机器视觉的基本任务之一是从摄像机获取图像信息并计算三维空间中物体的几何信息，以此重建和识别物体。而空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系是由摄像机成像的几何模型决定的，这些几何模型参数就是摄像机参数。在大多数条件下，这些参数必须通过实验与计算才能得到，这个过程被称为摄像机标定。该方法在场景未知和摄像机任意运动的一般情况下，其标定很难实现。

       20世纪90年代初，Faugeras，Luong，Maybank等人初次提出了摄像机自标定方法。这种自标定法利用摄像机本身参数之间的约束关系来标定，而与场景和摄像机的运动无关，不依赖于标定参照物，jin利用相机在运动过程中周围环境图像与图像之间的对应关系来对相机进行标定。目前已有的自标定技术大致可以分为基于主动视觉的摄像机自标定技术、直接求解Kruppa方程的摄像机自标定方法、分层逐步标定法、基于二次曲面的自标定方法等几种。

       工业相机的标定可以分为传统标定方法和自标定方法两大类。传统工业相机标定的基本方法是在一定的相机模型下，通过对特定标定参照物进行图像处理，并利用一系列数学变换公式计算及优化，来求取相机模型内部参数和外部参数。 传统的工业标定方法按照标定参照物与算法思路可以分成若干类，如基于3D立体靶标的相机标定、基于2D平面靶标的相机标定、以及基于径向约束的相机标定等。

相机标定主要实现以下几个功能:1.畸变校正，2.真实值与像素值的转换，3.如果有机械手或机器人实现坐标系统一。

       手眼标定（Hand-eye calibration problem），可以分为两种情况：局部手眼，全局手眼。  局部手眼（Eye-in-Hand），我这边通俗的讲就是随动手眼（将相机固定到机器人末端），相机是随着机器人末端进行移动的， 因此也叫 Moving Camera。  全局手眼（ Eye-to-Hand），我这边通俗的讲就是固定手眼（将相机固定到机器人范围之外），相机是不动的，观察机器人运动，因此也叫 Stationary Camera。