python halcon的图像物体边缘矩形拟合_HALCON高级篇：3D相机标定（1/3）

创建标定数据模型

你可以用算子create_calib_data创建一个标定数据模型，指定相机和标定物体的数量。当用一个相机的时候，你也用一个单独的标定物体。

然后，你要做的是：

• 指定相机内部参数的初始值
• 描述标定物体

指定相机内参的初始值

你可以用算子set_calib_data_cam_param来设置相机内部参数。

除了标定数据模型，算子也需要下面的参数作为输入：

• CameraIdx：相机的索引(0代表单个相机)
• CameraType: 相机的类型
• CameraParam: 相机内参初始值的一个元组

那种畸变模型去使用

对于面阵相机，两种畸变模型可供使用：划分模型和多项式模型。划分模型用一个参数来构造径向畸变，多项式模型用5个参数来构造径向和离心畸变。

划分模型的优势是畸变可以被快速的应用，尤其是对于反向畸变，例如如果世界坐标被映射到图像平面。还有，如果只有几张标定图像被使用或者视野覆盖不足，划分模型则会比多项式模型得到更稳定的结果。多项式模型的主要优势是它可以更精确的构造畸变，因为其用了更高阶的项去构造径向畸变，并且它也构造了离心畸变。需要注意的是，多项式模型不能够反推。因此，反向畸变必须被迭代计算看，其要比划分模型反向畸变的计算要慢。

一般的，划分模型应该被用来标定。如果标定的精度不高，可以用多项式模型。但是需要注意的是，被用于多项式模型的标定序列必须提供一个完整的区域覆盖，这个区域在后边用于测量。畸变可能会在没有被标定板覆盖的区域外边被不准确的构造出来。这种情况发生在图像边缘，也发生在标定板没有覆盖到的视野区域内部。

描述标定物体

用算子set_calib_data_calib_object，你可以指定标定物体所需的信息。

如果你用的是HALCON的标定板，对应的描述文件名字就足够了。

如何获得一个合适的标定板

确定给CCD相机的相机参数最简单的方法就是利用HALCON的标定板(如图1所示)。在这种情况下，找标定把的整个过程，提取标定标志点，以及决定提取标定标志点和各自3D世界坐标之间的对应关系都可以自动的被执行。更重要的是，标定板更加精确，1um或更小，对于高精度的应用其是前提条件。

两种类型的HALCON标定板是被支持的。尤其是，六角形排列的标志点和矩形排列的标志点的标定板是可行的。具有六角形排列的标定板是在HALCON12中引进的，在大多数应用中被推荐使用，因为相比于矩形排列标志点的标定板，其提供了如下的优点：

l 具有矩形排列标志点的标定板应该充满图像视野的四分之一。为了覆盖包括不同倾斜的整个视野，许多图像(至少10到20)是需要。因为六角形排列的标定板包含了众多数目的标志点，因此用单个图像就能够覆盖整个图像面积，更少的图像(6到7张)被需要去得到可比较的标定 结果。

l 矩形排列标志点的标定板必须在图像全部可见的，然而六角形排列的标定板可以伸出图像的边缘。进而，当放置标定板的时候，后者就不需要太多的在意。标定板图像的获取就变的更快和方便，而没有稳定性的损失。

一个六边形排列的标定板在单张图像上应该充满整个图像区域。一个矩形排列的标定板应该至少覆盖图像区域的9分之一。为了提高标定的质量，我们推荐一个标定板至少覆盖图像区域的四分之一。

图1：不同材质和尺寸的HALCON标定板：(a)六角排列的标志点(b)矩形排列的标志点

使用你自己的标定物体

利用HALCON，你不受限于使用一个平面标定板，例如HALCON标定板。你可以使用一个3D标定板或者甚至任意特征点(自然的标志)。仅有要求就是模型点的3D世界位置是已知的，并且具有很高的精度。

然后，你就简单将标定物体的所有点(标志点)的3D坐标作为一个元组传到算子set_calib_data_calib_object中的CalibObjeDescr。所有点的x, y, z坐标必须以【x, y, z】元组的顺序进行打包。

然而，需要主要的是，如果你用自己的标定物，你就不能再用find_calib_object。相反，你必须自己来确定模型点的2D位置和对3D点的对应关系。