我之前做过类似的工业视觉测量项目，遇到过平台倾斜导致标定误差暴增的问题，结合你的情况，给你整理一套可行的解决方案：

一、需要补充的校准条件 #

要解决倾斜平台的校准问题，除了你已有的相机内参矩阵和物距，还需要以下关键条件：

• 平台平面相对于相机的精确位姿（旋转矩阵R+平移向量t）：这是核心。你知道平台倾斜20°，但实际工业场景中倾斜可能是俯仰、偏航的组合角度，直接测角度误差大，更可靠的方式是用棋盘格标定板放在倾斜平台上，采集5-8张不同摆放姿态的标定板图像，通过OpenCV的cv2.calibrateCamera()或者cv2.findHomography()计算平台平面的外参（R和t）。
• 相机畸变参数：如果之前的相机校准只输出了内参矩阵，一定要把径向/切向畸变参数也用上——畸变会导致边缘区域的像素偏移，直接影响测量精度。
• 稳定的物距：虽然你已知物距，但要确保测量过程中相机和平台的相对距离没有变化，否则平移向量t会失效，最好用固定支架锁定相机位置。

二、校准原理与核心公式 #

倾斜平台的本质是透视投影下的平面测量，我们需要把图像像素反投影到倾斜的平台平面（世界坐标系），从而得到实际毫米坐标。核心公式基于相机的透视投影模型：

1. 相机透视投影公式 #

[u, v, 1]^T = K * [R | t] * [X, Y, Z, 1]^T

其中：

• K：你已有的3x3相机内参矩阵（包含焦距fx/fy，主点cx/cy）
• [R | t]：3x4的外参矩阵，R是3x3旋转矩阵，t是3x1平移向量（描述平台平面相对于相机的位姿）
• (X,Y,Z)：工件点的世界坐标（我们把平台平面设为Z=0的世界坐标系，所以所有工件点Z=0）
• (u,v)：图像像素坐标

2. 像素到世界坐标的反投影步骤 #

1. 校正畸变：把像素点(u,v)转换为无畸变的归一化相机坐标(x_c, y_c)：

   [x_c, y_c, 1]^T = K^{-1} * undistort([u, v, 1]^T)
   

   （undistort是畸变校正操作，用相机畸变参数完成）

2. 计算平台平面方程：在相机坐标系下，平台平面的方程为n^T * P_c = d，其中：

   • n = R * [0,0,1]^T：世界坐标系Z=0平面的法向量，经过旋转R转换到相机坐标系
   • d = -n^T * t：平面到相机原点的垂直距离

3. 求射线与平面的交点：相机坐标系下，像素点对应的射线参数方程为P_c = s * [x_c, y_c, 1]^T，代入平面方程求解参数s：

   s = d / (n^T * [x_c, y_c, 1]^T)
   

4. 转换到世界坐标系：得到相机坐标系下的点P_c后，转换为世界坐标：

   P_w = R^T * (P_c - t)
   

   此时P_w的(X,Y)就是工件在平台上的实际毫米坐标，两点距离即为实际长度。

三、代码实现（Python + OpenCV） #

下面是可直接复用的核心代码，假设你已经通过标定得到了K、dist（畸变参数）、R、t：

1. 畸变校正函数 #

import numpy as np
import cv2

def undistort_pixel(u, v, K, dist):
    """把像素坐标转换为无畸变的归一化相机坐标"""
    src_point = np.array([[[u, v]]], dtype=np.float32)
    # undistortPoints会输出归一化坐标，这里直接提取结果
    undistorted = cv2.undistortPoints(src_point, K, dist)
    x_c, y_c = undistorted[0][0]
    return x_c, y_c

2. 像素转世界坐标函数 #

def pixel_to_world(u, v, K, dist, R, t):
    """将图像像素坐标转换为平台平面的世界坐标（X,Y，单位mm）"""
    x_c, y_c = undistort_pixel(u, v, K, dist)
    ray_dir = np.array([x_c, y_c, 1.0]).reshape(3, 1)
    
    # 计算平台平面的法向量和距离
    n = R @ np.array([0, 0, 1.0]).reshape(3, 1)
    d = -n.T @ t
    
    # 计算射线与平面的交点参数s
    denominator = n.T @ ray_dir
    if abs(denominator) < 1e-6:
        raise ValueError("射线与平台平面平行，无法计算交点")
    s = d / denominator
    
    # 转换到世界坐标系
    P_c = s * ray_dir
    P_w = R.T @ (P_c - t)
    
    # 返回X,Y坐标（Z应该接近0，可忽略）
    return P_w[0][0], P_w[1][0]

3. 测量长度示例 #

# 示例参数（替换为你的实际标定结果）
K = np.array([[1200, 0, 640], [0, 1200, 360], [0, 0, 1]])  # 内参矩阵
dist = np.array([0.1, -0.05, 0, 0, 0])  # 畸变参数
# 模拟平台绕X轴倾斜20°的旋转矩阵
R = np.array([[np.cos(np.radians(20)), 0, np.sin(np.radians(20))],
              [0, 1, 0],
              [-np.sin(np.radians(20)), 0, np.cos(np.radians(20))]])
t = np.array([[0], [0], [500]])  # 物距500mm的平移向量

# 图像中钻头两端的像素坐标（假设已通过边缘检测得到）
u1, v1 = 150, 300
u2, v2 = 850, 300

# 转换为世界坐标并计算长度
x1, y1 = pixel_to_world(u1, v1, K, dist, R, t)
x2, y2 = pixel_to_world(u2, v2, K, dist, R, t)
actual_length = np.sqrt((x2 - x1)**2 + (y2 - y1)**2)

print(f"钻头实际测量长度：{actual_length:.3f} mm")

四、精度优化到±0.1mm的关键措施 #

要从当前的1-1.5mm误差降到±0.1mm，除了上面的校准方法，还要注意这些细节：

• 亚像素级边缘检测：不要用整数像素坐标，对钻头边缘用cv2.Canny()检测后，再用cv2.cornerSubPix()或者直线拟合（cv2.fitLine()）得到亚像素级的点坐标，能把像素误差控制在0.1像素以内。
• 高精度标定：用更高精度的棋盘格（比如1mm格距的标定板），采集更多图像（10张以上），标定板尽量覆盖相机视野的边缘和中心，确保外参R、t的精度。
• 环境控制：避免光照变化，用均匀的背光照明减少钻头表面反光；固定相机和平台的位置，避免振动导致的位姿变化。
• 多次测量取平均：对同一钻头测量5-10次，取平均值可以抵消随机误差。

内容的提问来源于stack exchange，提问作者hawxeye