看懂标定结果：重投影误差、参数不确定度与覆盖率

要点

• RMS 重投影误差衡量的是模型对“参与标定的点”的拟合程度，是必要条件，不是充分条件。
• 覆盖不足时，RMS 可以很低，画面边角的实际误差却很大。
• 参数标准差和相关系数说明哪些参数被数据约束住了、哪些没有；换算成像素影响更直观。
• 投影不确定度图和覆盖图能直接指出“哪里还需要补拍”。
• 逐图误差用于发现问题图像，残差的分布规律能揭示模型不足或标定板变形。
• 最后一定要用未参与标定的数据做独立验证。

重投影误差是怎么算的？

对每个检测到的特征点，用标定得到的内参、畸变和这张图的位姿，把它的三维坐标投影回图像，与检测位置相减，得到残差向量 (du, dv)。RMS 重投影误差是所有点残差长度的均方根：

RMS = sqrt( Σ(du² + dv²) / N )，N 为点数。

OpenCV 的 calibrateCamera 返回的就是这个值。有些软件按坐标分量统计，分母是 2N，数值会小 √2 倍。比较不同软件的结果之前，先确认定义是否一致。

RMS 由两部分组成：一是特征检测的随机误差，与图像噪声、模糊、对比度和特征大小有关；二是模型无法解释的系统误差，例如模型不够用、标定板不平或尺寸不准。

为什么 RMS 低不代表标定好？

RMS 本质上是“训练误差”。以下情况都会让 RMS 很低，结果却不可靠：

• 覆盖不足：特征点集中在画面中央，边缘的畸变全靠外推，边角误差可达数个像素；
• 姿态单一：标定板几乎都正对相机，焦距与距离相互抵消，焦距可能偏差很大；
• 图像或点太少：约束不够，模型“刚好”能拟合这些点；
• 参数过多：高阶模型把噪声也拟合了进去，也就是过拟合；
• 过度删图：为了压低 RMS 删掉误差大的图像，删掉的往往正是边角和大倾角的图；
• 共性的系统误差：方格尺寸填错时 RMS 完全不受影响；标定板平滑的翘曲也会被畸变参数部分吸收。

反过来，RMS 稍高也不一定是坏事。如果图像噪声较大，但点数多、覆盖好，参数仍然可以被很好地确定。

参数标准差：哪些参数被“钉住”了？

优化收敛后，可以由雅可比矩阵和残差估计参数的协方差矩阵 C，对角线元素开方就是各参数的标准差（1σ）。OpenCV 的 calibrateCameraExtended 会返回内参的标准差，BDB 相机标定工作台也会给出每个参数的标准差。

标准差的绝对数字不直观，建议换算成像素影响：

• 焦距：fx 有偏差 Δfx 时，距主点 (u − cx) 处的投影变化约为 Δfx × (u − cx) / fx。例如 fx = 2000 px、σ(fx) = 1 px，在距主点 1000 px 的位置约为 0.5 px。
• 径向畸变：k1 有偏差 Δk1 时，投影变化约为 Δk1 × r² × (u − cx)，r 为归一化半径。在画面角落，若 r² ≈ 0.64、u − cx = 1000 px，Δk1 = 0.001 就对应约 0.64 px。

需要注意，这里的标准差是在“模型正确、误差随机且相互独立”的假设下得到的，只反映随机误差，真实误差通常不会比它小。可以把它看作误差的下限。

用真值已知的合成图像可以直观地体会这一点。在用 OpenCV 做相机标定一文的示例中，20 张合成图像标定得到的焦距和主点标准差约为 0.5 px，它们的估计值与真值之差约在 0.1–0.5 px 之间，与标准差处于同一量级。实拍时还会叠加标定板制造误差、模型误差等系统因素，实际偏差往往更大。

多相机标定时，外参同样有不确定度。BDB 相机标定工作台会给出各相机相对参考相机的旋转（以度计）和平移的标准差；双目测距应用尤其要关注基线方向平移的标准差，它会按比例传递到测距结果中。

参数相关性：哪些参数在互相抵消？

把协方差矩阵归一化，得到相关系数 ρ_ij = C_ij / sqrt(C_ii × C_jj)。|ρ| 接近 1，说明两个参数可以互相补偿：一个变大、另一个跟着变，投影结果几乎不变。常见的强相关组合有：

• k1、k2、k3 等各阶径向畸变系数之间；
• fx 与 fy；
• 主点与切向畸变（cx 与 p2、cy 与 p1）；
• 焦距与标定板的距离，缺少倾斜姿态时尤其明显；
• 大视场模型中的部分参数，例如双球模型的 fx 与 ξ。

强相关本身不一定意味着投影不准，但说明单个参数的数值不可信：两次标定得到的 k3 可能差别很大，整体投影却几乎一样。改善办法是增加姿态和覆盖的多样性，固定数据约束不住的参数（如 k3 或切向畸变），或者换用更简单的模型。

投影不确定度图

参数的不确定度最终体现在“某个方向的光线会投影到哪个像素”上。把参数协方差传播到图像上的每一个位置，就得到投影不确定度图：

Σ_uv = J × C × Jᵀ

其中 J 是投影坐标对内参的偏导数。把各位置的不确定度画成热力图，典型情况是：数据覆盖充分的中央区域很小，向数据稀疏的边角迅速增大。它直接告诉你哪里需要补拍，比逐个查看参数标准差更直观。严格计算时还要考虑内参与各图位姿之间的耦合，粗略评估时可以只看内参部分。

覆盖率

把所有图像中检测到的特征点叠加到一张与图像同尺寸的画布上，就能看出数据覆盖了哪些区域。也可以把图像划分成网格（例如 10×10），统计含有特征点的格子所占比例，并特别关注四角和边缘的格子。

理想情况是：特征点一直铺到图像边缘附近，而且边角区域由多张倾斜方向不同的图像共同覆盖。

逐图误差与离群点

逐图 RMS 用来发现有问题的图像。某张图的误差明显高于其他图（例如超过中位数的 2–3 倍，经验值）时，先查明原因：

• 运动模糊、离焦、过曝或反光；
• 特征点误检，或 ChArUco 标记识别错误导致角点编号错位；
• 卷帘快门相机拍摄了运动中的标定板；
• 拍摄时标定板被弯曲或局部遮挡。

查明原因后再决定是否剔除。BDB 相机标定工作台在优化中使用 Huber 鲁棒核并自动剔除离群点，但这不能替代人工检查。

把残差向量画出来也很有用：

• 随机、无规律：正常；
• 在图像坐标中呈径向或旋涡状规律：相机模型不够，考虑增加畸变参数或换模型；
• 在标定板坐标中，各图出现相同的规律：标定板本身不平，或者图案位置有误差。

拿到一份标定结果，按什么顺序看？

1. 检测情况：每张图检测到多少个点，哪些图检测失败，失败原因是什么。
2. 覆盖图：四角和边缘是否有足够的特征点。覆盖不足时，后面的指标再好看也要补拍。
3. 总 RMS 与逐图 RMS：总体量级是否合理，有没有明显偏高的图像。
4. 残差分布：有没有径向、旋涡状或在标定板坐标中重复出现的规律。
5. 参数是否合理：fx 应接近“镜头焦距 / 像元尺寸”的估算值；fx 与 fy 之比应接近 1；主点一般在图像中心附近；畸变的方向应与镜头一致，例如广角镜头常见的桶形畸变对应 k1 为负。明显不合常理的数值，往往说明参数填错或数据退化。
6. 标准差与相关性：关键参数的标准差换算成像素影响后是否足够小，有没有接近 ±1 的相关系数。
7. 投影不确定度：画面边角是否仍在可接受范围内。
8. 独立验证：用未参与标定的数据检验，见下文。

前几步发现问题时，应先回头改进采集，而不是在后面的指标上反复调参。

“好结果”大致是什么样？

下面的数字只是常见量级（经验值），用于发现明显异常，不是验收标准。实际值受像元尺寸、噪声、模糊、标定板质量、特征类型和模型选择的影响很大：

合成图像的 RMS 会远低于实拍，不能拿来作为实拍的参照。

怎样用独立数据验证？

• 留出验证：保留几张不参与标定的图像，固定内参只求位姿，计算它们的重投影误差；
• 已知尺寸：测量一个经过计量的长度，如标准尺或另一块已检定的标定板，放在画面不同位置检验；
• 直线检验：去畸变后，物理上的直线在图像中应保持笔直；
• 双目检验：极线校正后，同名点的纵坐标之差应接近 0。

验证通过后，把标定结果、验证方法和数据一起归档，方便日后对比复检。