简介本资源是一套面向计算机视觉初学者与工程实践者的张正友相机标定实战项目聚焦解决三维重建、视觉测量等应用中相机内参焦距、主点、畸变系数与外参位姿精准估计的核心问题。压缩包共15个文件含12张棋盘格标定图像JPG、核心标定脚本calibration.py、标定结果存储文件camera_params.xml及项目说明文档README.md整体仅2.43MB轻量易部署图像与代码分工明确便于分步调试与参数验证。已有301人学习下载反映出其在入门教学与快速复现中的实用价值。用户可直接运行Python脚本完成角点检测、参数求解、重投影误差评估与标定结果保存全流程并通过XML文件读取参数用于后续矫正或三维应用配套文档清晰阐释各步骤原理与OpenCV函数调用逻辑是贯通理论推导与OpenCV工程实现的优质学习载体。 做视觉测距项目那阵子我对着屏幕上稳定的检测框和数据值看了半天发现相机离目标明明没动测出来的距离却在 3% 上下飘。当时第一反应是算法精度不够后来排查到根子上才意识到相机压根没标定内参用的是厂商默认值畸变一点没校正。三个小时的排查换来一句话——在做任何需要像素坐标反推真实世界坐标的任务之前相机标定是绕不开的第一步。这篇实战文章就基于 OpenCV-Python 实现张正友相机标定法从原理推导到工程落地一次讲清楚附上可直接复制的项目源码适合入门三维视觉的学生、正在做测距/定位/位姿估计项目的开发者以及想把标定流程固化下来的工程人。OpenCV 的calibrateCamera接口封装得已经很傻瓜了但正因为封装得太好很多人容易把标定当成拍几张棋盘格照片调一个函数得到内参矩阵就完事。真正决定标定质量的反而不是那行调用代码而是你对成像模型有没有直觉、数据采集中有没有踩中那些隐形雷区。1. 相机标定到底在标什么从针孔模型到畸变来源1.1 相机成像的降维打击三维世界如何变成二维像素相机拍照的本质是一个把三维世界坐标映射到二维像素坐标的过程。这个过程可以用一个简化后的针孔模型描述假设光线从场景中的某个三维点出发经过相机光心相当于针孔投影到后方的成像平面上。理想情况下三维点 (P) 与像素点 (p) 之间存在一个射影映射关系。用齐次坐标写成矩阵形式[ s \begin{bmatrix} u \ v \ 1 \end{bmatrix} \begin{bmatrix} f_x 0 c_x \ 0 f_y c_y \ 0 0 1 \end{bmatrix} \begin{bmatrix} r_{11} r_{12} r_{13} t_1 \ r_{21} r_{22} r_{23} t_2 \ r_{31} r_{32} r_{33} t_3 \end{bmatrix} \begin{bmatrix} X \ Y \ Z \ 1 \end{bmatrix} ]左边是像素坐标 ((u, v))右边矩阵中第一块 (K\begin{bmatrix} f_x 0 c_x \ 0 f_y c_y \ 0 0 1 \end{bmatrix}) 是内参矩阵包含焦距 (f_x, f_y) 和主点坐标 ((c_x, c_y))第二块 ([R|t]) 是外参矩阵描述相机在世界坐标系下的旋转和平移(s) 是一个尺度因子。内参相机自身的固有属性正常情况下一次标定后就不需要再动除非镜头被拆装或温度漂移严重。外参每拍一张照片相机相对棋盘格的位置姿态都在变化所以外参是随图像变化的。1.2 畸变到底是怎么来的镜头不是完美透镜针孔模型是理想模型真实镜头存在制造误差和光学特性限制导致像素坐标偏离理想位置。畸变主要分两类径向畸变光线经过透镜边缘时弯曲程度比中心大导致画面边缘的直线变弯。表现为桶形畸变或枕形畸变。径向畸变的数学模型通常用泰勒级数展开OpenCV 中取前两项或前三项 [ x_{distorted} x(1 k_1 r^2 k_2 r^4 k_3 r^6) ] [ y_{distorted} y(1 k_1 r^2 k_2 r^4 k_3 r^6) ] 其中 (r^2 x^2 y^2) 是像素到主点的距离。切向畸变镜头光学中心与成像传感器平面不完全平行导致图像在水平或垂直方向被拉伸打斜。公式包含两个参数 (p_1, p_2) [ x_{distorted} x [2p_1 xy p_2(r^2 2x^2)] ] [ y_{distorted} y [p_1(r^2 2y^2) 2p_2 xy] ]1.3 标定的终极目标反推相机参数有了内参、外参的估计值和畸变系数我们可以完成两件事校正畸变对图像做undistort让直线变直像平面恢复理想针孔状态。位姿估计检测到棋盘格角点在图像上的 2D 坐标结合已知的 3D 坐标棋盘格上角点间实际距离已知用 solvePnP 求解相机相对棋盘格的位姿也就是外参。所以标定不是目的是手段。不管是做结构光三维重建、双目立体匹配测距、SLAM 前端初始化还是机械臂的手眼标定一律先过标定这一关。2. 张正友标定法为什么是工程友好的方案核心思路拆解2.1 用棋盘格的关键平面上的点具备已知 3D 坐标在张正友方法提出之前相机标定常用的方法是依赖精密的三维标定块制作工艺要求极高而且生产维护成本不低。张正友聪明地发现一个平面棋盘格就够了只要它的物理尺寸已知比如每个格子边长 25mm棋盘格上所有内角点在平面坐标系下就有确定的坐标。这本质上是一个先验的 3D 点集合。对棋盘格所在的平面可以令 (Z0)那么单应性矩阵 (H) 就把平面上的点 ((X, Y)) 直接映射到像素坐标 ((u, v))[ s \begin{bmatrix} u \ v \ 1 \end{bmatrix} A \begin{bmatrix} r_1 r_2 t \end{bmatrix} \begin{bmatrix} X \ Y \ 1 \end{bmatrix} H \begin{bmatrix} X \ Y \ 1 \end{bmatrix} ]这里的 (H) 是一个 (3 \times 3) 矩阵自由度为 8因为尺度 s 是不确定的。一张棋盘格照片能提供一组 2D 到 3D 的对应点足以求解一个 (H)。2.2 单应矩阵与内参的约束关系每张棋盘格图像都能求出一个 (H)。把 (H) 写成分块形式(H \begin{bmatrix} h_1 h_2 h_3 \end{bmatrix})由 (H A \begin{bmatrix} r_1 r_2 t \end{bmatrix}) 可以推出[ r_1 A^{-1}h_1, \quad r_2 A^{-1}h_2 ]旋转矩阵 (R) 是正交矩阵所以 (r_1) 和 (r_2) 必须满足[ r_1^T r_2 0 ] [ |r_1| |r_2| ]这两个约束是张正友标定的灵魂代入后得到关于内参矩阵 (A) 的两个线性方程。一张棋盘格提供两个约束而内参矩阵有 5 个未知数(f_x, f_y, c_x, c_y) 外加一个倾斜因子所以理论上至少需要 3 张不同姿态的棋盘格图像才能求解内参。实际工程中为了抑制噪声普遍采集 15 到 20 张以上。2.3 为什么还要做最大似然优化线性解不够准上面的推导得到的是一个闭式解能够快速给出一个还算不错的初始值。但线性解对图像噪声和角点提取误差比较敏感参数精度通常不够。所以张正友方法第二步是把第一步得到的内参、外参、畸变系数作为初值构建一个非线性最小化问题让所有角点的重投影误差平方和最小[ \sum_{i1}^{n} \sum_{j1}^{m} \left| m_{ij} - \hat{m}(A, k_1, k_2, p_1, p_2, R_i, t_i, M_j) \right|^2 ]其中 (m_{ij}) 是第 (i) 张图像中第 (j) 个角点的实际像素坐标(\hat{m}) 是根据当前相机参数重投影得到的坐标。这个优化问题用 Levenberg-Marquardt 算法求解OpenCV 内部已经实现好。整个标定流程就是打印棋盘格 → 多姿态采集图像 → 检测角点 → 亚像素精化 → 求解单应矩阵 → 线性求解内参初值 → 非线性优化全部参数。3. OpenCV-Python 实现全流程从角点提取到 calibrateCamera3.1 环境准备与项目目录需要安装 OpenCV 和 NumPy直接 pip 安装即可pip install opencv-python opencv-contrib-python numpyopencv-contrib-python包含了aruco、calib3d等扩展模块如果只装基础版部分功能可能缺失建议一次性安装 contrib 版本。项目目录结构calibration_project/ ├── images/ # 存放标定采集的棋盘格图片 ├── output/ # 标定结果输出目录 ├── 01_capture.py # 采集图片脚本摄像头 ├── 02_calibrate.py # 标定主脚本 ├── 03_undistort.py # 畸变矫正验证脚本 └── calibration.npz # 标定结果3.2 角点检测findChessboardCorners 的参数细节完整标定脚本如下import cv2 import numpy as np import glob import os # 配置 CHESSBOARD_SIZE (9, 6) # 棋盘格内角点数不是格子数! SQUARE_SIZE 25.0 # 单个棋盘格边长单位mm IMG_DIR ./images OUTPUT_PATH ./output/calibration.npz # 准备3D点 objp np.zeros((CHESSBOARD_SIZE[0] * CHESSBOARD_SIZE[1], 3), np.float32) objp[:, :2] np.mgrid[0:CHESSBOARD_SIZE[0], 0:CHESSBOARD_SIZE[1]].T.reshape(-1, 2) objp * SQUARE_SIZE # 世界坐标尺度影响后续外参/测距精度 # 存储所有图像的角点 obj_points [] # 3D点 img_points [] # 2D像素点 # 遍历图像提取角点 image_paths sorted(glob.glob(os.path.join(IMG_DIR, *.jpg)) glob.glob(os.path.join(IMG_DIR, *.png))) if len(image_paths) 0: raise FileNotFoundError(fNo images found in {IMG_DIR}) success_count 0 for fname in image_paths: img cv2.imread(fname) if img is None: print(f无法读取图片: {fname}) continue gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 关键参数棋盘格尺寸必须和图片中的内角数完全一致 ret, corners cv2.findChessboardCorners(gray, CHESSBOARD_SIZE, None) if not ret: print(f角点检测失败: {fname}) continue # 亚像素级精化 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_sub cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners_sub) success_count 1 # 可视化方便人工检查检测是否正确 vis img.copy() cv2.drawChessboardCorners(vis, CHESSBOARD_SIZE, corners_sub, ret) print(f成功: {fname}) print(f成功提取角点图像数量: {success_count} / {len(image_paths)}) if success_count 5: print(有效图像太少建议重新采集)这段代码的关键点在于CHESSBOARD_SIZE (9, 6)是内角点数量不是棋盘格子的数量。比如 10×7 格的棋盘内角点是 9×6这是初学者最容易弄错的地方。如果棋盘是 9×6 个格子那应该写(8, 5)。cornerSubPix的(11, 11)是搜索窗口大小太小的窗口在低分辨率图上容易丢失精度太大的窗口在边缘处容易受干扰。3.3 标定调用与结果输出继续补充标定主逻辑# 标定 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None ) print(标定是否成功:, ret) print(内参矩阵:\n, mtx) print(畸变系数:\n, dist) print(fx , mtx[0, 0], fy , mtx[1, 1], cx , mtx[0, 2], cy , mtx[1, 2]) print(k1 , dist[0][0], k2 , dist[0][1], p1 , dist[0][2], p2 , dist[0][3], k3 , dist[0][4]) # 重投影误差评估 mean_error 0 for i in range(len(obj_points)): imgpoints_proj, _ cv2.projectPoints( obj_points[i], rvecs[i], tvecs[i], mtx, dist ) error cv2.norm(img_points[i], imgpoints_proj, cv2.NORM_L2) / len(imgpoints_proj) mean_error error mean_error / len(obj_points) print(f平均重投影误差: {mean_error:.5f} 像素)calibrateCamera返回的五个值分别是ret标定误差实际是 RMS 重投影误差的平方根OpenCV 文档中写作 ret数值越小越好。mtx内参矩阵 (K)。dist畸变系数长度 4 或 5对应 ((k_1, k_2, p_1, p_2, k_3))。rvecs、tvecs每张图像对应的旋转向量和平移向量注意是向量格式不是矩阵。保存结果# 保存 os.makedirs(./output, exist_okTrue) np.savez(OUTPUT_PATH, camera_matrixmtx, dist_coeffsdist, mean_errormean_error, image_sizegray.shape[::-1]) print(f标定结果已保存到 {OUTPUT_PATH})3.4 畸变矫正与验证undistort 与 remap 的取舍标定完不矫正等于白标。最简单的矫正方式# 03_undistort.py import cv2 import numpy as np data np.load(./output/calibration.npz) mtx data[camera_matrix] dist data[dist_coeffs] img cv2.imread(./images/sample.jpg) h, w img.shape[:2] # alpha1 保留所有像素包括畸变校正后可能出现的黑边0 则裁剪掉黑边 newcameramtx, roi cv2.getOptimalNewCameraMatrix( mtx, dist, (w, h), alpha0, newImgSize(w, h) ) # 方法一直接 undistort适合一次性处理 dst cv2.undistort(img, mtx, dist, None, newcameramtx) x, y, w_roi, h_roi roi dst_cropped dst[y:y h_roi, x:x w_roi] # 方法二remap适合视频流或批量处理场景 # 因为映射表可以只算一次反复复用性能更快 mapx, mapy cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w, h), cv2.CV_32FC1) dst2 cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR) cv2.imshow(original, img) cv2.imshow(undistorted, dst2) cv2.waitKey(0) cv2.destroyAllWindows()alpha参数经常被人忽略它的作用很直观alpha0校正后裁剪掉边缘的非真实像素区域图像看起来更干净但会损失一点点视野范围。alpha1保留所有原始像素校正后四周会出现黑色区域相当于视野拓宽但画面不饱满。实际项目中如果是做视觉定位和测量我会用alpha1保留更多边缘信息如果是做展示或后处理alpha0效果更清爽。4. 数据采集的实操细节决定标定质量的是这 80% 的功夫4.1 标定板制作越平整越好别用纸质裸奔我见过不少人在 A4 纸上打印棋盘格就开拍了结果标定出来的内参飘得离谱。原因很简单纸张本身的弯曲、褶皱会产生额外的几何畸变而标定算法完全把这种畸变归咎于镜头畸变导致内参被带偏。正确的做法把棋盘格图片打印出来后用胶水或双面胶平整贴到硬纸板、亚克力板或泡沫板上保证板面没有褶皱。测量实际格子边长用游标卡尺尽量精确误差控制在 0.1mm 以内。SQUARE_SIZE填错会直接导致后续测距/尺寸测量结果成比例偏移。棋盘格尺寸选择建议至少 8×6 或 9×6 的内角点数格子边长 20mm 到 30mm 较为常用。格子太小远距离拍摄时角点提取精度下降格子太大近距离拍摄时角点可能超出画面。4.2 拍摄姿势与数量不是随便拍 20 张就完事采集时要注意覆盖尽可能多的相机姿态和视野区域拍摄要点具体做法原因姿态多样性棋盘格相对于相机要旋转、倾斜、平移让所有内参都有观测约束覆盖四角和中心棋盘格出现在画面四角、边缘、中心边缘区域对角点的畸变约束最重要倾斜角度和成像平面夹角在 10° 到 45° 之间角度太正约束不足角度太大角点提取易失败距离变化近距离和远距离都要覆盖改进畸变参数尤其重要数量15 到 20 张以上数量太少约束不足数量太多耗时且收益递减一个常见误区很多人拍摄时会把棋盘格放在画面正中间翻转几个角度就收了。这样主点 ((c_x, c_y)) 附近有足够约束但四角的畸变系数估计会很差。我建议专门拍一组棋盘格贴近画面边缘的图这组图对角点和畸变精度提升非常关键。4.3 光照与反光角点提取的大敌findChessboardCorners算法对图像质量相当敏感。拍摄时需要注意避免反光棋盘格如果是光面打印纸强光下会有高光反射白色格子变成一片白角点可能直接丢失。最好用哑光打印纸或者调整光源角度。保证亮度均匀不要在极端暗光下拍摄也不要让画面中出现大片过曝区域。必要时可以用摄像头手动设置曝光优先模式保证所有图像亮度接近。固定焦距如果用自动变焦镜头比如手机后置摄像头拍摄过程中焦距变化会导致内参漂移。工业相机或固定焦距镜头标定最稳定如果只能用变焦镜头建议标定过程完全固定焦距标定完不要再动。4.4 findChessboardCorners 失败时的排查思路角点检测失败是标定工作中最常遇到的事大多数情况不是代码问题而是图像本身或参数设置问题。按以下顺序排查内角点数量是否正确用画图工具打开一张标定图数数横向和纵向的黑色-白色交接点。一个 10×7 的格子棋盘内角点是 9×6很多人算成了 10×7。图像分辨率如果分辨率过低小于 480p角点特征在低频区域可能丢失。可以尝试先对图像做直方图均衡化再检测。棋盘格是否完整出现在画面内边缘处缺一列、缺一角检测必然失败。相机视野不够时把棋盘格移进画面中央。连续拍摄的模糊手抖导致的运动模糊会让角点提取失败。用固定支架或提高快门速度解决。尝试调整 findChessboardCorners 的 flags 参数比如cv2.CALIB_CB_ADAPTIVE_THRESH或cv2.CALIB_CB_FAST_CHECK有时能救回一部分图。但根本解法还是保证图像质量。5. 标定结果可靠性分析与后续应用5.1 重投影误差多少算合格重投影误差是最常用的标定质量指标把世界坐标系的 3D 角点用标定得到的内外参重新投影回图像与检测到的 2D 像素坐标求平均距离。这个值反映标定参数拟合的好坏。实践中的经验值0.1 像素以下非常优秀说明图像质量好、标定板平整度高。0.1 ~ 0.3 像素常规水准绝大多数项目可以接受。0.3 ~ 0.5 像素勉强可用建议检查采集过程中是否存在反光、模糊等问题。0.5 像素以上建议重新采集此时标定结果对后续三维测量影响较大。如果误差偏大不要急着调代码优先排查棋盘格是否平整、图像是否清晰、采集张数是否过少或角度覆盖是否不足、SQUARE_SIZE是否填错。5.2 标定结果不稳定的几个隐藏原因有几次我换了场景重新标定内参变化挺大排查下来发现是这几个问题焦点漂移镜头热漂移工业相机在开机预热过程中镜头因温度变化会产生轻微热胀冷缩导致焦距发生微小变化。标准做法是相机开机后预热 15 到 30 分钟再标定。固定螺丝松动C/CS 接口镜头如果没锁紧轻微晃动就会导致内参变化。标定前检查镜头锁紧环。棋盘格板面弯曲拍了几张后如果发现角点检测精度下降检查棋盘格是否已经受潮变形。裁切方案不同getOptimalNewCameraMatrix的alpha参数直接影响矫正后图像的分辨率。如果矫正后图像尺寸和新内参不匹配后续坐标转换会出错。建议把newcameramtx也保存下来后续直接使用避免每次矫正都重新计算。5.3 从单目标定到双目/IMU 联合标定下一步怎么走如果手头是双目相机单目标定完成后再用cv2.stereoCalibrate做立体标定得到两个相机之间的旋转矩阵 (R) 和平移向量 (T)。注意双目标定需要两个相机同步拍摄同一场景的棋盘格并且外参求解和单目标定是两个独立过程。双目标定完成后cv2.stereoRectify可以让左右图像严格行对齐从而进行视差计算和深度估计。如果做的是相机和 IMU 的联合标定OpenCV 中没有直接封装好的完整工具链常用方案是用 Kalibr 或 imu_utils。Kalibr 能同时标定相机内参、相机与 IMU 的外参、时间延迟等。核心思路依然是先标出相机内参再通过多传感器数据的时间对齐和运动约束求解外参。走这条路之前先把单目标定和内外参的概念吃透后面联合标定才不至于被一堆 R、t、四元数绕晕。6. 最后的实践建议完整源码逻辑很简洁但真正决定标定成功率的从来不是那几行代码而是数据采集的严谨程度。我给初次做相机标定的朋友几条硬性建议不要贪省事至少采集 20 张覆盖全面视角的棋盘格图像宁可多拍不要少拍。用cv2.drawChessboardCorners把检测结果打印出来肉眼确认一遍这是最便宜的查错手段。每次标定后都记录重投影误差如果换了镜头或重新装机重新标定一次不要复用旧参数。标定结果文件建议同时保存内参矩阵、畸变系数、图像尺寸和重投影误差方便后续排查问题。标定这件事本身不复杂但特别考验细心程度。按这套流程走下来你的内参矩阵和畸变系数基本一次就能稳在 0.1 到 0.2 像素级别的重投影误差足够支撑绝大多数视觉测距、定位和三维重建任务。本文还有配套的精品资源点击获取 OpenCV相机标定实战：从张正友标定法到畸变校正全流程
简介本资源是一套面向计算机视觉初学者与工程实践者的张正友相机标定实战项目聚焦解决三维重建、视觉测量等应用中相机内参焦距、主点、畸变系数与外参位姿精准估计的核心问题。压缩包共15个文件含12张棋盘格标定图像JPG、核心标定脚本calibration.py、标定结果存储文件camera_params.xml及项目说明文档README.md整体仅2.43MB轻量易部署图像与代码分工明确便于分步调试与参数验证。已有301人学习下载反映出其在入门教学与快速复现中的实用价值。用户可直接运行Python脚本完成角点检测、参数求解、重投影误差评估与标定结果保存全流程并通过XML文件读取参数用于后续矫正或三维应用配套文档清晰阐释各步骤原理与OpenCV函数调用逻辑是贯通理论推导与OpenCV工程实现的优质学习载体。 做视觉测距项目那阵子我对着屏幕上稳定的检测框和数据值看了半天发现相机离目标明明没动测出来的距离却在 3% 上下飘。当时第一反应是算法精度不够后来排查到根子上才意识到相机压根没标定内参用的是厂商默认值畸变一点没校正。三个小时的排查换来一句话——在做任何需要像素坐标反推真实世界坐标的任务之前相机标定是绕不开的第一步。这篇实战文章就基于 OpenCV-Python 实现张正友相机标定法从原理推导到工程落地一次讲清楚附上可直接复制的项目源码适合入门三维视觉的学生、正在做测距/定位/位姿估计项目的开发者以及想把标定流程固化下来的工程人。OpenCV 的calibrateCamera接口封装得已经很傻瓜了但正因为封装得太好很多人容易把标定当成拍几张棋盘格照片调一个函数得到内参矩阵就完事。真正决定标定质量的反而不是那行调用代码而是你对成像模型有没有直觉、数据采集中有没有踩中那些隐形雷区。1. 相机标定到底在标什么从针孔模型到畸变来源1.1 相机成像的降维打击三维世界如何变成二维像素相机拍照的本质是一个把三维世界坐标映射到二维像素坐标的过程。这个过程可以用一个简化后的针孔模型描述假设光线从场景中的某个三维点出发经过相机光心相当于针孔投影到后方的成像平面上。理想情况下三维点 (P) 与像素点 (p) 之间存在一个射影映射关系。用齐次坐标写成矩阵形式[ s \begin{bmatrix} u \ v \ 1 \end{bmatrix} \begin{bmatrix} f_x 0 c_x \ 0 f_y c_y \ 0 0 1 \end{bmatrix} \begin{bmatrix} r_{11} r_{12} r_{13} t_1 \ r_{21} r_{22} r_{23} t_2 \ r_{31} r_{32} r_{33} t_3 \end{bmatrix} \begin{bmatrix} X \ Y \ Z \ 1 \end{bmatrix} ]左边是像素坐标 ((u, v))右边矩阵中第一块 (K\begin{bmatrix} f_x 0 c_x \ 0 f_y c_y \ 0 0 1 \end{bmatrix}) 是内参矩阵包含焦距 (f_x, f_y) 和主点坐标 ((c_x, c_y))第二块 ([R|t]) 是外参矩阵描述相机在世界坐标系下的旋转和平移(s) 是一个尺度因子。内参相机自身的固有属性正常情况下一次标定后就不需要再动除非镜头被拆装或温度漂移严重。外参每拍一张照片相机相对棋盘格的位置姿态都在变化所以外参是随图像变化的。1.2 畸变到底是怎么来的镜头不是完美透镜针孔模型是理想模型真实镜头存在制造误差和光学特性限制导致像素坐标偏离理想位置。畸变主要分两类径向畸变光线经过透镜边缘时弯曲程度比中心大导致画面边缘的直线变弯。表现为桶形畸变或枕形畸变。径向畸变的数学模型通常用泰勒级数展开OpenCV 中取前两项或前三项 [ x_{distorted} x(1 k_1 r^2 k_2 r^4 k_3 r^6) ] [ y_{distorted} y(1 k_1 r^2 k_2 r^4 k_3 r^6) ] 其中 (r^2 x^2 y^2) 是像素到主点的距离。切向畸变镜头光学中心与成像传感器平面不完全平行导致图像在水平或垂直方向被拉伸打斜。公式包含两个参数 (p_1, p_2) [ x_{distorted} x [2p_1 xy p_2(r^2 2x^2)] ] [ y_{distorted} y [p_1(r^2 2y^2) 2p_2 xy] ]1.3 标定的终极目标反推相机参数有了内参、外参的估计值和畸变系数我们可以完成两件事校正畸变对图像做undistort让直线变直像平面恢复理想针孔状态。位姿估计检测到棋盘格角点在图像上的 2D 坐标结合已知的 3D 坐标棋盘格上角点间实际距离已知用 solvePnP 求解相机相对棋盘格的位姿也就是外参。所以标定不是目的是手段。不管是做结构光三维重建、双目立体匹配测距、SLAM 前端初始化还是机械臂的手眼标定一律先过标定这一关。2. 张正友标定法为什么是工程友好的方案核心思路拆解2.1 用棋盘格的关键平面上的点具备已知 3D 坐标在张正友方法提出之前相机标定常用的方法是依赖精密的三维标定块制作工艺要求极高而且生产维护成本不低。张正友聪明地发现一个平面棋盘格就够了只要它的物理尺寸已知比如每个格子边长 25mm棋盘格上所有内角点在平面坐标系下就有确定的坐标。这本质上是一个先验的 3D 点集合。对棋盘格所在的平面可以令 (Z0)那么单应性矩阵 (H) 就把平面上的点 ((X, Y)) 直接映射到像素坐标 ((u, v))[ s \begin{bmatrix} u \ v \ 1 \end{bmatrix} A \begin{bmatrix} r_1 r_2 t \end{bmatrix} \begin{bmatrix} X \ Y \ 1 \end{bmatrix} H \begin{bmatrix} X \ Y \ 1 \end{bmatrix} ]这里的 (H) 是一个 (3 \times 3) 矩阵自由度为 8因为尺度 s 是不确定的。一张棋盘格照片能提供一组 2D 到 3D 的对应点足以求解一个 (H)。2.2 单应矩阵与内参的约束关系每张棋盘格图像都能求出一个 (H)。把 (H) 写成分块形式(H \begin{bmatrix} h_1 h_2 h_3 \end{bmatrix})由 (H A \begin{bmatrix} r_1 r_2 t \end{bmatrix}) 可以推出[ r_1 A^{-1}h_1, \quad r_2 A^{-1}h_2 ]旋转矩阵 (R) 是正交矩阵所以 (r_1) 和 (r_2) 必须满足[ r_1^T r_2 0 ] [ |r_1| |r_2| ]这两个约束是张正友标定的灵魂代入后得到关于内参矩阵 (A) 的两个线性方程。一张棋盘格提供两个约束而内参矩阵有 5 个未知数(f_x, f_y, c_x, c_y) 外加一个倾斜因子所以理论上至少需要 3 张不同姿态的棋盘格图像才能求解内参。实际工程中为了抑制噪声普遍采集 15 到 20 张以上。2.3 为什么还要做最大似然优化线性解不够准上面的推导得到的是一个闭式解能够快速给出一个还算不错的初始值。但线性解对图像噪声和角点提取误差比较敏感参数精度通常不够。所以张正友方法第二步是把第一步得到的内参、外参、畸变系数作为初值构建一个非线性最小化问题让所有角点的重投影误差平方和最小[ \sum_{i1}^{n} \sum_{j1}^{m} \left| m_{ij} - \hat{m}(A, k_1, k_2, p_1, p_2, R_i, t_i, M_j) \right|^2 ]其中 (m_{ij}) 是第 (i) 张图像中第 (j) 个角点的实际像素坐标(\hat{m}) 是根据当前相机参数重投影得到的坐标。这个优化问题用 Levenberg-Marquardt 算法求解OpenCV 内部已经实现好。整个标定流程就是打印棋盘格 → 多姿态采集图像 → 检测角点 → 亚像素精化 → 求解单应矩阵 → 线性求解内参初值 → 非线性优化全部参数。3. OpenCV-Python 实现全流程从角点提取到 calibrateCamera3.1 环境准备与项目目录需要安装 OpenCV 和 NumPy直接 pip 安装即可pip install opencv-python opencv-contrib-python numpyopencv-contrib-python包含了aruco、calib3d等扩展模块如果只装基础版部分功能可能缺失建议一次性安装 contrib 版本。项目目录结构calibration_project/ ├── images/ # 存放标定采集的棋盘格图片 ├── output/ # 标定结果输出目录 ├── 01_capture.py # 采集图片脚本摄像头 ├── 02_calibrate.py # 标定主脚本 ├── 03_undistort.py # 畸变矫正验证脚本 └── calibration.npz # 标定结果3.2 角点检测findChessboardCorners 的参数细节完整标定脚本如下import cv2 import numpy as np import glob import os # 配置 CHESSBOARD_SIZE (9, 6) # 棋盘格内角点数不是格子数! SQUARE_SIZE 25.0 # 单个棋盘格边长单位mm IMG_DIR ./images OUTPUT_PATH ./output/calibration.npz # 准备3D点 objp np.zeros((CHESSBOARD_SIZE[0] * CHESSBOARD_SIZE[1], 3), np.float32) objp[:, :2] np.mgrid[0:CHESSBOARD_SIZE[0], 0:CHESSBOARD_SIZE[1]].T.reshape(-1, 2) objp * SQUARE_SIZE # 世界坐标尺度影响后续外参/测距精度 # 存储所有图像的角点 obj_points [] # 3D点 img_points [] # 2D像素点 # 遍历图像提取角点 image_paths sorted(glob.glob(os.path.join(IMG_DIR, *.jpg)) glob.glob(os.path.join(IMG_DIR, *.png))) if len(image_paths) 0: raise FileNotFoundError(fNo images found in {IMG_DIR}) success_count 0 for fname in image_paths: img cv2.imread(fname) if img is None: print(f无法读取图片: {fname}) continue gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 关键参数棋盘格尺寸必须和图片中的内角数完全一致 ret, corners cv2.findChessboardCorners(gray, CHESSBOARD_SIZE, None) if not ret: print(f角点检测失败: {fname}) continue # 亚像素级精化 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_sub cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners_sub) success_count 1 # 可视化方便人工检查检测是否正确 vis img.copy() cv2.drawChessboardCorners(vis, CHESSBOARD_SIZE, corners_sub, ret) print(f成功: {fname}) print(f成功提取角点图像数量: {success_count} / {len(image_paths)}) if success_count 5: print(有效图像太少建议重新采集)这段代码的关键点在于CHESSBOARD_SIZE (9, 6)是内角点数量不是棋盘格子的数量。比如 10×7 格的棋盘内角点是 9×6这是初学者最容易弄错的地方。如果棋盘是 9×6 个格子那应该写(8, 5)。cornerSubPix的(11, 11)是搜索窗口大小太小的窗口在低分辨率图上容易丢失精度太大的窗口在边缘处容易受干扰。3.3 标定调用与结果输出继续补充标定主逻辑# 标定 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None ) print(标定是否成功:, ret) print(内参矩阵:\n, mtx) print(畸变系数:\n, dist) print(fx , mtx[0, 0], fy , mtx[1, 1], cx , mtx[0, 2], cy , mtx[1, 2]) print(k1 , dist[0][0], k2 , dist[0][1], p1 , dist[0][2], p2 , dist[0][3], k3 , dist[0][4]) # 重投影误差评估 mean_error 0 for i in range(len(obj_points)): imgpoints_proj, _ cv2.projectPoints( obj_points[i], rvecs[i], tvecs[i], mtx, dist ) error cv2.norm(img_points[i], imgpoints_proj, cv2.NORM_L2) / len(imgpoints_proj) mean_error error mean_error / len(obj_points) print(f平均重投影误差: {mean_error:.5f} 像素)calibrateCamera返回的五个值分别是ret标定误差实际是 RMS 重投影误差的平方根OpenCV 文档中写作 ret数值越小越好。mtx内参矩阵 (K)。dist畸变系数长度 4 或 5对应 ((k_1, k_2, p_1, p_2, k_3))。rvecs、tvecs每张图像对应的旋转向量和平移向量注意是向量格式不是矩阵。保存结果# 保存 os.makedirs(./output, exist_okTrue) np.savez(OUTPUT_PATH, camera_matrixmtx, dist_coeffsdist, mean_errormean_error, image_sizegray.shape[::-1]) print(f标定结果已保存到 {OUTPUT_PATH})3.4 畸变矫正与验证undistort 与 remap 的取舍标定完不矫正等于白标。最简单的矫正方式# 03_undistort.py import cv2 import numpy as np data np.load(./output/calibration.npz) mtx data[camera_matrix] dist data[dist_coeffs] img cv2.imread(./images/sample.jpg) h, w img.shape[:2] # alpha1 保留所有像素包括畸变校正后可能出现的黑边0 则裁剪掉黑边 newcameramtx, roi cv2.getOptimalNewCameraMatrix( mtx, dist, (w, h), alpha0, newImgSize(w, h) ) # 方法一直接 undistort适合一次性处理 dst cv2.undistort(img, mtx, dist, None, newcameramtx) x, y, w_roi, h_roi roi dst_cropped dst[y:y h_roi, x:x w_roi] # 方法二remap适合视频流或批量处理场景 # 因为映射表可以只算一次反复复用性能更快 mapx, mapy cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w, h), cv2.CV_32FC1) dst2 cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR) cv2.imshow(original, img) cv2.imshow(undistorted, dst2) cv2.waitKey(0) cv2.destroyAllWindows()alpha参数经常被人忽略它的作用很直观alpha0校正后裁剪掉边缘的非真实像素区域图像看起来更干净但会损失一点点视野范围。alpha1保留所有原始像素校正后四周会出现黑色区域相当于视野拓宽但画面不饱满。实际项目中如果是做视觉定位和测量我会用alpha1保留更多边缘信息如果是做展示或后处理alpha0效果更清爽。4. 数据采集的实操细节决定标定质量的是这 80% 的功夫4.1 标定板制作越平整越好别用纸质裸奔我见过不少人在 A4 纸上打印棋盘格就开拍了结果标定出来的内参飘得离谱。原因很简单纸张本身的弯曲、褶皱会产生额外的几何畸变而标定算法完全把这种畸变归咎于镜头畸变导致内参被带偏。正确的做法把棋盘格图片打印出来后用胶水或双面胶平整贴到硬纸板、亚克力板或泡沫板上保证板面没有褶皱。测量实际格子边长用游标卡尺尽量精确误差控制在 0.1mm 以内。SQUARE_SIZE填错会直接导致后续测距/尺寸测量结果成比例偏移。棋盘格尺寸选择建议至少 8×6 或 9×6 的内角点数格子边长 20mm 到 30mm 较为常用。格子太小远距离拍摄时角点提取精度下降格子太大近距离拍摄时角点可能超出画面。4.2 拍摄姿势与数量不是随便拍 20 张就完事采集时要注意覆盖尽可能多的相机姿态和视野区域拍摄要点具体做法原因姿态多样性棋盘格相对于相机要旋转、倾斜、平移让所有内参都有观测约束覆盖四角和中心棋盘格出现在画面四角、边缘、中心边缘区域对角点的畸变约束最重要倾斜角度和成像平面夹角在 10° 到 45° 之间角度太正约束不足角度太大角点提取易失败距离变化近距离和远距离都要覆盖改进畸变参数尤其重要数量15 到 20 张以上数量太少约束不足数量太多耗时且收益递减一个常见误区很多人拍摄时会把棋盘格放在画面正中间翻转几个角度就收了。这样主点 ((c_x, c_y)) 附近有足够约束但四角的畸变系数估计会很差。我建议专门拍一组棋盘格贴近画面边缘的图这组图对角点和畸变精度提升非常关键。4.3 光照与反光角点提取的大敌findChessboardCorners算法对图像质量相当敏感。拍摄时需要注意避免反光棋盘格如果是光面打印纸强光下会有高光反射白色格子变成一片白角点可能直接丢失。最好用哑光打印纸或者调整光源角度。保证亮度均匀不要在极端暗光下拍摄也不要让画面中出现大片过曝区域。必要时可以用摄像头手动设置曝光优先模式保证所有图像亮度接近。固定焦距如果用自动变焦镜头比如手机后置摄像头拍摄过程中焦距变化会导致内参漂移。工业相机或固定焦距镜头标定最稳定如果只能用变焦镜头建议标定过程完全固定焦距标定完不要再动。4.4 findChessboardCorners 失败时的排查思路角点检测失败是标定工作中最常遇到的事大多数情况不是代码问题而是图像本身或参数设置问题。按以下顺序排查内角点数量是否正确用画图工具打开一张标定图数数横向和纵向的黑色-白色交接点。一个 10×7 的格子棋盘内角点是 9×6很多人算成了 10×7。图像分辨率如果分辨率过低小于 480p角点特征在低频区域可能丢失。可以尝试先对图像做直方图均衡化再检测。棋盘格是否完整出现在画面内边缘处缺一列、缺一角检测必然失败。相机视野不够时把棋盘格移进画面中央。连续拍摄的模糊手抖导致的运动模糊会让角点提取失败。用固定支架或提高快门速度解决。尝试调整 findChessboardCorners 的 flags 参数比如cv2.CALIB_CB_ADAPTIVE_THRESH或cv2.CALIB_CB_FAST_CHECK有时能救回一部分图。但根本解法还是保证图像质量。5. 标定结果可靠性分析与后续应用5.1 重投影误差多少算合格重投影误差是最常用的标定质量指标把世界坐标系的 3D 角点用标定得到的内外参重新投影回图像与检测到的 2D 像素坐标求平均距离。这个值反映标定参数拟合的好坏。实践中的经验值0.1 像素以下非常优秀说明图像质量好、标定板平整度高。0.1 ~ 0.3 像素常规水准绝大多数项目可以接受。0.3 ~ 0.5 像素勉强可用建议检查采集过程中是否存在反光、模糊等问题。0.5 像素以上建议重新采集此时标定结果对后续三维测量影响较大。如果误差偏大不要急着调代码优先排查棋盘格是否平整、图像是否清晰、采集张数是否过少或角度覆盖是否不足、SQUARE_SIZE是否填错。5.2 标定结果不稳定的几个隐藏原因有几次我换了场景重新标定内参变化挺大排查下来发现是这几个问题焦点漂移镜头热漂移工业相机在开机预热过程中镜头因温度变化会产生轻微热胀冷缩导致焦距发生微小变化。标准做法是相机开机后预热 15 到 30 分钟再标定。固定螺丝松动C/CS 接口镜头如果没锁紧轻微晃动就会导致内参变化。标定前检查镜头锁紧环。棋盘格板面弯曲拍了几张后如果发现角点检测精度下降检查棋盘格是否已经受潮变形。裁切方案不同getOptimalNewCameraMatrix的alpha参数直接影响矫正后图像的分辨率。如果矫正后图像尺寸和新内参不匹配后续坐标转换会出错。建议把newcameramtx也保存下来后续直接使用避免每次矫正都重新计算。5.3 从单目标定到双目/IMU 联合标定下一步怎么走如果手头是双目相机单目标定完成后再用cv2.stereoCalibrate做立体标定得到两个相机之间的旋转矩阵 (R) 和平移向量 (T)。注意双目标定需要两个相机同步拍摄同一场景的棋盘格并且外参求解和单目标定是两个独立过程。双目标定完成后cv2.stereoRectify可以让左右图像严格行对齐从而进行视差计算和深度估计。如果做的是相机和 IMU 的联合标定OpenCV 中没有直接封装好的完整工具链常用方案是用 Kalibr 或 imu_utils。Kalibr 能同时标定相机内参、相机与 IMU 的外参、时间延迟等。核心思路依然是先标出相机内参再通过多传感器数据的时间对齐和运动约束求解外参。走这条路之前先把单目标定和内外参的概念吃透后面联合标定才不至于被一堆 R、t、四元数绕晕。6. 最后的实践建议完整源码逻辑很简洁但真正决定标定成功率的从来不是那几行代码而是数据采集的严谨程度。我给初次做相机标定的朋友几条硬性建议不要贪省事至少采集 20 张覆盖全面视角的棋盘格图像宁可多拍不要少拍。用cv2.drawChessboardCorners把检测结果打印出来肉眼确认一遍这是最便宜的查错手段。每次标定后都记录重投影误差如果换了镜头或重新装机重新标定一次不要复用旧参数。标定结果文件建议同时保存内参矩阵、畸变系数、图像尺寸和重投影误差方便后续排查问题。标定这件事本身不复杂但特别考验细心程度。按这套流程走下来你的内参矩阵和畸变系数基本一次就能稳在 0.1 到 0.2 像素级别的重投影误差足够支撑绝大多数视觉测距、定位和三维重建任务。本文还有配套的精品资源点击获取