自標定法無需已知結構的靶標，僅通過圖像序列中的幾何約束求解參數(shù)，靈活性強，適用于無法放置靶標的場景（如無人機高空拍攝、文物數(shù)字化）。其核心是利用多視圖幾何中的絕對二次曲線（AC）約束，通過基礎矩陣或本質矩陣的分解獲取內參，典型方法包括 Kruppa 方程法與分層自標定法。Kruppa 方程利用基礎矩陣的代數(shù)特性，建立內參之間的非線性方程，通過多組圖像求解；分層自標定法則先假設相機內參不變，求解外參，再逐步優(yōu)化內參，避免方程病態(tài)。但自標定法受圖像噪聲與運動退化影響較大，當相機運動為純平移或純旋轉時，可能無法唯一確定參數(shù)，重投影誤差通常在 1-3 像素，適用于精度要求不高的場景。

相機標定的技術性能主要通過 “重投影誤差” 與 “參數(shù)穩(wěn)定性” 衡量，前者反映單次標定的精度，后者體現(xiàn)不同條件下的一致性。重投影誤差的大小與靶標質量、拍攝姿態(tài)、算法優(yōu)化密切相關，使用高精度棋盤格（角點精度 0.01mm）且拍攝姿態(tài)覆蓋 ±30° 旋轉時，張氏標定法的重投影誤差可穩(wěn)定在 0.3 像素；而使用打印精度不足的靶標或拍攝角度單一，誤差可能增至 2 像素以上。參數(shù)穩(wěn)定性則關注溫度、振動等環(huán)境因素的影響，相機工作溫度從 20℃升至 60℃時，焦距可能產(chǎn)生 0.1% 的變化，導致外參計算誤差增大，因此工業(yè)相機需在恒溫環(huán)境下使用，或通過在線標定補償漂移。此外，標定結果的魯棒性還體現(xiàn)在對異常值的處理能力，圖像中的運動模糊、遮擋可能導致角點檢測錯誤，需通過 RANSAC 算法剔除誤匹配，否則會使畸變系數(shù)估計偏差超過 50%。

相機標定在視覺系統(tǒng)的各類應用中均扮演著 “基準奠定者” 的角色，其精度直接決定了后續(xù)任務的性能上限。在工業(yè)檢測領域，PCB 板缺陷檢測系統(tǒng)通過高精度標定將像素尺寸轉換為實際毫米尺寸，使焊點直徑測量誤差控制在 5μm 以內，這要求相機內參的標定精度達到 0.1%；基于視覺的機器人分揀系統(tǒng)則需精確標定相機與機械臂的坐標關系（手眼標定），確保抓取位置誤差 < 1mm，常用的 Tsai-Lenz 算法通過求解 AX=XB 方程實現(xiàn)外參校準，配合張氏標定法可滿足大部分工業(yè)需求。自動駕駛領域，相機標定是環(huán)境感知的基礎，特斯拉 FSD 系統(tǒng)通過標定將圖像中的車道線像素坐標轉換為世界坐標，計算車道寬度與曲率，內參誤差每增加 0.5%，可能導致車道偏離預警延遲 0.5 秒；環(huán)視相機的標定還需確保多相機視場拼接處的一致性，通過全局優(yōu)化使相鄰相機的外參誤差 < 0.1°，避免拼接縫處的目標斷裂。