简介本资源是面向计算机视觉初学者与工程实践者的张正友摄像机标定法完整学习包聚焦三维重建、图像校正与机器人视觉等场景中的核心标定问题。压缩包共27个文件85KB含10个MATLAB源码.m/.asv涵盖角点检测normalise2dpts.m、单应性矩阵求解homography2d1.m、坐标归一化、旋转仿真testrotate.m、线性方程组求解axb.m等关键模块9个文本说明.txt包括数据集data1.txt–data5.txt、使用指引与结果记录7个CAJ/ASV历史版本及原始论文线索zhang_origin、基于单平面模板的摄像机定标研究.CAJ另有www.pudn.com.txt提供外部参考链接。目前已有505人学习下载内容结构清晰、脚本可直接运行、理论与代码强对应特别适合结合MATLAB工具箱动手复现标定全流程、理解内参/外参/畸变系数的物理意义与求解逻辑。1. 张正友标定法为什么一张打印的棋盘格纸就能让相机“睁开眼睛”看清世界你手边可能就有一张A4纸打印的黑白棋盘格——它既没嵌入芯片也不带传感器却能让一台普通USB摄像头在几秒内完成内参、外参、畸变系数的完整标定。这不是玄学而是张正友标定法Zhang’s Method在现实中最朴素也最震撼的落地仅需若干张不同姿态的平面标定板图像就能以亚像素精度解出相机全部几何模型参数且无需精密机械导轨、不依赖高成本三维靶标、甚至不要求标定板尺寸已知。这彻底颠覆了传统摄影测量中“必须用已知三维坐标的精密靶标多角度精密位姿控制”的范式。它之所以能work并非靠数学技巧的堆砌而源于对相机成像本质的一次精准“降维打击”把原本耦合在6自由度外参与复杂非线性畸变中的几何约束巧妙地压缩进一个可线性求解的单应性矩阵Homography再通过约束矩阵B的正交性将内参从外参中“剥离”出来。今天OpenCV的calibrateCamera()底层仍在用它自动驾驶感知模块的在线标定流水线里它仍是启动校准的第一步连手机AR应用里检测桌面平面时背后那个默默计算单应性的模块大概率就是它的轻量变体。搞懂它不是为了复现一篇论文而是真正理解——我们每天调用的cv2.findChessboardCorners()到底在替你做了什么不可替代的“几何翻译”。2. 核心机制从针孔模型到单应性压缩为何平面标定板是“降维密钥”张正友标定法的革命性始于对一个被长期忽视的事实的重新审视当标定板是平面时其上所有点的Z坐标恒为0。这个看似平凡的约束在齐次坐标系下会引发一连串连锁反应最终让原本病态的非线性优化问题坍缩为可解析求解的线性系统。2.1 针孔模型的显式展开从3D世界到2D图像的完整映射链我们先写出标准针孔相机模型的完整投影方程忽略畸变$$ \lambda \begin{bmatrix} u \ v \ 1 \end{bmatrix} \mathbf{K} \left[ \mathbf{R} \mid \mathbf{t} \right] \begin{bmatrix} X \ Y \ Z \ 1 \end{bmatrix} $$其中$\mathbf{K} \begin{bmatrix} f_x 0 c_x \ 0 f_y c_y \ 0 0 1 \end{bmatrix}$ 是内参矩阵含焦距 $f_x,f_y$ 和主点 $(c_x,c_y)$$[\mathbf{R}|\mathbf{t}]$ 是外参$\mathbf{R}\in SO(3)$ 为旋转$\mathbf{t}\in\mathbb{R}^3$ 为平移$(u,v)$ 是图像像素坐标$(X,Y,Z)$ 是世界坐标系下的三维点。关键来了当标定板严格位于 $Z0$ 平面时世界坐标可写为 $(X,Y,0,1)^\top$。代入上式右侧变为$$ \mathbf{K} \left[ \mathbf{r}_1 \ \mathbf{r}_2 \ \mathbf{r}_3 \ \mathbf{t} \right] \begin{bmatrix} X \ Y \ 0 \ 1 \end{bmatrix} \mathbf{K} \left( X \mathbf{r}_1 Y \mathbf{r}_2 \mathbf{t} \right) $$注意到 $\mathbf{r}_3$旋转矩阵第三列被乘以0而消失。这意味着对于同一张平面标定图所有角点的投影只依赖于旋转矩阵的前两列 $\mathbf{r}_1,\mathbf{r}_2$ 和平移向量 $\mathbf{t}$与 $\mathbf{r}_3$ 完全无关。而 $\mathbf{r}_1,\mathbf{r}_2$ 又必须满足单位正交约束$\mathbf{r}_1^\top \mathbf{r}_2 0$, $|\mathbf{r}_1| |\mathbf{r}_2| 1$。这个约束将成为后续解耦内参的核心支点。2.2 单应性矩阵平面到图像的“二维压缩”桥梁定义单应性矩阵 $\mathbf{H} \in \mathbb{R}^{3\times3}$它直接建立平面标定板坐标 $(X,Y)$ 到图像像素 $(u,v)$ 的映射$$ \lambda \begin{bmatrix} u \ v \ 1 \end{bmatrix} \mathbf{H} \begin{bmatrix} X \ Y \ 1 \end{bmatrix}, \quad \text{其中 } \mathbf{H} \mathbf{K} [\mathbf{r}_1 \ \mathbf{r}_2 \ \mathbf{t}] $$注意$\mathbf{H}$ 是一个满秩的 $3\times3$ 矩阵但它不包含 $\mathbf{r}_3$因此自由度从外参的6个3旋转3平移降为8个$\mathbf{H}$ 有9元素但尺度等价故8自由度。更重要的是$\mathbf{H}$ 可以直接从图像角点和对应的世界平面坐标如棋盘格索引通过DLTDirect Linear Transform算法线性求解——这正是张正友法的第一步对每张标定图独立解出一个 $\mathbf{H}_i$。提示DLT的本质是将齐次方程 $\mathbf{h}^\top \mathbf{x} 0$ 转化为最小二乘问题 $\min | \mathbf{A} \mathbf{h} |^2$其中 $\mathbf{A}$ 由对应点构造$\mathbf{h}$ 是 $\mathbf{H}$ 的向量化。OpenCV中findHomography()就是此实现。2.3 内参矩阵B的构造从单应性中“榨取”正交约束现在我们有了多个 $\mathbf{H}i$每个都形如 $\mathbf{H}i \mathbf{K} [\mathbf{r}{i1} \ \mathbf{r}{i2} \ \mathbf{t}i]$。目标是反推 $\mathbf{K}$。张正友的关键洞察在于**利用 $\mathbf{r}{i1}, \mathbf{r}_{i2}$ 的正交性与单位长度约束构造一个关于 $\mathbf{K}$ 的线性方程组**。令 $\mathbf{B} \mathbf{K}^{-\top} \mathbf{K}^{-1}$这是一个对称正定矩阵记其元素为$$ \mathbf{B} \begin{bmatrix} B_{11} B_{12} B_{13} \ B_{12} B_{22} B_{23} \ B_{13} B_{23} B_{33} \end{bmatrix} $$由于 $\mathbf{r}{i1}^\top \mathbf{r}{i2} 0$ 且 $|\mathbf{r}{i1}| |\mathbf{r}{i2}| 1$可推导出$$ \mathbf{h}_i^\top \mathbf{B} \mathbf{h}_j 0 \quad (i \neq j), \qquad \mathbf{h}_i^\top \mathbf{B} \mathbf{h}_i \mathbf{h}_j^\top \mathbf{B} \mathbf{h}_j \quad (\text{for } i,j \text{ corresponding to } \mathbf{r}_1, \mathbf{r}_2) $$其中 $\mathbf{h}_i, \mathbf{h}_j$ 是 $\mathbf{H}_i$ 的第 $i,j$ 列向量。将上述约束展开可得到关于 $\mathbf{B}$ 六个未知元素因对称的线性方程。例如对单张图像的 $\mathbf{H} [\mathbf{h}_1 \ \mathbf{h}_2 \ \mathbf{h}_3]$有$$ \mathbf{h}_1^\top \mathbf{B} \mathbf{h}_2 0 \ \mathbf{h}_1^\top \mathbf{B} \mathbf{h}_1 - \mathbf{h}_2^\top \mathbf{B} \mathbf{h}_2 0 $$这两个方程各提供一个线性约束。若有 $n$ 张标定图则最多可得 $2n$ 个方程。当 $n \geq 3$ 时方程组超定可用SVD求最小二乘解出 $\mathbf{B}$。2.4 从B还原KCholesky分解与物理意义校验一旦解得 $\mathbf{B}$即可通过矩阵分解还原 $\mathbf{K}$。因为 $\mathbf{B} \mathbf{K}^{-\top} \mathbf{K}^{-1}$所以 $\mathbf{K}^\top \mathbf{B} \mathbf{K} \mathbf{I}$。一个稳定的做法是先对 $\mathbf{B}$ 做Cholesky分解$\mathbf{B} \mathbf{L} \mathbf{L}^\top$则 $\mathbf{K} \mathbf{L}^{-\top}$。但更常用的是直接利用 $\mathbf{B}$ 元素反推 $\mathbf{K}$ 的闭式解设 $\mathbf{K} \begin{bmatrix} \alpha \gamma u_0 \ 0 \beta v_0 \ 0 0 1 \end{bmatrix}$即假设像素纵横比不一定为1且存在倾斜项 $\gamma$则可推得$$ \begin{aligned} B_{11} \alpha^2 \gamma^2 u_0^2 B_{33} \ B_{12} \gamma \beta u_0 v_0 B_{33} \ B_{13} u_0 B_{33} \ B_{22} \beta^2 v_0^2 B_{33} \ B_{23} v_0 B_{33} \ B_{33} B_{33} \quad (\text{自由}) \end{aligned} $$从中可依次解出$B_{33} 1 / (\text{det}(\mathbf{B}))^{1/3}$归一化$u_0 B_{13} / B_{33}, \quad v_0 B_{23} / B_{33}$$\alpha \sqrt{B_{11} - u_0^2 B_{33}}$$\beta \sqrt{B_{22} - v_0^2 B_{33}}$$\gamma (B_{12} - u_0 v_0 B_{33}) / \beta$注意此闭式解要求 $B_{33} 0$因 $\mathbf{B}$ 正定且 $\alpha,\beta 0$。若解出负值说明数据噪声过大或角点检测严重偏差需检查输入。3. 源码级实现OpenCVcalibrateCamera中的张正友内核逻辑OpenCV 的calibrateCamera()函数是张正友标定法最权威、最广泛使用的工业级实现。它并非简单封装论文公式而是在此基础上加入了鲁棒性增强、畸变建模、非线性优化精调等工程实践。我们聚焦其核心流程看张正友的原始思想如何被编码为可执行逻辑。3.1 主流程骨架从角点检测到内参初值以下伪代码提炼自 OpenCV 源码modules/calib3d/src/calibration.cpp的主干逻辑// 输入vectorvectorPoint3f objectPoints; // 每张图的3D标定点Z0 // vectorvectorPoint2f imagePoints; // 每张图的2D检测点 // Size imageSize; // 图像尺寸 // Mat cameraMatrix, distCoeffs; // Step 1: 对每张图用DLT求单应性 H_i vectorMat Hs; for (int i 0; i nImages; i) { Mat H findHomography(objectPoints[i], imagePoints[i], RANSAC, 3.0); Hs.push_back(H); } // Step 2: 构造矩阵V求解B即论文中的b向量 Mat V Mat::zeros(2*nImages, 6, CV_64F); // 每张图贡献2行 for (int i 0; i nImages; i) { Mat h1 Hs[i](Rect(0,0,1,3)); // 第1列 Mat h2 Hs[i](Rect(1,0,1,3)); // 第2列 // 构造V的第2*i行h1 * B * h2 0 V.atdouble(2*i, 0) h1.atdouble(0)*h2.atdouble(0); V.atdouble(2*i, 1) h1.atdouble(0)*h2.atdouble(1) h1.atdouble(1)*h2.atdouble(0); V.atdouble(2*i, 2) h1.atdouble(1)*h2.atdouble(1); V.atdouble(2*i, 3) h1.atdouble(0)*h2.atdouble(2) h1.atdouble(2)*h2.atdouble(0); V.atdouble(2*i, 4) h1.atdouble(1)*h2.atdouble(2) h1.atdouble(2)*h2.atdouble(1); V.atdouble(2*i, 5) h1.atdouble(2)*h2.atdouble(2); // 构造V的第2*i1行h1 * B * h1 - h2 * B * h2 0 V.atdouble(2*i1, 0) h1.atdouble(0)*h1.atdouble(0) - h2.atdouble(0)*h2.atdouble(0); V.atdouble(2*i1, 1) 2*(h1.atdouble(0)*h1.atdouble(1) - h2.atdouble(0)*h2.atdouble(1)); V.atdouble(2*i1, 2) h1.atdouble(1)*h1.atdouble(1) - h2.atdouble(1)*h2.atdouble(1); V.atdouble(2*i1, 3) 2*(h1.atdouble(0)*h1.atdouble(2) - h2.atdouble(0)*h2.atdouble(2)); V.atdouble(2*i1, 4) 2*(h1.atdouble(1)*h1.atdouble(2) - h2.atdouble(1)*h2.atdouble(2)); V.atdouble(2*i1, 5) h1.atdouble(2)*h1.atdouble(2) - h2.atdouble(2)*h2.atdouble(2); } // Step 3: SVD求解 b [B11, B12, B22, B13, B23, B33]^T Mat w, u, vt; SVD::compute(V, w, u, vt, SVD::FULL_UV); Mat b vt.row(vt.rows-1).t(); // 最小奇异值对应的右奇异向量 // Step 4: 从b重构B矩阵 Mat B Mat::zeros(3, 3, CV_64F); B.atdouble(0,0) b.atdouble(0); B.atdouble(0,1) B.atdouble(1,0) b.atdouble(1); B.atdouble(1,1) b.atdouble(2); B.atdouble(0,2) B.atdouble(2,0) b.atdouble(3); B.atdouble(1,2) B.atdouble(2,1) b.atdouble(4); B.atdouble(2,2) b.atdouble(5); // Step 5: 从B解出K闭式解含归一化 double detB determinant(B); if (detB 0) CV_Error(Error::StsBadArg, B matrix is not positive definite); double scale pow(detB, -1.0/3.0); B B * scale; // 归一化B33 double B13 B.atdouble(0,2), B23 B.atdouble(1,2), B33 B.atdouble(2,2); double u0 B13 / B33, v0 B23 / B33; double B11 B.atdouble(0,0), B12 B.atdouble(0,1), B22 B.atdouble(1,1); double alpha sqrt(B11 - u0*u0*B33); double beta sqrt(B22 - v0*v0*B33); double gamma (B12 - u0*v0*B33) / beta; cameraMatrix (Mat_double(3,3) alpha, gamma, u0, 0, beta, v0, 0, 0, 1);这段代码清晰展示了张正友法的三步核心单应性求解 → 约束矩阵V构建 → SVD求B → 闭式解K。它没有使用任何迭代优化纯线性代数因此速度极快毫秒级且对初始值无依赖。3.2 畸变建模张正友框架的自然延伸张正友原文只处理了径向畸变k1,k2和切向畸变p1,p2其模型为$$ \begin{aligned} x_{\text{dist}} x (1 k_1 r^2 k_2 r^4) 2 p_1 x y p_2 (r^2 2 x^2) \ y_{\text{dist}} y (1 k_1 r^2 k_2 r^4) p_1 (r^2 2 y^2) 2 p_2 x y \end{aligned} $$其中 $r^2 x^2 y^2$$(x,y)$ 是归一化平面坐标即 $\mathbf{K}^{-1}[u,v,1]^\top$。OpenCV 在获得初始 $\mathbf{K}$ 后会将畸变参数与重投影误差联合优化$$ \min_{\mathbf{K}, \mathbf{D}, {\mathbf{R}i,\mathbf{t}i}} \sum{i,j} \left| \mathbf{m}{ij} - \pi(\mathbf{K}, \mathbf{D}, \mathbf{R}_i, \mathbf{t}i, \mathbf{M}{ij}) \right|^2 $$其中 $\pi(\cdot)$ 是含畸变的完整投影函数$\mathbf{D}[k_1,k_2,p_1,p_2,k_3]$。这一步采用 Levenberg-Marquardt 算法以张正友解出的 $\mathbf{K}$ 和每张图的 $\mathbf{H}_i$ 初始化外参大幅提高收敛鲁棒性。没有张正友的线性初值这个非线性优化极易陷入局部极小。3.3 外参求解从H到[R|t]的封闭解给定单应性 $\mathbf{H} [\mathbf{h}_1 \ \mathbf{h}_2 \ \mathbf{h}_3]$ 和已知 $\mathbf{K}$可直接解出该视角下的外参$$ \lambda 1 / |\mathbf{K}^{-1} \mathbf{h}_1| \ \mathbf{r}_1 \lambda \mathbf{K}^{-1} \mathbf{h}_1, \quad \mathbf{r}_2 \lambda \mathbf{K}^{-1} \mathbf{h}_2, \quad \mathbf{r}_3 \mathbf{r}_1 \times \mathbf{r}_2, \quad \mathbf{t} \lambda \mathbf{K}^{-1} \mathbf{h}_3 $$注意$\mathbf{r}_1,\mathbf{r}_2$ 可能因噪声而不完全正交故强制用叉积生成 $\mathbf{r}_3$再通过 Gram-Schmidt 正交化OpenCV中composeRT会做确保 $\mathbf{R}$ 是有效旋转矩阵。这是张正友法“一次性给出所有参数”的关键——外参不再是黑匣子而是可解析表达的确定函数。4. 避坑指南那些让标定结果“看起来很美实际全错”的血泪经验张正友标定法理论优美但落地时极易因数据质量或操作习惯翻车。以下是某开发者在调试车载环视系统标定时踩过的5个典型坑每条都附带现象、根因与可验证的解决路径4.1 现象标定后重投影误差reprojection error整体偏高0.5像素但单张图误差忽高忽低原因角点检测未达亚像素精度或棋盘格印刷存在轻微变形如A4纸受潮卷曲、激光打印墨粉堆积导致边缘模糊。DLT对角点坐标的微小偏差极其敏感尤其在图像边缘区域。解决必须启用cv2.cornerSubPix()进行亚像素 refinement且winSize不宜过小建议(11,11)zeroZone设为(-1,-1)打印标定板时选择“高质量”模式避免“省墨”模式使用哑光相纸而非普通复印纸检查每张图的角点检测置信度cv2.findChessboardCorners()返回的ret值为True仅表示找到整数像素位置不代表亚像素可靠。应额外计算角点邻域的Shi-Tomasi角点响应值剔除响应值低于阈值如0.01的点。4.2 现象标定得到的焦距 $f_x, f_y$ 数值异常如相差10倍以上或主点 $(c_x,c_y)$ 偏离图像中心超过100像素原因标定板在部分图像中严重倾斜pitch/yaw角过大导致单应性矩阵 $\mathbf{H}$ 的第三列 $\mathbf{h}_3$对应平移被噪声主导进而污染 $\mathbf{B}$ 的求解。张正友法假设 $\mathbf{r}_1,\mathbf{r}_2$ 近似正交大倾角下该假设失效。解决采集图像时确保标定板覆盖图像中心区域且至少3张图的倾角小于30度可通过cv2.Rodrigues()将初始外参转为欧拉角验证在调用calibrateCamera()前手动过滤掉 $|\mathbf{h}_3|$ 过小0.1或 $\mathbf{h}_1^\top \mathbf{h}_2$ 绝对值过大0.3的图像使用flagscv2.CALIB_FIX_PRINCIPAL_POINT强制主点为图像中心适用于大多数镜头可显著提升稳定性。4.3 现象标定后用cv2.undistort()矫正图像直线仍弯曲尤其在画面四角原因默认只启用4参数畸变模型k1,k2,p1,p2但广角镜头如鱼眼需要更高阶模型k3,k4,k5,k6或专用鱼眼模型。张正友原始框架未涵盖此情况。解决对于FOV 140° 的镜头改用cv2.fisheye::calibrate()其模型为 $$ \theta_d \theta(1 k_1 \theta^2 k_2 \theta^4 k_3 \theta^6 k_4 \theta^8) $$ 其中 $\theta$ 是入射角或在普通标定中启用5参数flagscv2.CALIB_RATIONAL_MODEL增加k3参数切忌在广角镜头上强行使用4参数模型并期望完美矫正——这是原理性局限非参数调优能解决。4.4 现象同一套标定板、同一台相机不同人采集的数据标定结果差异巨大fx浮动±15%原因标定板物理尺寸未统一。张正友法虽不要求尺寸已知但所有图像必须使用同一单位制。若A同学按“格子边长1”建模B同学按“格子边长25mm”建模则解出的 $\mathbf{K}$ 会差25倍而外参 $\mathbf{t}$ 的尺度也会同比例变化。解决在objectPoints构造时必须明确指定物理单位如毫米并在整个项目中保持一致更稳妥的做法将标定板尺寸作为变量参与优化OpenCV支持cv2.CALIB_USE_INTRINSIC_GUESS 自定义优化但需确保初始估计准确文档中强制记录“本标定使用棋盘格单格物理尺寸24.0 mm”。4.5 现象标定过程无报错但将标定结果用于立体匹配Stereo Rectification时极线严重不水平原因双目相机的两个镜头未共面或标定过程中未同步采集左右图导致外参对应关系错乱。张正友法对单相机有效但双目标定需保证左右图对严格配对且objectPoints完全相同。解决双目标定时必须使用cv2.stereoCalibrate()它内部会联合优化两个相机的内参及相对外参采集时用硬件同步信号触发双摄或软件上确保左右图时间戳差 10ms验证标定后调用cv2.stereoRectify()检查返回的R1,R2,P1,P2,Q并用cv2.initUndistortRectifyMap()生成映射表可视化极线——理想情况下校正后左图任一点在右图的匹配搜索线应为严格水平线。5. 设计取舍为什么张正友法放弃“绝对精度”换来了工业级鲁棒性张正友标定法问世近25年从未被更“先进”的深度学习方法取代其生命力恰恰源于一系列清醒的设计取舍。这些取舍不是技术妥协而是对真实工业场景的深刻洞察。5.1 放弃“全局最优”拥抱“分阶段求解”传统标定追求一步到位的非线性优化目标函数是所有重投影误差的总和。但该问题高度非凸初始值稍有偏差LM算法就会收敛到毫无物理意义的局部解。张正友法将其拆解为三个阶段单应性求解线性每张图独立抗单图噪声内参求解线性利用多图约束平均化噪声影响联合精调非线性以线性解为强先验极大缩小搜索空间。这种“分而治之”策略使算法对单张劣质图像如运动模糊、反光具有天然免疫力。某实验室曾做过测试在20张标定图中随机替换3张为严重模糊图传统端到端优化失败率超70%而张正友流程仍能以0.3像素误差完成标定。它用可解释的中间步骤换取了不可替代的故障隔离能力。5.2 放弃“物理完备”专注“几何可解”张正友模型未包含镜头的渐晕vignetting、色差chromatic aberration、温度漂移等效应。这不是疏漏而是刻意为之。因为渐晕可由图像增益补偿cv2.undistort()不处理但cv2.createCLAHE()可后处理色差在RGB三通道分别标定即可OpenCV支持cv2.CALIB_FIX_ASPECT_RATIO分通道温度漂移属系统级问题需硬件温控非单次标定能解决。它只抓住最核心的几何失真——径向与切向畸变。这种“最小完备集”设计让算法体积小OpenCV标定模块仅约200KB、速度快万级点云毫秒级响应、易移植可轻松裁剪至ARM Cortex-M4嵌入式平台。某车载ADAS供应商的实测显示其基于张正友的轻量标定库在STM32H7上仅需120ms完成单帧标定而同等精度的端到端神经网络推理需320ms且功耗高3倍。5.3 放弃“黑盒泛化”坚持“白盒可控”深度学习标定方法如CNN直接回归内参在特定数据集上能达到更高精度但其决策过程不可解释。当标定失败时工程师无法定位是数据问题、模型过拟合还是部署量化误差。而张正友法的每一步都可验证单应性矩阵 $\mathbf{H}$ 可视化为网格变形矩阵 $\mathbf{B}$ 的正定性可实时检查eigenvals(B) 0外参 $\mathbf{R}$ 的行列式是否为1可即时验证。这种白盒性在安全攸关领域如手术机器人导航是硬性要求。某医疗影像公司曾因监管审计需要提供完整的标定过程日志从原始角点坐标、每张图的 $\mathbf{H}$、$\mathbf{B}$ 的SVD分解谱、到最终 $\mathbf{K}$ 的闭式解推导——所有步骤均可人工复现。这正是张正友法在工业界扎根的底层逻辑它不承诺“最好”但保证“可知、可验、可溯”。从那以后我每次做新相机标定都强制走一遍“三步验证”先用cv2.findHomography()单独跑每张图画出 $\mathbf{H}$ 映射的网格确认无扭曲断裂再手动计算 $\mathbf{B}$ 的特征值确保全为正最后用解出的 $\mathbf{K}$ 去归一化角点看是否聚拢在原点附近。这套动作加起来不过2分钟却能避开80%的后期灾难。希望帮到你。本文还有配套的精品资源点击获取