在嵌入式视觉系统开发中，STM32凭借其高性能与低功耗特性，成为工业检测、机器人导航等领域的热门选择。然而，受限于摄像头硬件的非理想性，图像畸变问题普遍存在，直接影响测量精度与识别效果。本文将深入探讨STM32平台下相机标定与畸变矫正算法的移植实现，助力开发者构建高精度视觉系统。

一、相机标定：视觉系统的“体检”与“校准”

相机标定是视觉开发的第一步，其核心是通过数学模型量化摄像头内参（焦距、主点坐标、畸变系数）与外参（旋转、平移矩阵）。以STM32MP157开发板搭配OV5640摄像头为例，标定过程需完成以下关键步骤：

1. 设备树配置
   在STM32的Linux内核设备树中，需添加DCMI接口与OV5640节点，定义GPIO引脚复用功能及电源管理参数。例如，通过pinctrl-names与pinctrl-0属性配置DCMI接口的引脚映射，确保摄像头数据能正确传输至STM32。

2. 标定板采集
   使用棋盘格标定板（建议内部角点数7×9至11×8），从不同角度、距离拍摄15-20张图像。拍摄时需保证标定板占据图像1/3至1/2面积，避免过度曝光或欠曝。例如，在OpenCV中可通过findChessboardCorners函数检测角点，结合cornerSubPix实现亚像素级精度优化。

3. 参数计算
   调用OpenCV的calibrateCamera函数，输入标定板世界坐标与图像坐标对应关系，计算内参矩阵mtx与畸变系数dist。实测中，重投影误差需控制在0.1像素以内，例如某项目通过优化标定板角度与光照条件，将误差从0.3像素降至0.08像素。

二、畸变矫正：从“扭曲”到“真实”的图像还原

图像畸变主要分为径向畸变（桶形/枕形）与切向畸变（透镜安装偏差），矫正需结合内参与畸变系数进行非线性变换。STM32平台下推荐以下两种实现方式：

1. OpenCV undistort函数
   适用于单帧图像快速矫正，直接调用cv2.undistort(img, mtx, dist)即可完成。但实时视频流处理时，该方法效率较低，例如在STM32H7上处理720P图像时帧率仅15FPS。

2. initUndistortRectifyMap+remap组合
   通过预计算映射表提升效率，步骤如下：

• 调用initUndistortRectifyMap生成映射表mapx与mapy；

• 对每帧图像调用remap应用映射表，实现实时矫正。
  实测在STM32H7上帧率提升至30FPS，满足工业检测需求。

代码示例（基于OpenCV）：

cpp// 计算映射表cv::Mat mapx, mapy;cv::initUndistortRectifyMap(mtx, dist, cv::Mat(), mtx, img_size, CV_32FC1, mapx, mapy);// 实时矫正cv::Mat dst;cv::remap(src_img, dst, mapx, mapy, cv::INTER_LINEAR);

三、STM32平台移植关键点

1. 内存优化
   STM32多数型号无FPU，需将浮点运算转为定点化。例如，将增益系数放大100倍存储为整数，运算时通过temp /= 100还原，实测在STM32F407上处理2048点数据耗时仅1.2ms。

2. Flash存储
   标定参数（内参、畸变系数）需存入内部Flash，但需注意写入寿命（约10万次）。建议采用专用页管理，例如将参数存入Flash末尾扇区，避免影响程序运行。

3. 实时性保障
   对于高速扫描场景，需结合ADC+DMA+定时器触发机制实现数据采集与矫正并行。例如，配置TIM2产生PWM波触发ADC启动转换，通过DMA循环模式持续传输数据，确保帧率稳定。

四、应用场景与效果验证

1. 工业检测
   某电子厂采用STM32H7+OV5640方案检测PCB板元件位置，通过标定与矫正将测量误差从0.5mm降至0.1mm，良品率提升12%。

2. 机器人导航
   在AGV小车项目中，矫正后的图像使SLAM算法建图精度提升30%，路径规划成功率从85%增至98%。