1. 坐标系基础:从物理世界到数字图像的转换链条
第一次接触Halcon的视觉项目时,我被各种坐标系搞得晕头转向。直到在产线上调试一个零件尺寸检测系统时,因为坐标系理解错误导致测量偏差2毫米,差点造成批量报废事故,才真正明白坐标系转换的重要性。让我们从最基础的世界坐标系开始,逐步拆解这个三维到二维的映射过程。
世界坐标系就像我们生活中的GPS定位系统。在Halcon中,我们通常使用标定板来建立这个世界坐标系 - 标定板上的圆点阵列就是我们的"地图标记"。实际操作中,我会用find_calib_object算子自动识别标定板,这时Halcon会自动以标定板中心为原点建立坐标系。关键是要注意那个小小的三角标记,它决定了X轴的正方向,Y轴则垂直于X轴向右,Z轴通过右手定则确定(拇指X,食指Y,中指Z)。
相机坐标系则是以镜头光心为原点的私人坐标系。这里有个容易混淆的点:相机坐标系与世界坐标系的转换需要外参矩阵[R|t],其中R是3x3旋转矩阵,t是3x1平移向量。我常用calibrate_cameras算子来获取这些参数。记得有次项目,因为把旋转矩阵的顺序搞错,导致坐标系完全错乱,调试了整整两天才发现问题。
图像物理坐标系可能最抽象,它存在于相机的成像平面上。假设有个虚拟的二维网格贴在传感器前面,这个网格的中心就是原点。焦距f在这里起关键作用 - 它决定了三维点投影到二维平面的缩放比例。这个转换过程可以用小孔成像模型来理解:就像用针孔相机拍照,三维世界的点通过针孔(光心)投影到后面的成像面上。
像素坐标系是我们最熟悉的,在Halcon中用鼠标就能查看坐标值。但要注意三个易错点:
- 原点在图像左上角(不是中心)
- Y轴向下为正方向(与数学坐标系相反)
- 可能存在非正方形像素(工业相机常见1:1.2的像素比)
python复制# 典型的内参矩阵示例
CameraMatrix = [f/dx, 0, u0,
0, f/dy, v0,
0, 0, 1]
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 位姿的本质:两个坐标系之间的对话
位姿(Pose)这个概念曾让我栽过不少跟头。最惨痛的一次是在汽车零部件检测项目中,因为没注意位姿的单位问题,导致机器人抓取位置偏移了
