智能汽车的视觉系统标定是自动驾驶和智能座舱（如360环视）能够准确感知的基石。由于摄像头拍摄到的是二维像素，而车辆决策需要的是三维空间中的真实物理位置（如车道线、障碍物距离），这就必须通过标定来建立“像素坐标相机坐标车身坐标/世界坐标”的数学映射关系。

完整的智能汽车视觉系统标定流程通常分为产线/静态标定、动态/在线标定以及多传感器联合标定三个维度。以下是核心的标定流程详解：

一、 核心标定参数分类

在进入流程前，我们需要知道标定到底在算什么：

内参（Intrinsic Parameters）： 确定相机镜头内部的几何畸变和焦距等属性。比如消除大广角镜头的“鱼眼”畸变，将弯曲的图像“拉直”。

外参（Extrinsic Parameters）： 确定相机在车身坐标系中的具体位置和朝向（安装的 X, Y, Z 坐标以及航向角 Pitch、Yaw、Roll）。

二、 产线/静态标定流程（主流基础）

静态标定通常在汽车出厂前的标定间、或者4S店维修后进行。环境受控，精度极高。

1、准备与环境搭建

标定工具： 准备带有特定几何图案的标定板（如棋盘格、圆点阵列图或专用的环视标定布）。

环境要求： 保证光照均匀，避免强光直射导致曝光过度，或者暗光导致图像特征点无法提取。

车辆状态： 车辆停放在水平地面上，胎压调整至标准值，车辆需完全静止（防止悬架抖动）。

2、内参标定（通常在供应商处或装车前完成）

数据采集： 摄像头对着标定板，从不同的角度、距离拍摄多张照片（通常10-20张）。

算法求解： 行业普遍采用张正友标定法。算法通过识别标定板上的角点（特征点），利用数学矩阵求解出相机的焦距（f_x, f_y）、主点位置（u_0, v_0）以及畸变系数（径向、切向畸变）。

3、外参标定（装车后必须进行）

位置布设： 将标定板或标定布精准放置在车辆四周的已知相对位置（使用全站仪或激光测距仪测定标定板相对于车轮轴、车身中心线的位置）。

特征提取： 车辆的各个摄像头拍摄包含标定板的画面，算法自动检测图像中对应标定板的特征点（如环视系统中四张标定布的角点）。

外参矩阵计算： 根据图像中特征点的“像素坐标”与它们在现实中相对车身的“真实物理坐标”，解算出每个摄像头相对于车身坐标系的旋转矩阵 R 和平移向量 T。

拼接与检查（以360环视为例）： 利用算出的外参将前后左右四个摄像头的画面投影到鸟瞰图（BEV）视角，检查拼接缝隙处（如地面的线条）是否对齐、是否有重影。

三、 动态标定 / 在线标定流程（行车中优化）

汽车在行驶过程中，由于长期颠簸、温度变化导致的热胀冷缩，或者悬架载荷的变化，相机的外参会发生微小偏移。在线标定能够实现“边开车边校准”。

[车辆行驶] ──> [检测自然特征(车道线/路牌)] ──> [提取特征并与运动学融合] ──> [在线迭代更新外参矩阵]

1、特征触发与提取

当车辆行驶在规则道路（如高速公路、城市高架）时，视觉算法会实时提取环境中的自然特征点，最常用的是车道线（假设车道线在车辆前方是平行且延伸到无穷远处的）和消失点。

2、多传感器融合与状态估计

结合车辆的IMU（惯性测量单元）和车速传感器（轮速计），估算车辆自身的姿态变化。

3、迭代计算与校正

算法（如卡尔曼滤波或光束法平差 BA）通过对比当前帧与历史帧的图像变化，以及车道线的几何约束，不断微调和修正相机的 Pitch（俯仰角）和 Yaw（偏航角），实现无感的动态刷新。

四、 联合标定流程（跨传感器对齐）

现代智能汽车不仅有摄像头，还有激光雷达（LiDAR）和毫米波雷达。将它们的数据对齐在同一空间坐标系下，才能做前融合感知。

以 Camera-to-LiDAR（前向相机与激光雷达标定） 为例：

1、共视区域采集： 将一个既能被相机拍清楚、又能被激光雷达扫描到的特制标定板（通常表面有高反射率图案，或者特定几何形状的挖空）放置在车前。

2、数据提取： * 在相机二维图像中提取标定板的角点或边缘像素坐标。

在激光雷达的三维点云（Point Cloud）中提取该标定板对应的三维空间特征点（利用点云反射强度或平面拟合）。

3、约束求解： 寻找两组特征点之间的最佳匹配，采用最小二乘法等优化算法，计算出激光雷达坐标系到相机坐标系的 3D-to-2D 转换矩阵。

4、对齐效果验证： 将激光雷达的彩色点云投影到摄像头的图像上，观察点云轮廓是否和图像中的车辆、建筑、车辆等物体完美贴合。

五、 标定结果验证与质量评估

标定完成后，必须通过严苛的指标评估才能投入业务使用：

重投影误差（Reprojection Error）： 将计算出的 3D 空间点通过标定参数重新投影回 2D 图像，计算其与图像实际像素点的偏差。在自动驾驶中，平均重投影误差通常要求小于 0.5 到 1 个像素。

参数稳定性检查： 检查左右双目相机、或者环视相机的相对几何关系是否符合机械结构的刚性常理，防止算法陷入局部最优解计算出“畸形”的参数。