有了标定的关键尝试，自动化标定就可以再进化，第一步，见图
第二步，见图，一毫米59个ccd像素
第三步，见图
第四步，见图
第五步，见图
第六步，见图
第七步，见图，他大爷的，径向参数在数量级上是对的，为什么是负值？应再查最小二乘法!
第八步，见图，他大爷的，程序中方正ok，截图下来就怂（变形）了！
所有步骤连起来，标定自动化就完成了。
在这个过程中，你是否发现不经意又收到了平坦区域合并的算法，他实质是穿越点的界定的变化，这样，在二维平面上，当行列被自动界定（分割），则另一个好处是，平面任意平坦区域（高斯区域，变化不大区域，模糊区域）尽在掌握，这便开启了模糊匹配的想法。
在这个过程中，你还收获了行列list（序列）是如何归一化的算法，因为你可能收不到harris角点，某行某列，以及多收和干扰。
当你通透了SIFT（scale-invariant feature transform，还未代码实现），你会发现，这个实质是利用了hariss角点的分布为特征在做文章（实现匹配），SIFT只不过是把二维的harris角点映射到了三维空间。learning opencv的光流跟踪算法也就不在话下了，他除了可以跟踪光流，还可以求harris角点，这种二维矩阵运算的推导，实质是最小二乘法变化（换了个面孔），我们也推导和证明了结果相同。补充一句，SIFT的三维矩阵运算推导实质是光流二维矩阵运算的推导的扩展（算法已经证明），而一维则是泰勒展开多项式逼近。（在此，你就会知道吴恩达在机器学习（斯坦福大学课程）中为什么会那么重视矩阵形式的运算推导了）
在你回顾了这些数学知识后，你忽然发现learning opencv的光流推导有一个符号错误，在一维时，偏导数（不存在这种叫法）与微分相同，二维时，即隐函数微分法求出的结果是微分而不是偏导数，而learning opencv却写成了偏导符号。
以上说明，你就可以看到标定求harris角点在人工智能（AI）天空所喷薄而出的光芒，而你不去发觉这机器视觉中已经慢慢隐藏于硬件的标定，你如何能激活人工智能（AI）时代的自己。
待续（慢慢来！...........）每天一点小改变☺
