相机标定（camera-calibration）这件事，我第一次接触时以为它就是个"跑个函数、出一组参数"的体力活，直到拿着那组参数去做测距，发现两米外的目标偏差接近三厘米，才明白标定是个从物理世界到数学模型反复对账的过程。它在做的事情，本质上是给相机建立一套"翻译规则"：把图像上的像素坐标，翻译成现实世界里的角度、距离和三维位置。凡是需要"从一张图里量出真东西"的场景，都绕不开它——工业视觉测量、机器人抓取、双目深度、AR叠加、无人机降落、产线缺陷定位，甚至手机里那颗广角镜头的边缘校正。这篇内容面向的是刚接手标定任务、或者标完之后发现"参数看着挺好但一用就飘"的工程人员，也会补齐坐标系、畸变模型、误差判读这些新手最容易糊过去的环节。我会把标定拆成"标什么、怎么选、怎么干、怎么查、怎么落地"五段，每一段都给出可以直接抄的参数和判据。

1. 相机标定到底在标什么：从现象到模型的拆解

1.1 为什么同一个世界在相机里长得不一样

先不谈公式，谈现象。你拿手机对着走廊拍一张，会发现靠近画面的直线是直的，画面边缘的门框却是弯的；你把同一个杯子放在画面正中和放在画面角落，它的形状会发生变化；你用广角拍合照，站边上的人脸会被拉宽。这些现象的根源有三层：镜头是球面透镜，光线在不同位置的折射角度不一样；感光元件是平面，而成像的几何关系是投影；装配时镜头光轴和感光面法线不严格重合。三层叠加，就产生了我们能观察到的畸变、偏心、主点偏移。

相机标定要做的，就是把这三种偏差各自量化成一个可计算的模型，再把模型里的系数求出来。求解出来的这一组数，就是标定结果。这里面没有玄学，全是几何：一个三维点经过外参变换进入相机坐标系，再经过内参投影落到归一化平面，再经过畸变模型偏移到实际成像位置，最后加上主点平移到像素坐标。整条链路每一环都有一个参数集，标定的目标就是让"预测的像素位置"和"实际检测到的像素位置"尽可能重合。重合程度用重投影误差衡量，这个指标后面会反复出现，它是判断标定质量最直接的一把尺子。

之所以要强调"现象先行"，是因为很多新手一上来就抄代码，跑完输出一个 rms 值就以为完事。实际上你只有先明白误差来自哪里，才知道采集图像时应该规避什么：画面边缘有畸变，所以标定板必须摆到边缘；镜头对不同距离的成像不同，所以标定距离要覆盖工作距离；装配偏心在特定角度才会暴露，所以姿态要足够杂。这些都是几何现象反推出来的操作要求，不是凭经验拍脑袋。

还有一点容易被忽略：标定从来不是"标相机"，而是"标整个成像链路"。镜头、感光元件、图像采集卡、甚至图像缩放算法（比如某些模组内部做了裁切或缩放），都会进入这条链路。如果你标完参数后，软件里又把图像 resize 了一遍，那组参数立刻失效。这一点在用工业模组或者某些带 ISP 的方案时特别常见，我见过有人查了两天精度问题，最后发现是驱动里默认开了一个 2 倍降采样。

1.2 内参、外参与畸变：三张表说清核心对象

标定输出的参数，工程上一般分成三块。用一张表先把它们摆清楚，后面的所有操作都是围绕这三块展开的。

内参里最常被误读的是 fx 和 fy。它们不是"焦距"，而是焦距除以像元尺寸之后得到的像素当量。举个具体数字：一个镜头标称焦距 8mm，感光元件像元 3.45μm，那么 fx 的理论值大约是 8000/3.45≈2319 像素。如果你标出来的 fx 是 1800 或者 3000，那基本可以判定有问题——要么是图像被缩放过了，要么是采集姿态太单一导致焦距和其他参数耦合了。这个反算习惯我建议每个人都养成，标完先拿理论值对一下，比看重投影误差更早发现问题。

cx、cy 是主点，理论上接近图像中心，但经常偏出几十个像素。偏一点是正常的，装配公差决定的；偏得离谱（比如超过图像尺寸的 5%）就要怀疑是不是标定板姿态覆盖不全，导致主点和畸变中心互相拉扯。至于 skew，现代相机的像元基本是正交排列，这个值通常接近 0，标定时可以固定为 0 以减少自由度，只有在用某些特殊扫描方式成像时才需要放开。

畸变这块，径向畸变是主角，表现为"桶形"或"枕形"；切向畸变是配角，来自镜头与感光面不平行，量级通常小一个数量级，但广角镜头下不能忽略。这里有个实操判断：如果你做 undistort 之后发现画面在某个角上"拉扯"得特别厉害，而其他三个角正常，那大概率是切向畸变没标好，或者那个角的标定板图像质量太差被错误地参与了优化。

1.3 标定的本质是求一个最优映射而不是精确解

很多人对标定有个误解，以为存在一组"绝对正确"的参数，标定的任务是把它找出来。实际不是。真实的镜头不满足针孔模型，畸变模型只是对真实光学行为的近似，参数之间存在耦合（比如 fx 和 tz 在单目里就难以完全解耦），图像有噪声，角点检测有亚像素误差。所以标定求出来的永远是一组"在当前模型下、当前数据上最优"的解。

理解这一点非常重要，因为它决定了两件事。第一，不要迷信重投影误差。0.1 像素的重投影误差不代表测量精度是 0.1 像素，它只说明模型在你的标定数据上拟合得很好。如果你的标定板只在一个距离上拍过，模型可能在这个距离上极其精确，换个距离就崩。第二，标定的评价必须用"未参与优化的数据"。这就是为什么我后面会强调验证集：留几张图不参与标定，用它们算误差，才是真实水平。

也正是因为"最优映射"这个定位，标定的很多决策就变成了工程折中：姿态要多杂、图像要多少张、畸变模型取几阶、要不要固定某些参数。这些没有标准答案，取决于你的精度要求和算力预算。后面几节我会给出常用的经验区间，但每个项目最终都得用自己的验证数据去收敛。

2. 标定方案选型：不同场景该走哪条路

2.1 棋盘格、圆点板与编码标记的取舍

标定板的选择直接决定了角点检测的稳定性和后续流程的复杂度。三种主流方案的差异，我整理成下面这张表，这些结论来自实际反复对比，不是照抄手册。

棋盘格的优势是角点定义清晰——黑白方格的交点，几何位置无歧义，亚像素优化收敛快，这也是它成为事实标准的原因。它的软肋是必须整板可见，一旦被遮挡或者出画，那张图就废了。在产线或者大设备上，很难保证每张图都完整拍到板子，这时候编码标记板的价值就出来了：每个标记自带 ID，部分可见也能提供约束。

圆点板有个坑必须提：透视投影下，圆的成像中心并不等于圆心投影点，会往远离图像中心的方向偏。距离越近、视场角越大，这个偏心越明显。所以用圆点板做高精度标定时，必须开启偏心补偿，否则会引入系统误差。有人图省事直接把圆心当特征点用，短焦下误差能到零点几个像素，肉眼看不出，测距时就体现出来了。

还有一个现实因素：板子的平整度。打印在 A4 纸上贴到硬板上，纸张的起伏、胶带的厚度、板子本身的翘曲，都会变成"标定板不共面"的误差，而模型假设它是完美平面。这个误差不会体现在重投影误差里（因为优化会把它吸收到参数里），但会在实际测量中暴露。我的做法是：高精度场合用铝基板或者陶瓷基板，普通场合至少把打印纸裱在厚玻璃上压平，别用泡沫板。

2.2 单目标定、双目标定与多相机系统的差异

单目标定是最基础的一层，输出内参和畸变，顺带每张图的外参。它解决的问题是"这台相机怎么把三维投成二维"。单目标定做完，你可以做畸变校正、可以做基于已知平面的位姿估计（比如把板子放在工作台上，算出相机相对板子的位置）。

双目标定是在单目的基础上再加一层：两台相机之间的相对位姿。关键点是必须先把两台相机各自的内参标好，再用同一时刻、同一块板子的图像去求 R 和 T。如果两台相机的内参是用不同批次、不同距离的图像标的，那求出来的外参会带着系统偏差。工程上的标准流程是：先各自单目标定、固定内参，再联合 stereoCalibrate。这一步的参数设置里，把内参设为固定（CALIB_FIX_INTRINSIC），只优化 R、T 和少量畸变耦合项，结果会稳定得多。

多相机系统（三台以上、或者相机加投影的结构光系统）复杂度会跳一个台阶。难点不在求解，而在"共同观测"：所有相机必须在同一时刻看到同一个标定物，才能建立统一的世界坐标系。这里就牵出时间同步的问题——如果相机是软触发、曝光时刻差几十毫秒，板子又在动，那外参必然错。我见过一个四相机环视的项目，外参怎么标都不收敛，最后发现是其中一路相机的采集有固定延迟。所以多相机标定前，先把硬触发或者时间戳对齐做好，比调算法有用得多。

2.3 标定板尺寸与工作距离的参数计算

标定板做多大、拍多远，这两个数不是随便定的，可以直接算。核心原则是：标定板在图像中的占比要够大，通常建议占图像短边的 1/3 到 1/2，最低不要低于 1/4。占比太小，角点像素间距小，亚像素误差的相对影响就大。

反过来推板子尺寸。假设你的工作距离是 D，相机水平视场角是 FOV，那么在距离 D 处的视野宽度 W ≈ 2·D·tan(FOV/2)。标定板宽度取 W 的 40% 到 60% 比较合适。举个具体的：工作距离 800mm，水平视场角 50 度，那 W ≈ 2×800×tan25° ≈ 746mm，板子宽度选 300 到 450mm。方格边长则按"图像上每个方格至少 25 到 40 像素"来定，方格太小角点定位精度上不去，太大则一张图里格子数太少，约束不足。

方格数量也有讲究。常见规格是 9×6、11×8 这种。格子太少（比如 5×4），单张图提供的约束不足，需要更多姿态；格子太多（比如 20×15），远端格子在小视场下糊成一片，检测反而失败。我的经验是 9×6 到 11×8 这个区间最稳，既能保证约束，又不容易检测失败。

还有一条常被忽视：标定距离要覆盖实际工作距离。如果你的相机在 300mm 到 1200mm 之间工作，标定图像就应该在这个范围内分布，而不是全挤在 600mm 一个距离上。原因前面说过，参数之间存在耦合，单一距离的标定会让模型"过拟合"到那个距离。实际操作里，我会按近、中、远三档各拍若干张，近端多一点，因为近端畸变大、信息量大。

3. 从拍照到出参：完整实操流程拆解

3.1 采集图像：姿态覆盖比数量更重要

采集这一步决定了标定质量的上限，后面所有算法都只是逼近这个上限。最典型的错误是"拍 30 张，但 30 张都是正对板子、只是位置平移"。这种数据在数学上是严重退化的：板子平面始终平行于像平面，无法约束焦距和主点的耦合，标出来的 fx 可能偏差百分之十几，而重投影误差看起来还很漂亮。

正确的姿态分布，我总结成四条：一是倾斜，每张图的板子平面与像平面夹角在 15 到 45 度之间，至少要有两个互相垂直方向的倾斜（绕横轴、绕纵轴）；二是覆盖，板子要出现在画面的四角、四边、中心，尤其是四个角，因为畸变在边缘最大，那里没有数据就约束不到高次畸变项；三是尺度，板子在不同距离上出现，近端板子占画面一半，远端占三分之一；四是数量，单目 15 到 25 张是比较舒服的区间，少于 10 张容易欠约束，多于 40 张边际收益很小，反而增加人工筛选成本。

质量比数量更重要。每张图我都要求：不模糊（手持拍摄要开高快门或者补光，运动模糊会让角点亚像素定位直接失效）、不过曝（棋盘格白格过曝会吃掉角点边界梯度）、不反光（亚克力或者覆膜板在斜射光下会出现镜面反射斑，直接盖住角点）。我踩过最亏的一次坑，是在灯光正下方拍了一组图，白格边缘出现一圈光晕，角点检测全部偏了半个像素，重投影误差 0.6，怎么调参数都下不来，换位置重拍立刻降到 0.15。

还有一个硬件层面的注意点：标定时的对焦状态必须和实际使用时一致。很多镜头是手动对焦环，标定时拧到一个位置，用的时候又拧了，那焦距就变了，内参直接失效。变焦镜头更是如此——只要焦段动了，就必须重标。这条我在项目里会写进作业规范，因为它是那种"不注意就全盘作废"的问题。

3.2 角点检测与亚像素优化

角点检测分两步：粗定位和亚像素精化。粗定位找棋盘格的大致角点位置和排列顺序，精化则在一个小窗口内用灰度梯度拟合出角点的亚像素坐标。这一步的精度直接决定标定上限。

用 OpenCV 的话，主流程大概是这样，我把关键参数和注释都写进去：

import cv2 import numpy as np pattern_size = (11, 8) # 内角点数量，注意不是方格数 square_size = 30.0 # 方格实际边长，单位 mm criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 1e-4) 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 # 用真实物理尺寸，后面做三维测量才有意义 obj_points, img_points = [], [] gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 优先用 SB 版本，鲁棒性和速度都更好 found, corners = cv2.findChessboardCornersSB( gray, pattern_size, flags=cv2.CALIB_CB_EXHAUSTIVE | cv2.CALIB_CB_ACCURACY) if found: corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners)

几个参数值得说清楚。内角点数量这个参数最容易被搞错：一张 12×9 个方格的棋盘，内角点是 11×8。传错的话函数永远返回 False，新手常在这里卡住。cornerSubPix 的窗口我一般用 11×11 或者 9×9，窗口太大容易把相邻角点的梯度混进来，太小则噪声抑制不足；迭代终止条件设到 1e-4 已经足够，因为受限于图像噪声，再往下收敛也没有物理意义。

关于 SB（Stable Board）版本，如果你的 OpenCV 版本支持，我强烈建议用它。它对光照不均、轻微模糊、低对比度的容忍度明显更好，而且不需要提前做二值化。传统 findChessboardCorners 在背景杂乱或者板子边缘有干扰时容易错检，返回一个"看起来检测到了但角点顺序乱了"的结果，这种错误最难发现——因为后面标定照样能跑出参数，只是全错。所以我现在都会做一次可视化，把检测到的角点画在图上逐张过一遍，30 张图看下来大概两分钟，能省掉半天的排查。

如果是圆点板，用的是 findCirclesGrid，注意选对称还是非对称模式，这决定能不能判定方向。另外圆点板检测完同做亚像素精化，但圆点的亚像素优化目标不是梯度交点而是灰度重心，实现上不同，别直接套棋盘的函数。

3.3 求解与重投影误差判读

数据齐了就进入求解。单目标定调用 calibrateCamera，输入是每张图的三维物点和二维像点，输出内参矩阵、畸变系数、每张图的外参，以及总体的重投影误差 RMS。

ret, K, D, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None, flags=cv2.CALIB_FIX_K3 | cv2.CALIB_ZERO_TANGENT_DIST) # 视情况固定

flag 的选择是个经验活。CALIB_FIX_K3 表示固定三阶径向畸变，适合普通镜头，能减少一个自由度让结果更稳；如果用的是大广角或者鱼眼，就不能固定，得放开 k3 甚至换鱼眼模型。CALIB_ZERO_TANGENT_DIST 适合装配质量较好的镜头，如果校正后边缘还是有单侧拉扯，再去掉这个固定。我的习惯是先全放开跑一次看结果，如果 k3 的量级很小（比如 1e-3 以下），再固定它重跑，两次结果对比一下。

重投影误差怎么判读，这是能不能用好的分水岭。经验区间是这样的：

但这里要泼一盆冷水：RMS 是平均值，会掩盖单张图的异常。所以一定要看逐张误差。做法是拿每张图的 rvecs、tvecs 和 K、D 做 projectPoints，算该图的平均误差，然后排序。如果 20 张图里 19 张都是 0.15，只有 1 张是 1.2，那这张图基本是错的（可能角点检测错位、可能板子弯了），把它剔掉重标，整体 RMS 会明显下降。相反，如果所有图都在 0.4 左右，那就是系统性问题，剔除没用，得从采集和板子平整度上找原因。

还有一个进阶判据是参数稳定性。同一组数据，随机抽样 80% 的图重复标定 10 次，看 fx、cx 的波动。如果 fx 的波动超过 1%，说明数据约束不足，得补姿态。这个做法比单看 RMS 更能反映参数的可信度，尤其在单目测距场景里，fx 不稳就意味着距离不准。

3.4 参数验收与保存规范

标出来的参数不能直接扔进项目，要做三件事：验证、格式固化、版本管理。

验证要用独立的图。留 3 到 5 张没参与标定的图像，用标定结果做畸变校正，然后观察画面边缘的直线是否变直。更量化一点的做法是：在板子上取两个角点，用 solvePnP 反算它们在相机坐标系下的距离，和实际测得的物理距离对比。如果物理距离是 200mm，反算是 198.5mm，相对误差 0.75%，这个量级对普通工业场景是可以接受的。这个"已知尺寸反算"的验证方式比任何软件指标都实在，因为它走的是和实际应用完全相同的链路。

保存格式上，我一般同时存两份：一份是矩阵的原始数值（K、D、图像尺寸、标定日期、使用的板子规格），用 JSON 或者 YAML 存；一份是校正映射表，用 initUndistortRectifyMap 预计算，存成二进制。后者在实际运行时能省掉每次重建映射的时间，实时系统里这点开销不小。

版本管理经常被忽略。同一台设备，换了镜头、动了对焦、拆装过支架，参数就作废了。我的做法是给每组参数打上三元标识：设备序列号、镜头型号、标定日期，写进文件名和文件头。项目里出现过两次"用错参数"的事故，都是因为同一台设备存了三组参数，没人知道哪组是最新的。后来加了这套标识，再没出过问题。

4. 常见问题排查与避坑实录

4.1 重投影误差很小但实测精度很差

这是最让人抓狂的一类问题，也是我被问得最多的。现象是：标定 RMS 只有 0.12，参数看起来完美；实际拿去测距或者测尺寸，误差却是厘米级。

原因通常有四个，按出现频率排序。

第一是参数耦合造成的假精度。单目针孔模型里，fx 和 tz（沿光轴方向的平移）在单一距离下高度相关。你把板子只在一个距离上拍，优化器可以用"fx 偏大一点、距离偏小一点"的组合拿到同样的重投影误差。所以 RMS 很漂亮，但换一个距离立刻崩。解决办法就是前面说的多距离采集，近中远分布，让耦合无法形成。

第二是标定板实际不共面。打印纸贴在板子上，中间鼓起 0.3mm，模型假设它是绝对平面。这个形变会被优化吸收到畸变参数里，导致畸变系数偏大，边缘校正过度。验证方法很简单：把板子贴到玻璃上重标一次，对比两次的 k1、k2，如果差异超过 10%，那说明之前的板子确实不平。

第三是使用链路和标定链路不一致。标定用的是原始分辨率图像，实际运行时做了 crop 或者 resize；标定用的是某个对焦位置，运行时自动对焦动了。这类问题不会体现在参数里，只会在应用端暴露。排查办法是：拿一张实际运行时保存的原始图，走一遍完整的校正流程，看结果是否符合预期。

第四是坐标系搞错。标定输出的外参是相对标定板坐标系的，实际使用时世界坐标系可能是机器人基座或者传送带。中间要做一次手眼标定或者坐标系转换。如果直接把相机外参当成"相机在世界中的位置"，那所有测量都会差一个刚体变换。这个错误在新手项目里极常见，而且因为偏差是刚体变换，看起来"有规律"，很容易被误认为是标定精度问题。

4.2 畸变校正后边缘拉伸和黑边怎么处理

做 undistort 之后，很多人会发现两个问题：一是画面边缘出现黑色空洞，二是边缘被拉伸变形。

黑边的来源是校正后有效像素区域超出了原图像范围。处理方式有两个方向。如果你能接受裁剪，用 getOptimalNewCameraMatrix 计算一个新的内参矩阵，它会自动缩放并平移，让有效区域刚好填满图像，代价是损失一部分边缘视野。alpha 参数控制这个折中：alpha=0 表示全裁剪无黑边，alpha=1 表示保留全部像素但有黑边。实际项目里我一般取 0.3 到 0.5，兼顾视野和画面完整性。

如果不能接受裁剪（比如边缘的检测目标很重要），那就得保留映射表并接受黑边，后续算法要做边界判断。这时候要注意，黑边区域的像素值是 0 或者重复边缘值，千万别让后续的检测算法把黑边当成真实景物。

边缘拉伸是另一个话题。根本原因是径向畸变校正本质上是像素重采样，边缘区域被"压缩"回来的时候，采样密度不均匀，会出现信息丢失和插值模糊。这是物理上的必然损失，只能缓解不能消除。缓解手段：一是提高原始图像分辨率再校正，二是校正时用高质量插值（双线性够用，双三次更平滑但更慢），三是尽量让关心的目标落在画面中部。

这里补充一个容易忽略的点：如果你在标定时用了 CALIB_FIX_K3，但镜头的畸变实际上需要 k3 才能描述好，那校正后边缘会残留弯曲。验证方法是校正后的图上放一把直尺，贴着画面边缘拍，看直尺是否笔直。这个土办法比看参数直观得多。

4.3 典型问题速查表

把实际踩过的坑整理成一张表，遇到问题时按症状查，能省掉大量试错时间。

表里最后一条最值得展开说。标定不是一个一次性动作，而是一个有"保质期"的状态。温度变化会让镜筒和支架产生热胀冷缩，机械震动会让紧固件松动，装配应力释放会让光轴发生微小偏转。这些变化累积起来，内参可能变化不大，但外参会漂。所以只要项目对精度有要求，就必须设计复标策略：要么定期用标准件验证，要么在设备上留一个可重复定位的标定基准。

我在一个长期运行的场景里用过"标准件验证法"：做一个已知尺寸的金属块，每天开机时拍一次，反算尺寸，偏差超过阈值就报警复标。这套机制比定期盲目重标有效得多，因为它是按实际漂移量触发的。

5. 标定结果怎么落到实际项目里

5.1 手眼标定与坐标链路的串联

单目标定出来的外参，描述的是相机相对标定板的位置。在真实系统里，你关心的通常是"目标相对机器人末端"或者"目标相对传送带"。中间隔着的这一段，就是手眼标定要解决的事。

手眼标定分两种构型：眼在手上（相机装在机械臂末端）和眼在手外（相机固定，看工作区）。两种构型的求解方程不同，但核心思路一样：让机械臂带着标定板或者带着相机走多个位姿，每个位姿下都能建立一组相机与机械臂之间的约束，联立起来求出相机坐标系和机械臂坐标系之间的固定变换。

实操上有几个关键点。一是位姿数量，通常 10 到 15 个位姿，且旋转轴要绕着不同的方向转，如果全绕一个轴转，旋转部分解不出来。二是位姿质量，旋转角度建议在 30 到 60 度之间，太小则旋转约束弱，太大则标定板容易出画或者姿态解算出错。三是精度验证，标完之后让机械臂走一个已知点，看相机算出来的位置和机械臂末端实际位置差多少，这个差值才是整个系统的手眼精度。

坐标链路一旦串联起来，就要画一张完整的变换图：像素坐标 → 相机坐标（内参）→ 标定板/世界坐标（外参）→ 机械臂基座坐标（手眼）→ 末端坐标（运动学）。这条链路上任何一环出错，最终结果都会错，而且误差会累积。我建议在项目里把这张图画出来贴在工位上，每次排查问题先对链路，比盲调参数效率高得多。

还有一个实践细节：链路中的每个变换都要单独验证。相机内参用已知尺寸板验证，外参用已知位置的板验证，手眼用已知点验证。分段验证的意义在于，出问题时能快速定位到哪一段。一上来就做端到端验证，误差是叠加的，你根本不知道问题出在哪。

5.2 长期漂移与复标策略的设计

精度要求高的场景，标定参数是要持续维护的资产，不是一次性交付物。设计复标策略时，我通常考虑三个层次。

第一层是日常自检。每天或者每个班次开机，用固定的验证件（已知尺寸的标准块、固定在工位的标定板）做一次快速验证，只算一个关键指标（比如标准块的反算尺寸，或者固定点的重投影位置）。这个动作耗时不到一分钟，能及时捕获温度漂移和机械松动。阈值设多少？我的经验是：如果日常波动超过标称精度的 30%，就该安排复标了。

第二层是周期复标。按使用强度和环境条件设定周期，比如温变大的车间两周一次，恒温实验室三个月一次。周期不是拍脑袋，而是从历史漂移数据里统计出来的：连续记录每次复标前后的参数差异，看它随时间的变化曲线，再定周期。

第三层是事件触发。换镜头、动对焦、拆装支架、发生碰撞、软件升级改了图像流水线，这些事件之后必须重标。这条要写进作业规范，因为出事的时候往往没人记得自己动过什么。

另外分享一个降低漂移的工程手段：把相机和标定板的安装做成"可重复定位"结构，比如加定位销、用刚性一体支架、避免用长悬臂。结构刚性上多花一点成本，能省掉后面大量的复标和排查工作。我见过一个项目，相机装在一个一米长的铝型材悬臂上，稍微碰一下就偏零点几度，最后不得不加斜撑才解决。这类问题不是算法能救的。

最后说一句关于参数管理的体会。同一套设备跑久了，会积累出多组参数：不同焦距的、不同工作距离的、不同镜头的。如果没有清晰的命名和版本记录，迟早会出事故。我的做法是在参数文件头强制写上设备编号、镜头编号、标定日期、操作人、验证误差这五项，任何一项缺失就视为无效参数。这个规矩看起来很笨，但它把"用错参数"这类低级错误的概率压到了接近零，比任何聪明的自动化方案都可靠。