摄像头外壳定位结构的精度、摄像头安装支架的精度以及汽车结构件本身的精度，都会影响摄像头的安装角度及位置，这些因素综合起来，产生2度的角度误差是很可能发生的。

这一因素虽然是摄像头外参，但要将摄像头的安装误差标定准确，首先也要求摄像头内参准确。

AI算法通过标定摄像头的内参与外参，可以大幅消除上述误差的影响。如果摄像头本身的内参和理论内参有误差，或者同一批次摄像头的内参数据的离散性较大，都会对AI算法的准确标定带来困难。

华阳数码特“煜眼”技术采用独特的中心点算法及其它参数优化算法，可在线稳定、准确的测出摄像头内参，并将内参写入摄像头中，从而可以满足在线操作的节拍速度，对每个摄像头进行在线标定。写入摄像头的内参可以直接被ADAS算法读取，通过算法进行有效补偿，来实现精准的物像测距和识别定位，提升AVP、APA、FCW、LDW、DMS、OMS等应用领域的算法精度，给车主提供更好的用户体验。

1.在 AVP、APA、AVM、VSLAM、FCW、BSD、PCW、AEB 等需要使用摄像头进行距离判断（有时是协助其它传感器进行距离判断）或图像拼接的应用中，对摄像头物像的位置对应关系有比较高的要求，对摄像头进行内参精准标定，修正摄像头之间的差异，可大幅提高算法的精度，从而改善用户体验。

不管是摄像头内部的几何误差（用像素表示），还是摄像头在车上安装误差（用角度表示）都可归结为角度误差。

假如摄像头的安装高度为1.3米，摄像头1度的误差，在地面上会产生的测距误差如下：

摄像头安装位置越低，地面目标越远，测距误差越大。

从上面计算可以看出，摄像头成像的几何精度，对地面物体的距离判断至关重要。“煜眼”技术可以将中心偏差及畸变一致性控制在全视野范围内2个像素之内。

2.在LDW、DMS、OMS、TSR等主要以目标识别为主的应用中，特别是使用了机器学习的算法时，使用“煜眼“技术标定的摄像头内参，能有效消除成像的畸变，明显提高算法的识别精度。这是因为进行机器学习的训练时，一般使用的是没有畸变或畸变较小的镜头采集的训练影像数据，实际使用时如果使用FOV大于100度的摄像头，影像畸变大，会降低识别率，从而影响AI视觉算法精度。

目前行业内通常是通过摄像头内的ISP（图像处理器）的能力，使用固定的几个参数进行畸变校正。但是ISP的畸变校正能力非常有限：径向畸变一般不能完全校正（比如校正后留有10%左右的畸变），一般也不做切向畸变校正，更无法校正畸变中心，此方法对于AI视觉算法要求的摄像头鱼眼畸变小于1%的指标，仍有重大差距。

以下为一款摄像头在使用“煜眼“技术标定内参并应用内参作畸变校正前后的图像对比：

（使用“煜眼”技术测定内参后，畸变率可控制在0.5%以下，从例图中可以看到校正后，地板的经纬线横平竖直）