相机标定怎么做，需要哪些内外参？｜虹软自动驾驶算法面经解析

60 秒回答模板

相机标定通常先明确相机模型，再采集标定板或自然特征数据，通过优化最小化重投影误差来估计参数。内参包括焦距 fx、fy，主点 cx、cy，有时还有 skew；畸变参数包括径向畸变 k1、k2、k3 和切向畸变 p1、p2，鱼眼模型会有对应鱼眼畸变参数。外参是相机坐标系相对车体、世界、雷达或 IMU 坐标系的旋转和平移。工程上要保证标定图覆盖不同位置、角度和距离，图像清晰、角点分布充分；标定后看重投影误差、去畸变效果、不同距离投影偏差和多传感器对齐效果。自动驾驶里还要关注时间同步、安装刚性、温度震动导致外参漂移，以及在线或定期复标定机制。

考点 参数集合

难度 真实面经题

回答目标 能完整说明相机标定参数、采集优化、误差验证和自动驾驶多传感器工程注意事项。

深入解析

先说明相机模型

针孔相机模型用内参把相机坐标映射到像素坐标，畸变模型修正镜头带来的非线性偏差。普通广角、鱼眼和环视相机可能使用不同畸变模型，不能混用参数解释。

内参和畸变参数

内参主要是 fx、fy、cx、cy，表示焦距和主点位置；部分模型还有 skew。畸变参数常包括径向畸变和切向畸变，影响边缘区域投影。感知任务中边缘误差会影响车道线、障碍物边界和 BEV 投影。

外参是坐标变换

外参描述相机相对于车体、世界、雷达或 IMU 的姿态和位置，一般是旋转矩阵或四元数加平移向量。多相机拼接、相机雷达融合、BEV 转换和定位都依赖外参准确性。

采集质量决定标定质量

标定板要覆盖成像中心和边缘、不同距离和角度，避免角点集中在局部。图像要清晰、曝光稳定、标定板平整，采集数量不是越多越好，关键是几何约束丰富且数据质量可控。

验证不能只看一个误差

重投影误差是基础指标，但还要看去畸变后直线是否变直、边缘投影是否稳定、远近距离是否一致、多相机拼接是否错位、相机到雷达点云投影是否对齐。自动驾驶更关心标定误差对下游检测和测距的影响。

工程上要防漂移

车辆震动、温度变化、维修拆装、碰撞和支架松动都可能改变外参。系统应有标定版本管理、上线前验收、运行时异常检测和定期复检流程，必要时用道路结构或多传感器一致性做在线校验。

易错点

只背 fx、fy、cx、cy，没有提畸变参数和外参坐标变换。
把重投影误差当成唯一验收标准，忽略边缘区域和下游任务影响。
不区分普通针孔、广角和鱼眼模型，参数解释混乱。
忽略时间同步和外参漂移，把一次离线标定当成永久有效。
采集标定数据时角度和位置单一，导致参数在真实视场下不稳定。

面试官追问

内参和外参的区别是什么？

内参描述相机自身成像关系，例如焦距和主点；外参描述相机坐标系相对于其他坐标系的旋转和平移。

重投影误差很小就一定标定好吗？

不一定。如果标定板覆盖不足，整体误差可能小但边缘或远距离偏差大；多传感器外参还要看点云投影、拼接和下游任务表现。

相机和激光雷达外参怎么验证？

把点云投影到图像上，看边缘、路沿、标志杆、车辆轮廓等结构是否对齐，也可以用标定板或自然场景特征做定量误差统计。