简介：本资源是面向计算机视觉初学者与工程实践者的张正友摄像机标定技术详解包，聚焦相机内参、外参及畸变系数的完整求解流程，适用于三维重建、AR开发、机器人视觉等实际场景。压缩包共27个文件，含10个MATLAB核心脚本（如Zhang.m、homography2d1.m、normalise2dpts.m等，实现角点检测、单应性矩阵计算、坐标归一化与非线性优化）、9个txt说明文档（含read me.txt、data*.txt等数据与流程注释）及7个asv备份脚本，整体仅85KB，轻量易读、结构清晰，便于逐模块调试与原理验证。已有501人学习下载，资源包含从棋盘格图像采集、特征提取、方程构建到MATLAB工具箱调用的全链路代码支撑，附带原始论文线索（zhang_origin、CAJ文献）与典型测试用例（test*.m、simon_H*.m），特别适合结合理论推导动手复现标定全过程的进阶学习者。

1. 张正友标定法：为什么一张打印的棋盘格纸+一部手机，就能让工业相机精度提升3个数量级？

你手头有一台刚买的USB工业相机，拍出来的图像边缘明显畸变，测距误差动辄±5mm；产线上的视觉定位系统总在凌晨三点报“坐标漂移”，工程师反复校准却找不到根因；甚至用OpenCV自带的calibrateCamera函数跑出的内参矩阵，放进实际测量流程里直接崩盘——这些不是玄学，而是标定没做对。张正友标定法（Zhang’s Method）不是教科书里的一个名字，它是目前工业视觉、机器人导航、AR空间锚定中唯一被大规模工程验证、可脱离精密光学平台落地的单目相机标定方案。它不依赖昂贵的平行光管或激光干涉仪，只要一张A4纸打印的棋盘格、一个稳定支架、10～20张不同角度的清晰照片，就能解出焦距、主点、畸变系数等6个核心内参，再配合外参把像素坐标映射到真实世界毫米级坐标系。它解决的不是“能不能标”，而是“怎么在产线现场、用普通设备、抗干扰、可复现地标”。适合所有正在调试视觉定位、三维重建、手眼标定的嵌入式工程师、机器视觉算法工程师、自动化集成商——尤其当你发现标定结果每次都不一样，或者标完一小时后就失效时，问题大概率不在代码，而在你根本没用对张正友法的约束条件和数据采集逻辑。

2. 核心原理与工程选型：为什么不用Tsai法、也不用直接线性变换（DLT）？

张正友标定法之所以成为工业界事实标准，不是因为它数学最优雅，而是它在精度、鲁棒性、数据需求、计算开销四者间找到了唯一可行的平衡点。要理解这点，必须拆开它的三层结构：平面约束 → 非线性优化 → 畸变建模。这三步环环相扣，跳过任何一层，标定结果都会在真实场景中翻车。

2.1 平面约束：棋盘格不是为了“好看”，而是强制引入z=0的几何先验

传统DLT方法需要至少6组空间点（x,y,z）与图像点（u,v）对应，但z坐标必须用高精度机械臂或激光跟踪仪实测——这对产线部署就是灾难。张正友法的破局点在于：用已知图案（如棋盘格）将z轴锁定为0。假设棋盘格平铺在xy平面，则所有角点的世界坐标可设为(0,0,0)、(1,0,0)、(1,1,0)…（单位：格子边长）。此时相机投影模型简化为：

s * [u, v, 1]^T = K * [R|t] * [X, Y, 0, 1]^T

其中K是3×3内参矩阵，[R|t]是3×4外参矩阵。关键洞察来了：由于Z恒为0，[R|t]的第三列（对应R的第三列）被乘以0而消失，实际参与求解的只有R的前两列和t。这意味着——仅需2张不同姿态的棋盘格图像，就能线性求解K的初始值（通过Homo-graphy分解）。这个设计让标定从“必须测深度”降维到“只需拍平面”，直接砍掉90%硬件成本。

提示：棋盘格尺寸单位（mm或cm）不影响内参求解，但决定后续测量的物理尺度。务必在采集前用游标卡尺实测一个方格边长，并在代码中统一使用该值——这是后续毫米级定位的基准，不是随便填个“1”。

2.2 非线性优化：为什么OpenCV的calibrateCamera默认用LM算法而不是SVD？

线性解出的K和[R|t]只是粗糙初值。真实镜头存在径向畸变（桶形/枕形）和切向畸变（装配偏心），它们会让角点检测坐标严重偏离理想投影位置。张正友法的第二阶段，就是把畸变参数（k1,k2,p1,p2,k3）和内参、外参一起放入非线性优化目标函数：

min Σ || (u_i, v_i) - π(K, R_i, t_i, k1..k3, p1..p2) ||²

其中π是带畸变的完整投影函数。这里OpenCV默认采用Levenberg-Marquardt（LM）算法，而非更简单的SVD或梯度下降，原因很实际：LM在收敛速度和稳定性之间做了工程妥协。SVD对噪声敏感，一张模糊图像就能让整个解崩溃；纯梯度下降容易陷入局部极小，尤其当初始畸变系数设为0时。LM通过动态调节阻尼因子，在“高斯牛顿步”（快但易发散）和“梯度下降步”（慢但稳）间自适应切换——这正是产线环境（光照波动、轻微抖动、反光）下能收敛的关键。

2.3 畸变建模：k1/k2/k3和p1/p2的物理意义，决定了你该不该删掉k3

OpenCV默认启用5个畸变参数：k1,k2,p1,p2,k3。但绝大多数百万像素以下的工业镜头，k3贡献微乎其微，强行拟合反而引入噪声放大。k1/k2主导径向畸变（r², r⁴项），p1/p2主导切向畸变（由镜头与传感器不平行引起）。k3（r⁶项）只在超广角镜头或极高分辨率（>20MP）下才显著。工程经验：若标定后重投影误差（RPE）已<0.3像素，且k3绝对值<0.0001，直接固定k3=0并重新优化，RPE通常不变甚至略降。这不是偷懒，而是避免过拟合——就像给一个线性系统硬加三次项，数学上更“精确”，物理上更不可靠。

3. 实战步骤：用OpenCV-Python在Windows/Linux/macOS本地跑通最小可运行标定流程

本节提供一套经20+产线项目验证的最小可行流程，不依赖ROS、不调用CUDA、不编译OpenCV源码，纯pip安装即可。重点不是“能跑”，而是每一步背后的工程意图。

3.1 环境准备与棋盘格生成：为什么必须用A4纸打印，且不能缩放？

pip install opencv-python==4.8.1.78 numpy matplotlib

棋盘格必须满足：

• 物理尺寸严格匹配代码设定：用Python脚本生成PDF（非截图！），用Adobe Acrobat或浏览器打印，选择“实际大小”（勿选“适应页面”）；
• 黑白对比度足够：打印后用手机拍照，直方图中黑/白区域应分离（灰度值<50和>200），否则OpenCV的findChessboardCorners会漏检；
• A4纸是黄金尺寸：210×297mm留出足够边缘，避免裁剪；小于A4则角点数不足，大于A4则手持拍摄易抖动。

生成脚本（gen_chessboard.py）：

import cv2 import numpy as np # 生成11x8棋盘格（内角点数），方格边长25mm（实测值！） pattern_size = (11, 8) # 内角点数：水平11个，垂直8个 square_size = 25.0 # 单位：毫米，必须与实测一致 # 创建空白A4画布（2480×3508像素，300dpi） img = np.ones((3508, 2480), dtype=np.uint8) * 255 block_size = int(square_size * 300 / 25.4) # 转换为像素（300dpi） # 绘制棋盘格 for i in range(pattern_size[1] + 1): for j in range(pattern_size[0] + 1): x = j * block_size y = i * block_size if (i + j) % 2 == 0: cv2.rectangle(img, (x, y), (x + block_size, y + block_size), 0, -1) cv2.imwrite("chessboard_A4.png", img) print(f"棋盘格已生成：{pattern_size}个内角点，方格边长{square_size}mm")

参数说明：pattern_size是内角点数（非方格数！），11×8意味着10×7个方格；square_size是实测物理边长，直接影响后续所有毫米级测量；block_size计算确保300dpi下尺寸精准——这是产线标定的第一道防线，错一步，后面全错。

3.2 图像采集：15张图不是“越多越好”，而是“覆盖空间分布”

采集要求（缺一不可）：

• 姿态覆盖：至少3张近似正对（棋盘格中心在图像中央）、3张大角度倾斜（棋盘格占满画面1/3）、3张旋转（绕z轴±30°）、3张平移（棋盘格在画面左/右/上/下四角）；
• 光照均匀：避免侧光造成明暗交界，禁用闪光灯（导致反光斑）；
• 焦点清晰：手动对焦至棋盘格纹理锐利，自动对焦易在边缘失焦；
• 无运动模糊：用三脚架或磁吸底座固定相机，快门速度≥1/250s。

为什么15张是工程最优？少于10张，外参变化不足，无法区分k1/k2耦合效应；多于25张，冗余图像引入更多噪声（如轻微抖动、反光），LM优化反而震荡。我们实测过50张，RPE未降反升0.05像素。

3.3 角点检测与标定执行：findChessboardCorners的隐藏开关

import cv2 import numpy as np # 1. 加载图像列表（按采集顺序命名：img_001.jpg, img_002.jpg...） images = [cv2.imread(f"calib_imgs/img_{i:03d}.jpg") for i in range(1, 16)] gray_images = [cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) for img in images] # 2. 检测角点（关键：启用CV_CALIB_CB_ADAPTIVE_THRESH） pattern_size = (11, 8) objp = np.zeros((np.prod(pattern_size), 3), np.float32) objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp *= 25.0 # 单位：毫米，必须与打印尺寸一致 objpoints = [] # 3D点 imgpoints = [] # 2D点 for i, gray in enumerate(gray_images): # 启用自适应阈值和归一化，对抗光照不均 ret, corners = cv2.findChessboardCorners( gray, pattern_size, cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_NORMALIZE_IMAGE + cv2.CALIB_CB_FAST_CHECK ) if ret: # 亚像素精炼：在5×5窗口内迭代优化角点坐标 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_refined = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners_refined) print(f"图像{i+1}: 检测成功，角点数{len(corners_refined)}") else: print(f"图像{i+1}: 检测失败，请检查光照或姿态") # 3. 执行标定（固定k3=0，启用零畸变初值） ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray_images[0].shape[::-1], cameraMatrix=None, distCoeffs=np.zeros((5, 1)), # 初值全0 flags=cv2.CALIB_FIX_K3 | cv2.CALIB_ZERO_TANGENT_DIST # 工程常用组合 )

逻辑说明：CALIB_CB_ADAPTIVE_THRESH让OpenCV对每个局部区域独立计算阈值，解决A4纸边缘反光导致的二值化失败；CALIB_CB_NORMALIZE_IMAGE自动归一化灰度，对抗光照渐变；CALIB_CB_FAST_CHECK先快速排除明显失败的图，省去全图扫描。cornerSubPix的(11,11)窗口比默认(5,5)更大，因为工业镜头景深浅，角点模糊范围更广。CALIB_FIX_K3固定k3=0，CALIB_ZERO_TANGENT_DIST假设切向畸变为0（产线镜头装配精度高），这两项能显著提升收敛稳定性。

4. 避坑指南：标定翻车的5个血泪现场与当场修复方案

标定不是“跑完代码就结束”，而是从数据采集到结果验证的闭环。以下5个坑，全部来自真实产线故障日志，现象、原因、解法一一对应，照着做能省80%排查时间。

4.1 现象：findChessboardCorners返回False，但肉眼可见角点清晰

原因：OpenCV默认使用固定阈值二值化，当棋盘格反光（如金属桌面反射）或环境光偏黄（LED灯色温<4000K）时，黑白区域灰度值落入[80,180]区间，无法分割。
解决：改用CALIB_CB_ADAPTIVE_THRESH（已在3.3节代码启用），或手动预处理：

# 在detect前添加 gray = cv2.GaussianBlur(gray, (5,5), 0) # 去高频噪声 gray = cv2.equalizeHist(gray) # 增强对比度

4.2 现象：标定后重投影误差（RPE）>1.0像素，但角点检测无误

原因：棋盘格打印尺寸与代码中square_size不一致。例如实测方格边长24.8mm，代码写25.0mm，导致3D点坐标系统性偏移。
解决：用游标卡尺实测3个不同位置的方格边长，取平均值填入代码；验证方法——标定后用cv2.projectPoints将3D点投影回图像，对比投影点与检测角点距离，>0.5像素即需重测。

4.3 现象：mtx[0,0]（fx）和mtx[1,1]（fy）相差>10%，且mtx[0,2]（cx）、mtx[1,2]（cy）偏离图像中心超过5%

原因：相机镜头未垂直对准棋盘格，或棋盘格未铺平（翘边、褶皱）。张正友法假设棋盘格为刚性平面，任何弯曲都会扭曲外参估计。
解决：用水平仪校准棋盘格平面；拍摄时镜头光轴尽量垂直（可用激光笔辅助）；剔除RPE最高的3张图（通常是倾斜最严重的）。

4.4 现象：标定后用同一张图重投影，中心区域误差<0.2px，但图像四角误差>2.0px

原因：未启用CALIB_RATIONAL_MODEL（k4,k5,k6）或CALIB_THIN_PRISM_MODEL（棱镜畸变），但当前镜头实际存在高阶畸变。
解决：仅当RPE>0.5px且四角误差突出时启用：

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], flags=cv2.CALIB_RATIONAL_MODEL # 启用k4,k5,k6 )

注意：需至少20张图，且dist输出变为12维数组。

4.5 现象：标定参数在不同批次图像间波动大（fx标准差>50）

原因：图像分辨率设置错误。例如相机硬件支持1920×1080，但OpenCV读取时被自动缩放为640×480，导致焦距计算比例错乱。
解决：强制指定读取分辨率：

cap = cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1920) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 1080) # 或读图后resize前确认尺寸 img = cv2.imread("img.jpg") print(f"图像尺寸: {img.shape}") # 必须与calibrateCamera输入尺寸一致

5. 进阶验证与产线部署：用重投影误差热力图定位畸变热点，以及固化参数的3个硬性条件

标定不是终点，而是产线视觉系统的起点。真正决定项目成败的，是标定结果能否在6个月、1000次启停、温度变化15℃后依然可靠。这需要两件事：可量化的验证手段和参数固化的工程约束。

5.1 重投影误差热力图：比平均RPE更早发现镜头老化迹象

OpenCV的cv2.calibrateCamera只返回平均RPE（ret值），但平均值掩盖了局部异常。我们用热力图可视化每张图、每个角点的重投影残差：

import matplotlib.pyplot as plt import seaborn as sns # 计算所有角点的重投影误差 errors = [] for i in range(len(objpoints)): imgpts, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(imgpoints[i], imgpts, cv2.NORM_L2) / len(imgpoints[i]) errors.append(error) # 绘制热力图：横轴为图像序号，纵轴为角点索引，颜色为残差像素值 all_errors = [] for i in range(len(objpoints)): imgpts, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) per_corner_error = np.sqrt(np.sum((imgpoints[i] - imgpts)**2, axis=2)).flatten() all_errors.append(per_corner_error) # 转为numpy矩阵（15张图 × 最多88个角点） error_matrix = np.zeros((15, 88)) * np.nan for i, err in enumerate(all_errors): error_matrix[i, :len(err)] = err plt.figure(figsize=(12, 6)) sns.heatmap(error_matrix, cmap='Reds', cbar_kws={'label': '重投影误差（像素）'}) plt.title('重投影误差热力图：红色越深，误差越大') plt.xlabel('角点索引（按行列序）') plt.ylabel('图像序号') plt.show()

关键解读：正常热力图应呈均匀浅色（<0.3px）；若出现连续几行右侧角点变红，说明镜头右下区域存在灰尘或划痕；若某张图整行变红，表明该次采集时棋盘格有微小位移（如气流扰动）；若所有图的中心区域始终最蓝，四角渐红，则是未校正的高阶畸变——此时应启用CALIB_RATIONAL_MODEL而非强行接受。

5.2 参数固化三原则：什么情况下可以“锁死”内参不再重标？

产线不可能每次开机都标定。我们定义三个硬性条件，满足任意一条即可固化参数：

1. 温度稳定性：相机外壳温度变化≤±2℃（用DS18B20贴片测温，非环境温度）；
2. 机械稳定性：镜头紧固螺丝扭矩≥0.3N·m（用数显扭力扳手验证，非手感）；
3. 光学稳定性：连续30天，每日首件标定图的RPE标准差<0.05px（用同一张图重复测试）。

血泪经验：曾有个项目因忽略第1条，在夏天空调停机后，镜头热胀导致fx每天漂移0.8%，持续7天未报警。后来我们在相机旁加装温湿度传感器，当ΔT>2℃时自动触发标定提醒——这比每月人工标定靠谱10倍。

5.3 外参在线标定：如何用张正友法实现“免停机”手眼标定？

张正友法的外参（R,t）可单独更新，无需重跑内参。典型场景：机械臂末端相机因振动导致位姿偏移。做法是：

• 固定棋盘格于机械臂末端（作为手眼标定靶标）；
• 控制机械臂移动到5个不同位姿，每点拍一张图；
• 用已固化的mtx和dist，仅优化rvecs,tvecs：

# 仅优化外参，内参和畸变固定 ret, rvec, tvec = cv2.solvePnP( objp, corners_refined, mtx, dist, flags=cv2.SOLVEPNP_ITERATIVE )

此过程<100ms，可嵌入PLC周期任务，实现真正的“边生产边标定”。

我干这行八年，见过太多人把标定当成一次性任务——调通就扔一边。直到某天产品尺寸批量超差，才翻出尘封的标定报告。后来我养成习惯：每次标定后，用同一组图跑三次，记录RPE标准差；每次产线维护后，必测镜头温度与扭矩；所有标定参数文件名强制包含日期+温度+扭矩（如calib_20240615_T25.3_Nm0.35.yml）。这些不是仪式感，而是把玄学变成可追溯的工程动作。希望帮到你。

本文还有配套的精品资源，点击获取