w, Y_w, Z_w]^T，要把它变换到相机坐标系下，公式是：

P_c = R * P_w + t

其中 R 是 3x3 旋转矩阵，t 是 3x1 平移向量。R和t合起来叫“外参”，它们描述的是“相机在世界坐标系中的姿态和位置”。更严谨一点，外参其实是从世界系到相机系的变换，如果你把相机在世界系下的位姿记作 T_wc，那 P_c = T_wc^{-1} * P_w，不过OpenCV里标定出来的rvec和tvec直接就是世界系到相机系的这个变换，不用再取逆，很多初学者在这里会被绕晕。

R 是正交矩阵，满足 R^T R = I，所以它本质上是三维旋转，只有3个自由度；t有3个自由度，因此外参一共6个自由度。这也是为什么棋盘格标定法里单张图可以估计出外参，但内参通常需要多张图才稳定——外参只有6个未知数，一张图足够解，而内参里fx、fy、cx、cy加畸变参数是全局共享的，需要多张不同姿态的图来约束。

操作上要注意的是：旋转矩阵虽然可以拆成欧拉角或者轴角，但做变换时务必用旋转矩阵，不要用欧拉角直接乘。因为欧拉角在数值计算里有万向锁问题，而且先后顺序约定不同结果完全不同，几乎每过一段时间就会有人拿欧拉角写标定代码写出诡异结果。

2.2 第二跳：相机系到成像面——透视投影

相机坐标系下的点 P_c = [X_c, Y_c, Z_c]^T，投影到成像平面（物理单位）上的坐标是：

x = f * X_c / Z_c y = f * Y_c / Z_c

这里 f 是焦距，单位是毫米。这一步就是小孔成像模型。最核心的操作是除以 Z_c，也就是深度。这就是为什么同一个物体，离相机越近，成像越大：因为分母小了。

为了数值稳定性，工程上经常先投影到“归一化平面”：

x_n = X_c / Z_c y_n = Y_c / Z_c

也就是把深度归一化到1米的位置，然后再乘焦距 f 得到像素物理坐标。这样做的意义在于：归一化平面坐标是一个只依赖相机相对姿态、不依赖具体焦距的中间量，在做畸变矫正、双目极线校正时非常有用。

说句题外话，很多第一次写“像素反投影到三维射线”的人，会纠结“反投影是不是应该乘以Zc”。正确做法是：像素坐标先反算到归一化平面坐标，然后射线方向就是 [x_n, y_n, 1]，也就是在相机系下的一条射线；如果你知道深度 Zc，就可以乘回去得到具体三维点。深度信息一旦丢失，你只能得到射线，不能得到唯一三维点，这一点后面专门讲。

2.3 第三跳：成像面到像素系——数字化采样

到了成像平面，坐标还是一堆毫米尺度的小数，传感器把连续的物理位置采样成离散像素，这步用两个缩放因子 dx、dy（每个像素的物理尺寸）来完成：

u = x / dx + cx v = y / dy + cy

cx、cy 是主点在像素坐标系中的坐标，单位是像素。把第二跳和第三跳合并，得到：

u = fx * X_c / Z_c + cx v = fy * Y_c / Z_c + cy

其中 fx = f / dx，fy = f / dy。这就是大家熟悉的相机模型。把前面第一跳代进来，就是世界坐标系到像素坐标系的完整表达式：

u = fx * (r11*X_w + r12*Y_w + r13*Z_w + tx) / (r31*X_w + r32*Y_w + r33*Z_w + tz) + cx v = fy * (r21*X_w + r22*Y_w + r23*Z_w + ty) / (r31*X_w + r32*Y_w + r33*Z_w + tz) + cy

看着吓人，其实就是“世界点先旋转平移，再除以深度，再缩放平移”。

工程上用齐次坐标把它写成矩阵形式，可以少掉很多括号和分支。约定三维点和二维点都用齐次坐标表示，投影模型写成：

lambda * [u, v, 1]^T = K * [R | t] * [X_w, Y_w, Z_w, 1]^T

这里的 lambda 实际上就是 Z_c，请记住它。lambda 的存在意味着：齐次坐标里的最后一维被“吸收”掉了，这正是深度信息从方程里消失的数学根源。很多教程不解释 lambda 是什么，导致读者一直觉得那是“随便写的一个符号”。

2.4 给一个真实的数字例子

没有数字的公式都是耍流氓。我拿一个具体例子把上面三步走一遍。

假设相机内参固定为：

• fx = 1000像素，fy = 1000像素
• cx = 640，cy = 360
• 相机在世界坐标系原点，正对着世界系的Z轴方向，所以 R = I，t = 0

世界系里放一个点 P_w = [2, 0, 5]，单位米。这个点在相机正前方5米、右边2米处。

第一步，世界系到相机系：因为R = I，t = 0，所以 P_c = [2, 0, 5]。

第二步，归一化平面：x_n = 2 / 5 = 0.4，y_n = 0 / 5 = 0。

第三步，像素坐标：u = 1000 * 0.4 + 640 = 1040，v = 1000 * 0 + 360 = 360。

所以这个三维点落在图像坐标 (1040, 360) 处，也就是主点右边400像素的位置。如果你把相机向后移动1米，t变成[0,0,1]，则 P_c = [2, 0, 4]，x_n = 0.5，u = 1140，像素位置又往右移了100像素。这就是“靠近了成像变大变偏”的量化表现。

我强烈建议你拿到任何标定结果后，都手动拿一个点这样算一遍，把结果拿OpenCV的projectPoints对比一下。这能帮你快速判断自己是不是把某个矩阵代反了，也能帮你彻底吃透公式。

3. 为什么“深度”会丢：单目视觉的信息瓶颈

聊到这儿，有个问题藏不住了：既然世界坐标到像素坐标的完整过程里，Z_c被当成分母除掉了，那从像素坐标反推三维坐标时，Z_c是不是找不回来了？答案是，单张图确实找不回来，丢得死死的。这一节把这件事讲透，因为它是理解三维重建、双目视觉、结构光的基石。

3.1 两条方程，三个未知量

观察完整投影公式，一个像素坐标 (u, v) 给我们提供了两个方程：

u = fx * X_c / Z_c + cx v = fy * Y_c / Z_c + cy

但未知量是 (X_c, Y_c, Z_c)，三个。两个方程三个未知数，解不出来。这意味着：像素坐标系里每一个点，对应的是一条从相机光心出发的三维射线，而不是一个确定的三维点。你只知道“这个物体在朝那个方向”，不知道“它离你多远”。

这个约束也可以从几何上理解：成像过程把一个3D点投影到了2D平面，这是一对多的塌缩。反投影，从2D找3D，自然就是不唯一的。要让信息变回唯一，必须额外加入另一个视角（双目）或主动深度传感器（结构光、ToF），才能提供额外的约束方程。

所以，经常有人问“为什么标定好了相机，还是不能从单张图像测距离”。答案就在这儿：标定解决的是“像素和三维空间之间的数学关系”问题，它不解决“单目深度缺失”问题。标定板之所以能恢复出3D信息，是因为标定板上的角点在世界坐标系的坐标是已知的，它等于给你的方程强行补上了第三个约束。

3.2 单目深度丢失在工程上的后果

深度信息丢失这句话，听起来很抽象，但它在具体项目里非常扎心。

最典型的是扫地机器人单目避障：你看到前方黑色物体占据了画面下方很大的面积，但不知道它到底在1米还是5米外，没法决定是刹车还是绕行。再比如单目目标检测换道预警，要是没有结合地面平面假设，也没法判断前车距离。

这里有个工程技巧：单目测距很多场景下其实不是真的测距，而是“利用几何先验”。最常见的就是假设目标在地平面上，加上相机高度和俯仰角已知，深度就可以用一帧图像直接算出来。这是因为地面平面约束给你补上了Z_c关系，未知量从三个变成两个，方程就齐了。

这也是为什么在所有自动驾驶单目方案里，相机外参标定（特别是俯仰角）比内参标定更影响测距精度。我见过有团队内参标得很准，外参随手一放，结果测距误差超过20%。

3.3 双目标定里的立体视觉如何“补回”深度

既然单目丢了深度，双目就是最直接的补救方案。本质就是两个相机从不同位置看同一个三维点，分别在左右图像上各得到一个像素坐标，于是有了四个方程，而未知量还是三个 (X_c, Y_c, Z_c)，超定了，能解。

双目标定的核心参数之一就是基线，也就是两个相机光心之间的平移向量。基线越宽，近距离深度精度越高，远距离反而因为视差变小会变差。这一点在选型时就要考虑，不是随便放两个摄像头就行。

双目的数学流程是这样的：先用标定板把左右相机的内参、畸变系数、两个相机之间的相对位姿都标出来，然后做极线校正，把两幅图像变到“行对齐”状态。校正之后，匹配同一个点在左右图中的横坐标差称为视差 d，深度就可以由三角形相似求出：

Z = f * b / d

其中 f 是焦距像素值，b 是基线长度。这其实就是把小孔成像模型在两个相机之间来回倒腾得出的结果。焦距和基线来自标定，视差来自匹配，标定错一点，最终测距就偏一点。

4. 畸变：真实镜头里多出来的“跑道偏移”

上面所有公式都假设镜头是完美小孔成像。但真实镜头是透镜组，光线经过镜片后会有弯曲，投影位置会偏离理想点。这个偏离就是畸变。如果标定的时候不管畸变，你会在图像边缘看到明显弯曲的直线，同时内参也会被带偏。所以这一步绕不开。

4.1 径向畸变和切向畸变

畸变主要分两类。

径向畸变：光线越靠近镜头边缘，折射越厉害，形成“桶形畸变”或“枕形畸变”。这是由透镜形状导致的，也是畸变的大头。数学模型里，畸变量是相对镜头中心距离 r 的多项式：

x_distorted = x_ideal * (1 + k1*r^2 + k2*r^4 + k3*r^6) y_distorted = y_ideal * (1 + k1*r^2 + k2*r^4 + k3*r^6)

这里 x_ideal、y_ideal 是理想归一化平面坐标，r^2 = x_ideal^2 + y_ideal^2。注意：是对归一化平面坐标做畸变，不是在像素坐标上做，很多人写代码时容易搞错。

切向畸变：来源于镜头组装时光轴不严格垂直于感光面，玻璃片有微小的偏心。数学上这样加：

x_distorted = x_ideal + (2*p1*x_ideal*y_ideal + p2*(r^2 + 2*x_ideal^2)) y_distorted = y_ideal + (p1*(r^2 + 2*y_ideal^2) + 2*p2*x_ideal*y_ideal)

OpenCV里常用的畸变参数是5个：k1、k2、p1、p2、k3，合起来就是distCoeffs。鱼眼镜头另有约4参数的等距投影模型，别混用。

4.2 畸变对精度的影响有多大

很多同学想到畸变第一反应是“视觉上不好看”，所以觉得无所谓。但在测量类任务里，畸变是精度杀手。

拿典型的500万像素、1/2.5英寸相机配广角镜头来说，图像边缘处的径向畸变量往往超过20像素。如果你直接用没矫正的坐标做像素和三维的映射，误差会直接变成厘米级。而完整的标定矫正后，边缘重投影误差通常可以压到0.1像素以内，放到实际距离上，一两个毫米的误差就分出来了。

在标定流程里，畸变参数会跟内参一起被估计出来。为什么必须一起估计？因为镜头畸变和主点偏移之间有耦合。如果你只估计内参不估计畸变，畸变会“躲”进fx、fy、cx、cy里，让内参整体偏移，等你再拿这套内参去做三维解算，结果就全偏了。

我自己的习惯是：拿到新镜头第一件事，先用棋盘格标一次内参和畸变，然后把畸变系数丢给initUndistortRectifyMap生成映射表，最后跑一遍remap看直线直不直。直线变直、边缘位置和理论值对得上，这套镜头才能用于测量。

5. 实操：拿着棋盘格把整条链路跑通

理论讲完了，落地才是重点。这一节我演示一套最常用的平面标定板标定流程，用的就是OpenCV加Python，两张图读完就能跑。前提示你已经能通过cv2.findChessboardCorners找到角点。

5.1 标定前的准备与拍摄要点

标定板可以是打印出来的棋盘格，也可以是屏幕上显示的图案。打印的话要确保纸张平整，最好贴在硬板上。屏幕显示则要注意屏幕反光，尽量固定好别晃动。

拍摄时记住几个原则：标定板姿态要覆盖“正对、倾斜、俯仰、左右偏转”多种情况；标定板在画面里的位置不能老在正中央，要让它多次出现靠近边缘的位置；每个位置的标定板离相机远近也要变化，从近到远都来几张。数量上，15到20张不同姿态基本够用，太少容易造成退化，太多则浪费时间。

有一个非常隐蔽的坑：标定板不要只在一个距离、一个角度上拍。比如所有图片标定板都基本正对相机、位于画面中心，那内参中的fx、fy和畸变参数会严重相关，标出来的内参几乎不可信。我见过不少朋友拿同一个姿态拍几十张，最后明明重投影误差只有0.2像素，换个角度测距却差得离谱。根因就是姿态多样性不足。

5.2 一份可直接复用的标定代码

下面这份代码演示了完整流程，从检测角点到标定再到误差评估和畸变矫正。棋盘格尺寸按你自己板子的实际情况填，标注的地方注意别写错。

import cv2 import numpy as np import glob # 棋盘格参数 pattern_size = (9, 6) # 内角点数：列数-1, 行数-1 square_size = 0.024 # 方格边长，单位米 # 生成标定板角点的世界坐标 (z=0平面) 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) objp *= square_size obj_points = [] # 每张图的世界角点 img_points = [] # 每张图的像素角点 images = sorted(glob.glob('./calib_images/*.jpg')) for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if not ret: print(f"跳过无法检测的图片: {fname}") continue # 亚像素角点精化，提高标定精度 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners) # 标定：返回内参矩阵K、畸变系数dist、旋转向量、平移向量 ret, K, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None ) print("内参矩阵K:\n", K) print("畸变系数dist:\n", dist) # 计算重投影误差 total_error = 0 for i in range(len(obj_points)): proj_points, _ = cv2.projectPoints( obj_points[i], rvecs[i], tvecs[i], K, dist ) error = cv2.norm(img_points[i], proj_points, cv2.NORM_L2) total_error += error**2 mean_error = np.sqrt(total_error / len(obj_points)) print(f"平均重投影误差: {mean_error:.4f} 像素") # 畸变矫正，输出无畸变图 map1, map2 = cv2.initUndistortRectifyMap( K, dist, None, None, gray.shape[::-1], cv2.CV_32FC1 ) undistorted = cv2.remap(img, map1, map2, cv2.INTER_LINEAR) cv2.imwrite('./undistorted_example.jpg', undistorted)

这段代码输出里最需要关注的就是平均重投影误差。经验上，普通工业镜头这个值应低于0.3像素，如果高于0.5像素，说明图像里某些角点检测得不好，或者标定板姿态不够全，需要回炉重拍。

5.3 拿到内参和畸变之后怎么用

标定完成不是终点，拿到了K和dist，后面有三种最常见的用法。

第一，去畸变。用initUndistortRectifyMap加remap生成一张新的无畸变图像，后续特征匹配、目标检测都在这张图上做。注意，去畸变本身会裁剪边缘像素，所以图像视野会比原来略小。

第二，像素坐标反投影成射线。已知像素 p = (u, v)，先转归一化平面坐标：

x_n = (u - cx) / fx y_n = (v - cy) / fy

相机系下射线方向就是 (x_n, y_n, 1)。如果再知道深度Z，就用 x = x_n * Z, y = y_n * Z, z = Z 恢复三维点。这里要特别提醒：反投影之前一定要先对像素坐标做去畸变，否则方向是歪的。

第三，外参标定与位姿估计。当你知道标定板上的角点世界坐标和对应像素坐标时，可以用cv2.solvePnP求解相机相对标定板的位姿（rvec和tvec）。很多机械臂抓取、增强现实的“物体在相机系下的位姿”，本质就是solvePnP在起作用。

6. 标定排查实录：我踩过的那些坑

标定这个事，和调代码不一样，很多时候问题出在“数学上没错，但实际就是不对”。这一节我整理几个最常见的坑，基本都是现场踩出来的经验。

6.1 角点漏检和误检

棋盘格角点检测在强反光、高亮边框、板子倾斜太厉害时经常失败。最常见的错误是角落处的角点被截断，或者板子倾斜角度过大导致轮廓模糊。

排查办法：把每张图的检测结果可视化出来，用cv2.drawChessboardCorners把角点画回去看。不要“跳过就不管了”，而是尽量重拍那张缺失的视角。标定板的姿态覆盖度比图片数量更重要，这是我一直强调的。宁可12张有效的，不要20张里有一半缺角点。

6.2 主点cx、cy不居中，是不是出问题了

很多新手看到标定出来的cx、cy离图像中心很远，第一反应是“标错了”。其实不一定。主点偏离图像中心是正常现象，它由镜头安装和光轴偏差决定，偏移几个像素到几十个像素都有。

真正需要警惕的是：cx、cy在多次标定之间反复横跳，或者跟fx、fy高度相关。这通常说明标定图片姿态太少，参数被“姿势耦合”住了。解决办法就是增加更极端的视角，比如大角度俯仰拍摄标定板。

6.3 同一台相机换了分辨率，K为什么全变了

有人标过一次内参，后面把相机分辨率从1920x1080换成1280x720，直接把之前的K拿来用，结果全偏了。我见过不少这个错误。

原理很简单：fx和fy是“焦距除以像素物理尺寸”得到的，像素尺寸不变，但分辨率缩小后图像被剪裁或者缩放，主点cx、cy和像素坐标基准都不一样了，内参自然要重新标。如果相机支持ROI输出，更麻烦，ROI的偏移量会直接叠加到cx、cy上。所以在采集图像时，建议开头就固定分辨率和ROI，别中途随手改。

6.4 把外参和内参混在一起使用

另一个常见的坑发生在手眼标定或单目测距的场景里。内参是相机自身的属性，只跟镜头和传感器有关；外参是相机在世界坐标系或机器人坐标系下的位姿，是会随安装位置变化的。有人把外参直接合进了一个3x4投影矩阵，然后写到配置文件里当“内参”用，一旦相机挪了位置就全盘重标。正确的做法是内参和畸变单独保存，外参单独保存，每次变换相机位置只重标外参，内参不动。

在实际做机械臂抓取项目时，我习惯把“相机内参标定”和“眼在手外标定”分成两个独立步骤，先固定好相机物理位置，再一次性完成外参求解。分开处理的好处是，出问题时能快速定位是相机自身的问题还是机械臂坐标变换的问题。

最后一件事：每次标定完，请做一次端到端验证

写了这么多，最后分享一个我个人的小习惯。每次标定完，我都不会只盯着重投影误差看，而是会找一个现场已知尺寸的物体，放到相机前方几个不同距离上，用solvePnP或反投影射线去反推它的尺寸或距离，再做一次对比。重投影误差小只能说明数学拟合好，不代表你整套流程在真实场景里一定准。只有端到端测出来的误差在你的容忍范围内，这套标定才算真的“能用”。

另外，标定结果文件里建议把“标定用的图像数量、分辨率、平均误差、标定时间”一并记上。过几个月回头查数据时，你会发现这些备注比参数本身更有用。