简介：这份资源是面向计算机视觉学习者与工程师的相机标定项目源码包，聚焦相机内参标定与双目标定两大核心任务，支持多种相机模型与多种标定板，可服务于机器人视觉、自动驾驶、三维重建、视频监控等场景，适合具备一定图像处理基础、希望深入理解标定流程的中高级开发者。压缩包共223个文件，约24.15MB，以170张jpg标定图像、17个h头文件、15个cc实现文件为主，辅以yaml配置、pdf文档、md说明及少量py脚本，涵盖相机模型参数估计、外参求解、标定板角点检测、图像预处理、畸变校正与结果验证等模块，并包含张正友标定法等经典实现。目前已有420人学习下载。读者可借此梳理从特征点提取到参数优化的完整链路，对照源码理解不同相机模型与标定板的适配差异，并参考其目录组织与接口设计，快速搭建自己的标定实验环境。

1. 相机标定项目拆解：内参+双目+多模型多标定板，一套源码怎么落地

做过视觉项目的人多半遇到过这种场景：同一台相机，昨天测出来的焦距和今天差了几个像素，双目测距忽远忽近，机械臂抓取总是偏那么一两毫米。排查半天，问题不在算法，而在标定。相机标定就是求解相机成像几何模型参数的过程，内参标定解决单目相机焦距、主点、畸变系数，双目标定在此基础上还要解出两个相机之间的旋转和平移关系。这个项目标题里提到的“支持多种相机模型+多种标定板”，意味着它不是只跑一个 OpenCV 示例，而是把针孔、鱼眼、以及不同标定板类型都纳入了同一套流程。适合谁？做机器人视觉、自动驾驶感知、工业测量、三维重建的工程师，尤其是手里有 D435i 这类深度相机、需要自己重新标定而不是直接用出厂参数的场景。下面按“概念选型→单目内参→双目标定→避坑→进阶验证”的顺序，把可复现的路径讲清楚。

2. 相机模型与标定板选型：先搞清楚你手里的相机该用哪套参数

2.1 针孔、鱼眼、以及为什么不能一套参数打天下

相机模型本质是把三维世界点投影到二维像素的数学映射。最常见的是针孔模型加径向切向畸变，OpenCV 里对应cv2.CALIB_MODEL_PINHOLE或默认的calibrateCamera。它的参数向量通常是 4 个内参（fx, fy, cx, cy）加 5 个畸变系数（k1, k2, p1, p2, k3）。这套模型在普通工业相机、USB 摄像头上够用，视场角一般小于 120 度。

但如果你用的是鱼眼镜头或者 D435i 的广角红外相机，针孔模型会在边缘产生巨大残差。这时需要鱼眼模型，OpenCV 提供cv2.fisheye模块，参数是 4 个内参加 4 个畸变系数（k1~k4），投影函数用的是等距投影而不是小孔成像。项目标题说“支持多种相机模型”，落地时通常就是根据相机类型选择不同的标定函数和畸变参数维度。

还有一类是 omnidirectional 或 MEI 模型，用于视场角超过 180 度的折反射相机。这类模型在 OpenCV 里没有直接内置，常见做法是用cv2.calibrateCamera配合自定义投影函数，或者用 Kalibr 这类工具。我一般会先看相机规格书里的视场角和镜头类型，再决定用哪套模型。选错了模型，后面重投影误差怎么调都下不来。

提示：D435i 的 RGB 模块可以用针孔模型，但红外双目模块建议用鱼眼模型或至少允许更多畸变系数，否则边缘深度值会明显漂移。

2.2 棋盘格、圆点阵、ChArUco：标定板怎么选、怎么摆

标定板的选择直接影响角点检测精度和标定鲁棒性。常见三类：

项目标题说“支持多种标定板”，落地时通常就是封装了findChessboardCorners、findCirclesGrid和CharucoDetector三条路径。我一般会优先用 ChArUco，因为它允许你在标定过程中实时看到哪些视角已经覆盖、哪些区域还缺数据，不用等跑完才发现某块区域没有样本。

标定板摆放有几个硬性要求：至少 10 到 20 个不同姿态，覆盖图像中心、四角、边缘；倾斜角度不要超过 45 度，否则角点检测容易失败；标定板要平整，打印后贴在硬质平板上，翘曲会直接引入系统误差。双目标定还要保证标定板同时出现在左右图像中，且尽量覆盖双目共同视场的各个区域。

2.3 从标题到落地：一套标定源码通常包含哪些模块

一个能打的标定项目，源码结构一般分四层：图像采集与标定板检测、单目标定、双目标定、结果验证与导出。采集部分负责读相机流或图像文件夹，检测部分根据标定板类型调用对应函数，单目标定输出内参和畸变，双目标定在单目基础上用stereoCalibrate求解外参，最后用重投影误差和极线校正效果来验证。

如果你拿到的是“项目源码”，先看它有没有把相机模型和标定板类型做成可配置参数。好的实现会把模型类型、标定板尺寸、方格大小、图像路径都放在配置文件里，而不是硬编码。这样你换一台相机只需要改配置，不用动代码。下面几章按这个流程逐步展开。

3. 单目内参标定实操：从采集图像到重投影误差低于 0.3 像素

3.1 采集与角点检测：为什么你的标定结果总是不稳

单目标定的第一步是采集足够多且姿态丰富的标定板图像。我一般会采集 20 到 30 张，太少会导致参数欠约束，太多则可能引入模糊或运动模糊的坏样本。采集时注意：光照均匀，避免反光；标定板在图像中占比 1/3 到 1/2；每张图都要完整出现在画面内，不要切边。

角点检测用cv2.findChessboardCorners配合cv2.cornerSubPix做亚像素优化。这一步的精度直接决定标定上限。常见翻车点是棋盘格行列数传错，比如内角点数是 9x6，你传了 10x7，函数直接返回 False。另一个坑是图像格式，OpenCV 读进来是 BGR，但角点检测只关心灰度，所以先转灰度再检测。

import cv2 import numpy as np import glob # 棋盘格内角点行列数，注意是内角点，不是方格数 pattern_size = (9, 6) square_size = 25.0 # 毫米，实际方格边长 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objp = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp *= square_size objpoints = [] imgpoints = [] images = glob.glob('calib_images/*.jpg') for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: corners_refined = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners_refined) else: print(f'角点检测失败: {fname}') print(f'有效图像: {len(objpoints)} / {len(images)}')

这段代码里pattern_size是内角点数，比如 9x6 的棋盘格有 10x7 个方格，但内角点是 9x6。square_size是实际物理尺寸，单位要和后续双目平移向量一致，一般用毫米。cornerSubPix的搜索窗口 11x11 是经验值，图像分辨率高时可以适当加大。如果有效图像少于 10 张，标定结果基本不可信，需要重新采集。

3.2 调用 calibrateCamera：参数怎么设、返回值怎么看

拿到角点后调用cv2.calibrateCamera。这个函数的核心参数是图像尺寸、三维点、二维点、以及 flags。flags 里常用的是cv2.CALIB_FIX_ASPECT_RATIO和cv2.CALIB_ZERO_TANGENT_DIST，前者固定 fx/fy 比例，后者强制切向畸变为零。对于大多数工业相机，切向畸变很小，可以固定为零来减少参数数量，提高稳定性。

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None, flags=cv2.CALIB_FIX_ASPECT_RATIO ) print('内参矩阵:\n', mtx) print('畸变系数:', dist.ravel()) print('平均重投影误差:', ret) # 计算每张图的重投影误差，找出坏样本 total_err = 0 for i in range(len(objpoints)): imgpoints_proj, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) err = cv2.norm(imgpoints[i], imgpoints_proj, cv2.NORM_L2) / len(imgpoints_proj) total_err += err if err > 0.5: print(f'第 {i} 张图误差偏大: {err:.3f} 像素') print(f'整体平均误差: {total_err / len(objpoints):.3f} 像素')

ret是平均重投影误差，单位是像素。一般要求低于 0.5 像素，低于 0.3 算优秀。如果高于 1 像素，说明角点检测有问题或者标定板不平整。mtx是 3x3 内参矩阵，dist是畸变系数。注意CALIB_FIX_ASPECT_RATIO会让 fx 和 fy 成比例，如果相机像素不是正方形，这个 flag 可能引入偏差，可以先不加，看结果再决定。

3.3 畸变校正验证：用 undistort 看边缘是否拉直

标定完必须做畸变校正验证。用cv2.undistort对原图去畸变，看直线是否变直，尤其是图像边缘。如果边缘还有明显弯曲，说明畸变系数没解好，可能是样本没有覆盖边缘区域。

img = cv2.imread('calib_images/test.jpg') h, w = img.shape[:2] newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) dst = cv2.undistort(img, mtx, dist, None, newcameramtx) cv2.imwrite('undistorted.jpg', dst)

getOptimalNewCameraMatrix的最后一个参数 alpha 控制保留多少边缘像素。alpha=0 会裁掉所有无效像素，alpha=1 保留全部但可能有黑边。我一般用 alpha=0.5 到 1 之间，看实际需求。如果校正后边缘仍然弯曲，回到采集步骤，增加边缘区域的标定板图像。

4. 双目标定：从单目内参到 stereoCalibrate 的完整链路

4.1 双目为什么要先单目标定再标外参

双目相机标定不是直接扔两张图进去就完事。标准流程是：先分别对左右相机做单目标定，得到各自的内参和畸变系数；然后用cv2.stereoCalibrate在已知内参的基础上求解右相机相对于左相机的旋转矩阵 R 和平移向量 T。这样做的好处是参数解耦，单目内参的精度不会和外参混在一起优化，出问题时容易定位。

如果跳过单目直接做双目标定，stereoCalibrate会同时优化所有参数，包括两个相机的内参和外参。参数维度高，容易陷入局部最优，而且你无法判断误差是来自内参还是外参。所以常见做法是：单目标定拿到稳定的内参后，在stereoCalibrate里用cv2.CALIB_FIX_INTRINSIC固定内参，只优化外参。

4.2 stereoCalibrate 调用与极线校正

双目标定需要左右相机同时拍摄同一块标定板，且标定板在左右图中都能检测到角点。采集时注意左右相机同步，如果是硬件触发最好，软件触发要保证时间差小于 1 毫秒，否则运动模糊会导致角点错位。

# 假设左右相机分别已经得到 objpoints, imgpoints_left, imgpoints_right # 且左右图像尺寸一致 ret, mtx_l, dist_l, mtx_r, dist_r, R, T, E, F = cv2.stereoCalibrate( objpoints, imgpoints_left, imgpoints_right, mtx_l, dist_l, mtx_r, dist_r, gray_left.shape[::-1], flags=cv2.CALIB_FIX_INTRINSIC, criteria=(cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 1e-5) ) print('双目重投影误差:', ret) print('旋转矩阵 R:\n', R) print('平移向量 T:\n', T.ravel())

ret是双目重投影误差，一般要求低于 0.5 像素。R和T是右相机相对于左相机的位姿。T的模长就是双目基线，单位和你标定板尺寸一致。如果基线明显偏离实际值，检查标定板尺寸是否填错。

拿到 R 和 T 后，用cv2.stereoRectify做极线校正，让左右图像的极线水平对齐。这一步是后续双目匹配和深度计算的基础。

R1, R2, P1, P2, Q, roi1, roi2 = cv2.stereoRectify( mtx_l, dist_l, mtx_r, dist_r, gray_left.shape[::-1], R, T, flags=cv2.CALIB_ZERO_DISPARITY, alpha=0 ) # 生成映射表，用于实时校正 map1x, map1y = cv2.initUndistortRectifyMap(mtx_l, dist_l, R1, P1, gray_left.shape[::-1], cv2.CV_32FC1) map2x, map2y = cv2.initUndistortRectifyMap(mtx_r, dist_r, R2, P2, gray_right.shape[::-1], cv2.CV_32FC1)

Q是视差到深度的重投影矩阵，后续用cv2.reprojectImageTo3D可以直接得到三维点云。alpha=0表示校正后裁掉无效区域，适合实时系统。如果要做完整视场分析，用alpha=1。

4.3 用极线校正效果判断双目标定是否合格

双目标定合不合格，最直观的验证是极线校正。校正后，左右图像中同一物体应该在同一水平线上。你可以打开校正后的左右图，找几个特征点，看它们的 y 坐标是否一致。如果偏差超过 1 到 2 像素，说明外参不够准。

另一个验证是看stereoRectify输出的roi1和roi2，如果有效区域太小，说明两个相机共同视场覆盖不够，或者标定板姿态没有覆盖共同视场。这时需要重新采集，确保标定板在左右图中都出现在各个区域。

注意：D435i 这类双目结构光相机，红外发射器会干扰标定板检测。标定时用不透明胶带遮住红外发射器，只用红外双目图像做标定，否则角点检测会被散斑干扰。

5. 标定避坑与排查：那些让重投影误差下不来的真实原因

5.1 角点检测失败或角点顺序错乱

现象：findChessboardCorners返回 False，或者检测到的角点顺序和预期不一致，导致标定结果完全错误。

原因：棋盘格行列数传错是最常见的。比如标定板是 10x7 方格，内角点应该是 9x6，你传了 10x7 就永远检测不到。另一个原因是图像模糊或光照不均，角点对比度不够。角点顺序错乱通常发生在标定板旋转角度过大时，检测算法把起始角点认到了另一侧。

解决：先用一张清晰图像单独测试findChessboardCorners，确认行列数正确。如果图像模糊，重新采集。对于大角度旋转，可以在检测前做直方图均衡化，或者改用 ChArUco 板，它的 ArUco 码能提供唯一 ID，不会出现顺序错乱。

5.2 重投影误差低于 0.3 但实际使用仍然不准

现象：标定报告显示平均重投影误差 0.2 像素，但拿去做测距或三维重建，误差却有几十毫米。

原因：重投影误差只反映标定板角点的拟合程度，不反映标定板本身的平整度和尺寸精度。如果标定板打印后翘曲，或者方格尺寸测量不准，角点拟合再好，物理尺度也是错的。另一个原因是标定板姿态覆盖不均匀，所有图像都集中在图像中心，边缘畸变没有被约束。

解决：用硬质平板贴标定板，打印时用高精度打印机。方格尺寸用游标卡尺实测，不要直接用打印设置里的标称值。采集时强制覆盖图像四角和边缘，至少 30% 的图像中标定板位于边缘区域。

5.3 双目基线跳变或深度图出现大面积空洞

现象：双目标定后，基线值每次标定都不一样，或者深度图中间出现大片无值区域。

原因：基线跳变通常是左右相机同步没做好，运动模糊导致角点错位。深度空洞则可能是极线校正后有效区域太小，或者双目匹配算法在纹理缺失区域失败。

解决：双目采集时用硬件触发或至少保证静止拍摄。如果必须动态拍摄，提高快门速度到 1/500 秒以上。深度空洞问题先检查stereoRectify的roi，如果有效区域小于 60%，重新采集标定图像，确保标定板覆盖共同视场的各个角落。

5.4 鱼眼模型标定后边缘仍然弯曲

现象：用cv2.fisheye.calibrate标定后，去畸变图像边缘仍然有弯曲，或者出现奇怪的拉伸。

原因：鱼眼模型的畸变系数 k1~k4 需要足够的边缘样本才能解好。如果标定板图像都集中在中心，边缘畸变没有被约束，k3 和 k4 会解得很随意。另一个原因是鱼眼标定对初值敏感，cv2.fisheye.calibrate需要传入内参初值，如果初值偏差太大，优化会失败。

解决：采集时让标定板出现在图像边缘，至少 10 张图像中标定板位于边缘区域。内参初值可以用针孔模型先标一次，把结果作为鱼眼标定的初值。如果还是不行，尝试固定 k3 和 k4 为零，只解 k1 和 k2，看边缘是否改善。

5.5 标定结果在不同分辨率下不通用

现象：在 1280x720 下标定得到内参，换到 640x480 直接用，结果完全不对。

原因：内参矩阵中的 fx、fy、cx、cy 都是像素单位，和图像分辨率直接相关。分辨率改变后，这些参数需要按比例缩放。畸变系数是无量纲的，通常不变，但某些模型下也会受影响。

解决：换分辨率后重新标定，或者按比例缩放内参。缩放公式：fx_new = fx_old * (w_new / w_old)，fy 同理，cx 和 cy 也按比例缩放。但注意，如果相机做了裁剪而不是缩放，主点偏移需要单独计算。最稳妥的做法是每个分辨率单独标定。

6. 标定结果验证与进阶技巧：用极线误差和三维重建做最终裁判

标定完别急着收工，重投影误差只是及格线，真正能说明问题的是极线误差和三维重建精度。我一般会做两步验证。

第一步，极线误差检查。用stereoRectify校正后，在左右图中手动找 10 到 20 对匹配点，计算它们的 y 坐标差值。如果平均差值小于 0.5 像素，说明双目标定合格。如果大于 1 像素，回到stereoCalibrate检查外参。可以用下面的代码快速计算：

# 假设 pts_left 和 pts_right 是校正后左右图中的匹配点，形状为 Nx2 pts_left = np.array([[100, 200], [300, 400], [500, 300]], dtype=np.float32) pts_right = np.array([[95, 200.5], [295, 400.3], [495, 300.2]], dtype=np.float32) y_diff = np.abs(pts_left[:, 1] - pts_right[:, 1]) print(f'平均极线误差: {y_diff.mean():.3f} 像素') print(f'最大极线误差: {y_diff.max():.3f} 像素')

第二步，三维重建验证。用校正后的图像做双目匹配，生成视差图，再用reprojectImageTo3D得到三维点云。拿一个已知尺寸的物体放在视场中，测量点云中对应点的距离，和实际尺寸对比。如果误差在 1% 以内，标定结果可以放心用。如果误差超过 5%，检查标定板尺寸和基线是否准确。

进阶技巧方面，如果你经常需要重新标定，可以把整个流程封装成配置文件驱动。相机模型、标定板类型、图像路径、输出路径都写在 YAML 里，换相机只改配置。另外，标定结果要保存成可读格式，比如 JSON 或 YAML，方便后续程序加载。我习惯把内参、畸变、双目外参、极线校正映射表全部存到一个文件里，部署时直接读，避免每次重新标定。

还有一个血泪经验：标定环境尽量和实际使用环境一致。温度变化会导致镜头轻微形变，如果标定时在空调房，使用时在户外高温，内参会漂移。工业场景下，我一般会在工作温度下静置相机 30 分钟再标定。标定板不用时放在干燥箱里，避免受潮翘曲。这些细节看起来玄学，但翻车的时候往往就是它们。

希望帮到你。

本文还有配套的精品资源，点击获取