尧图网站建设 
简介面向VC与OpenCV开发者的张正友标定实现资源包适合需要处理镜头畸变、求解相机内参外参的初学者与相关工程人员。资源核心为一份完整的Calibrate.cpp源码覆盖棋盘格图像采集、角点检测与亚像素细化、calibrateCamera参数求解以及undistort畸变校正等关键步骤代码简洁直观可运行、可改造非常适合对照学习同时包含对图像质量、拍摄角度和数据处理的注意事项有助于减少标定失败。rar压缩包内共13个文件包括cpp源码、可执行exe、pdb/ilk调试符号、dsp/dsw工程配置等多种类型能在Visual C环境中打开调试工程结构不臃肿压缩后仅1.34MB便于快速部署或教学演示也可在此基础上继续扩展标定工具。已有253人浏览学习对想理解张正友标定法在OpenCV中实际落地方式的开发者这是一个极具参考价值的轻量实例。1. 什么是张正友标定法为什么要用它1.1 先弄清你标定的到底是什么问题做机器视觉、双目立体匹配、三维重建、SLAM或者机器人抓取绕不开一件事相机拍到的二维像素点怎么换算成真实世界里的三维坐标。这个“换算规则”就是相机的内外参数。内参是焦距、主点、畸变系数外参是相机在世界坐标系中的旋转和平移。张正友标定法就是目前最主流、最通用的相机标定方法1998年由张正友提出用一块平面棋盘格搞定内外参求解速度快、精度高、操作门槛低。拿个最朴素的例子来说——你想用机械臂去抓一个零件相机看到的是某个像素坐标 (u, v)但这个点到底在机器人坐标系里是 (x, y, z) 多少必须靠标定把相机内参定准再配合外参做手眼标定才能把像素坐标换到机器人坐标系。内参不准后面任何一步都是白搭。张正友法的核心能力就是给你一组带畸变的棋盘格照片通过角点检测加单应性矩阵求解算出相机的焦距、主点、畸变系数顺带还能算出每张图对应的外参。如果你是学生或者刚入门的工程师第一次用OpenCV调calibrateCamera就能跑通流程这很正常但真正理解每一步背后的几何含义才能在你换相机、换镜头、项目精度要求高的时候不慌。这篇文章就把张正友法的原理拆开把实操细节和踩坑点讲清楚。1.2 张正友巧妙在哪里在张正友法出现之前传统标定多用三维标定块需要精密的立体靶标一块金属箱子带多个已知三维坐标的方块制作成本高且不能有丝毫变形。自标定Self Calibration又不依赖标定物但鲁棒性差用FaK波段等封闭约束求解在实际场景里经常发散。张正友的办法是折中只用一块平面棋盘格通过多个视角拍摄利用平面靶标上的共面点建立每张图的单应性矩阵再线性求解内参初值之后用最大似然估计做非线性优化把畸变系数一起迭代出来。它的巧妙之处在于把“平面”这件事用到了极致。棋盘格上所有角点都在同一平面上于是Z坐标为0这样单应性矩阵H就天然退化成一个 3×3 的矩阵关键信息都被压缩在里面。张正友从H矩阵出发推导出一组约束方程直接就能解出内参矩阵的闭式解。不是靠猜不是靠迭代乱跑而是先有解析解再把精度提上去。2. 标定前准备棋盘格和拍摄规范2.1 棋盘格的选择与制作棋盘格听起来简单实际选型和制作有讲究。最常见的棋盘格是黑白交替方格但需要注意两个关键词内角点interior corners和格子数量。OpenCV的findChessboardCorners需要的尺寸是内角点的数量比如你打印的棋盘格有 9×7 个格子内角点就是 8×6。这是一个特别容易踩的坑——很多人直接把格子数填进去结果角点检测就是找不对。格子尺寸要结合你的场景来定。做近距离的机械臂抓取格子边长 20mm 到 30mm 比较合适如果用在工业测量或者远距离场景边长可能需要 50mm 甚至更大。精度要求高的场景不要把棋盘格打印在普通A4纸上纸会变形、会反光、会褶皱我都见过。最好用胶版纸打印后贴到硬质铝板或者亚克力板上让靶标尽量平。你要是只是做着玩打印在硬卡纸上也行但心里要有数精度上限就摆在那里。镜头焦距和棋盘格的视场占比也有关系。标定时棋盘格在画面里至少要占三分之一以上太小了角点检测容易糊角点亚像素提取的精度也会下降。2.2 一张合格标定图的拍摄要领拍标定图看起来很简单拿着棋盘格转一转就行。但拍得规不规范直接决定标定结果。我总结下来这几个要素缺一不可多角度必须让棋盘格在相机前方呈现不同姿态倾斜、旋转、俯仰都要有这个角度变化至少要在20度以上最好有45度左右的倾斜不要只在一个平面上平移。多距离要有近景、中景、远景让靶标尺寸在画面中占的比例有变化这样畸变参数才约束得住。多位置要覆盖画面的中心和边缘尤其要尽量靠近视野的四角因为镜头的径向畸变在边缘最明显如果你只把棋盘格放在画面中央畸变系数基本就是靠猜。光照均匀避免强反光、局部过曝、阴影遮挡棋盘格上的角点才会黑白分明。平面靶标能不能有一点倾斜可以但不要太大过度倾斜会让角点检测变得极其不稳定。一般视角不超过60度为好。还有一个我踩过很多次的坑拍的时候相机或者棋盘格在运动导致画面模糊。虽然findChessboardCorners对轻微模糊还有一定容忍度但运动模糊会让cornerSubPix的亚像素定位精度大打折扣。我建议每拍一张就快速检查一下图像清晰度模糊的直接删掉。拍摄数量多少合适我个人的标准是15到20张。少于10张畸变模型容易过拟合多于30张带来的是边际收益递减除非你要标定超大广角镜头。这里有一个常见的误区拍得越多越好其实关键是多角度、多距离而不是同一角度多拍。3. 实操步骤与代码实现3.1 环境与核心流程概览我用Python加OpenCV来演示。OpenCV从3.0开始集成了完整的张正友标定流程接口是cv2.calibrateCamera。整个流程无非就是这几步准备棋盘格的物理尺寸定义三维点世界坐标Z全部设为0。读取标定图像转成灰度图。findChessboardCorners找到棋盘格上的内角点再用cornerSubPix做亚像素精化。calibrateCamera求解内参、畸变系数和每一帧的外参。用重投影误差评估标定质量必要时剔除误差大的图像重标定。这套流程你可能在无数教程里看到过但很多人不知道每一步的默认参数和结果格式容易踩坑。比如findChessboardCorners返回的角点顺序是从图像的左上角开始按行排列的但如果你旋转了棋盘格或者从后面拍摄顺序可能不一致这会直接影响标定结果所以拍摄时尽量保持棋盘格在一个大致统一的朝向。3.2 核心代码走一遍先定义世界坐标系下的棋盘格角点坐标。这里的关键是单位要统一我习惯用毫米。import cv2 import numpy as np import glob # 棋盘格内角点尺寸内角点 8x6格子边长 25mm CHECKERBOARD (8, 6) square_size 25.0 objp np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) objp * square_size objpoints [] # 世界坐标系中的角点每张图一个副本 imgpoints [] # 图像坐标系中的角点每张图一个副本 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, CHECKERBOARD, cv2.CALIB_CB_ADAPTIVE_THRESH cv2.CALIB_CB_FAST_CHECK cv2.CALIB_CB_NORMALIZE_IMAGE ) if ret: # 亚像素精化这一步直接影响最终精度 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners)随后调用标定接口ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print(重投影误差 RMS:, ret) print(内参矩阵:\n, mtx) print(畸变系数:, dist.ravel())标定完后如果你要来做去畸变用cv2.undistort即可但高性能应用里最好还是先算映射表h, w img.shape[:2] newcameramtx, roi cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) mapx, mapy cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w, h), cv2.CV_32FC1) dst cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)initUndistortRectifyMap这一步的作用是预先把整幅图像的映射关系算出来之后逐帧remap时速度会快很多不会每帧都去解畸变方程。这里有三个容易搞混的点gray.shape[::-1]是图像宽度和高度注意OpenCV的习惯是 (width, height)。calibrateCamera返回的mtx顺序是 fx, fy, cx, cy排列成 3×3 矩阵。dist的默认顺序是 [k1, k2, p1, p2, k3]只有当使用CALIB_RATIONAL_MODEL标志时才会返回更多畸变参数。3.3 关键结果参数怎么判读ret是重投影误差RMS单位是像素它表示所有角点投影回世界坐标后与原始图像检测到的角点之间的平均偏差。我这几年标定过不少相机经验是普通网络摄像头RMS小于0.5就算正常工业相机和高质量镜头能做到0.1以内。内参矩阵长这样[[fx 0 cx], [0 fy cy], [0 0 1]]fx和fy是归一化焦距像素单位cx和cy是主点坐标。如果你的相机宽和高分别是1280和1024主点通常应该在(640, 512)附近。如果偏离很离谱比如跑到了(900, 300)基本可以断定标定图数量不够或者多张图像质量有问题。畸变系数里k1、k2是径向畸变p1、p2是切向畸变。普通镜头用4个参数就够鱼眼镜头得用fisheye模块或者最多解到k6如果你用了带大畸变的广角镜头记得在calibrateCamera里加cv2.CALIB_RATIONAL_MODEL标志把k3也解出来。4. 张正友标定法和几种常见标定法对比4.1 传统标定、自标定、张正友法怎么选张正友法不是唯一的标定方式但它的综合性价比在绝大多数场景里是最优的。横向对比几种主流方法你可以更清楚什么时候该选它什么时候该换别的方法标定物精度灵活性典型应用传统标定如Tsai两步法三维立体靶标高低需要精密靶标实验室、高精度视觉测量张正友法平面棋盘格高高靶标易制作机器视觉、SLAM、三维重建自标定无一般高无需靶标未知场景、纯旋转采集DLT直接线性变换6个以上3D-2D点对中等中等需要空间点坐标单应估计、标定初值传统标定里的Tsai两步法很经典第一步解线性参数第二步考虑畸变再做非线性优化。但它依赖三维立体靶标靶标加工精度不够的话误差会直接传递给标定结果。很多实验室用亚克力加工的立体标定块看上去很精致实际上每个面的垂直度和间距精度也不一定比A4纸打印的棋盘格高到哪里去这就是张正友法的明显优势——你只需要保证平面度平面精度好控制得多这也是它后来大规模取代传统立体靶标的原因。自标定不需要标定物通过移动相机采集多帧图像利用绝对二次曲线/绝对二次曲面的约束来求解内参。听着很先进但方程约束往往不够稳容易出现数值发散标定结果经常飘得离谱。我在三维重建项目里试过几次自标定结论是除非你完全没有标定条件否则不要指望它给你高精度结果。4.2 什么场景必须用张正友法如果项目里涉及视觉测量比如机械臂引导、尺寸检测、AGV定位、双目深度估计张正友法几乎就是标配解法。原因在于它能在保证精度的情况下只要求一块平面靶标适合工程现场灵活部署。SfM和视觉SLAM场景中张正友法也常用来先离线标定好内参后续运行算法时固定内参减少在线优化的自由度提高系统稳定性。还有一个容易被忽视的点即使你已经买了出厂带标定文件的工业相机镜头一换内参就变了甚至同一颗镜头你动了调焦环焦距和主点都会漂移这时候还是得老老实实重新用张正友法标一遍。5. 常见问题与排错实录5.1 重投影误差太大怎么办标定完一看RMS超过了0.8甚至1.0别急着改代码先检查是哪些图像拖后腿。我会在标定结束后把每一张图的重投影误差单独打印出来找出误差明显偏大的个别图检查原因并剔除。# 计算每张图的平均重投影误差 mean_error 0 for i in range(len(objpoints)): imgpoints2, _ cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) error cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) print(f图像 {i} 重投影误差: {error:.4f})我遇到过很多次误差大的那张图要么是拍摄时手抖导致棋盘格边缘模糊要么是棋盘格反光导致角点检测偏移了几个像素。直接剔除后重新标定效果立竿见影。如果多张图误差都大那就要复盘拍摄过程了。常见的拍摄问题包括镜头对焦没有锁死、棋盘格不在同一个平面纸弯了、所有图像视角单一导致外参约束不够。特别是视角单一这个问题我见过有人拍了30张图全是正对棋盘格的误差照样大。提示标定前先检查每张图的角点检测质量可以在图上画出角点保存下来人工抽检。这一步花不了两分钟但能省掉后期一小时的排查时间。5.2 角点检测频繁失败findChessboardCorners找不到角点是新手碰到最多的报错。原因主要有三类第一棋盘格尺寸填错。注意是内角点数量不是格子数量。如果你的棋盘格是 9×9 个格子内角点就是 8×8。这里我建议一个自检方法先在纸上数清楚横向和纵向的内角点再填代码。第二图像和板的对比度不够。在光照很强的室外白色格子反光变白黑色格子受环境光影响变灰角点检测容易崩溃。解决办法是拍摄时把CALIB_CB_NORMALIZE_IMAGE和CALIB_CB_ADAPTIVE_THRESH都加上让OpenCV在检测前做图像归一化和自适应阈值分割。第三畸变太严重。广角镜头边缘的棋盘格会被扭曲得厉害OpenCV自带的findChessboardCorners在大畸变情况下经常失败。解决办法有两个一是把棋盘格尽量放在画面中心区域边缘部分适当保留但不要勉强二是可以用CALIB_CB_EXHAUSTIVE参数8.0版本让检测器多尝试一些排列组合但速度会慢很多。还有一个提升检测精度的技巧对低分辨率图像可以先放大再检测角点。比如640×480的图用cv2.resize放大到1280×960检测率会有明显提升检测到的角点坐标缩小回来即可。5.3 标定板拍摄的进阶技巧与避坑拍标定图时很多人喜欢把棋盘格拿在手里晃来晃去。实际拍摄时手部微动会导致图像轻微模糊尤其在光照不足、快门速度低的情况下。我现在的标准做法是把棋盘格贴在硬质板上拍摄时让板靠住任意稳定支撑物或者让另一只手托住板底。还有一个容易忽略的点标定过程中千万不能改变镜头的焦距。自动对焦镜头必须先锁定对焦或者直接切换到手动对焦模式。工业相机有的可以固定光圈和对焦环标定前一定要检查一遍。如果中途相机对焦发生了变化那所有图像的焦距不一致标定出来就是一团浆糊。拍摄时棋盘格的方向也需要考虑。如果所有图像里棋盘格的长边都在水平方向那图像的水平方向约束很好垂直方向可能约束不足导致fy的精度远差于fx。所以拍摄时要刻意旋转棋盘格保证90度方向、45度对角线方向都有覆盖让xy两个方向的内参都得到充分约束。最后聊一个很多项目里实际遇到的问题内参已知的情况下怎么验证标定准不准。你可以随便拍一张棋盘格用solvePnP解出外参然后检测这张棋盘格角点的重投影误差再看棋盘格的边缘在图像里是否明显弯曲。这个效果最直观也最适合向不懂视觉的同事证明你的标定结果靠不靠谱。个人体会是张正友法你跑通一遍并不难难的是在真实项目里让它稳定可靠。标定不是跑完calibrateCamera就结束了而是要去理解每一张图、每一个参数、每一项误差指标背后的物理意义。多拍、多试、多对比标定手感这个东西只能靠踩坑踩出来。如果你刚接触别贪快按文章里的规范拍20张图标定完画出角点图检查一遍再观察去畸变效果走完这一轮后面换相机、换镜头、上项目你都会心里有底。本文还有配套的精品资源点击获取 张正友相机标定法：原理、OpenCV实现与工程避坑指南
简介面向VC与OpenCV开发者的张正友标定实现资源包适合需要处理镜头畸变、求解相机内参外参的初学者与相关工程人员。资源核心为一份完整的Calibrate.cpp源码覆盖棋盘格图像采集、角点检测与亚像素细化、calibrateCamera参数求解以及undistort畸变校正等关键步骤代码简洁直观可运行、可改造非常适合对照学习同时包含对图像质量、拍摄角度和数据处理的注意事项有助于减少标定失败。rar压缩包内共13个文件包括cpp源码、可执行exe、pdb/ilk调试符号、dsp/dsw工程配置等多种类型能在Visual C环境中打开调试工程结构不臃肿压缩后仅1.34MB便于快速部署或教学演示也可在此基础上继续扩展标定工具。已有253人浏览学习对想理解张正友标定法在OpenCV中实际落地方式的开发者这是一个极具参考价值的轻量实例。1. 什么是张正友标定法为什么要用它1.1 先弄清你标定的到底是什么问题做机器视觉、双目立体匹配、三维重建、SLAM或者机器人抓取绕不开一件事相机拍到的二维像素点怎么换算成真实世界里的三维坐标。这个“换算规则”就是相机的内外参数。内参是焦距、主点、畸变系数外参是相机在世界坐标系中的旋转和平移。张正友标定法就是目前最主流、最通用的相机标定方法1998年由张正友提出用一块平面棋盘格搞定内外参求解速度快、精度高、操作门槛低。拿个最朴素的例子来说——你想用机械臂去抓一个零件相机看到的是某个像素坐标 (u, v)但这个点到底在机器人坐标系里是 (x, y, z) 多少必须靠标定把相机内参定准再配合外参做手眼标定才能把像素坐标换到机器人坐标系。内参不准后面任何一步都是白搭。张正友法的核心能力就是给你一组带畸变的棋盘格照片通过角点检测加单应性矩阵求解算出相机的焦距、主点、畸变系数顺带还能算出每张图对应的外参。如果你是学生或者刚入门的工程师第一次用OpenCV调calibrateCamera就能跑通流程这很正常但真正理解每一步背后的几何含义才能在你换相机、换镜头、项目精度要求高的时候不慌。这篇文章就把张正友法的原理拆开把实操细节和踩坑点讲清楚。1.2 张正友巧妙在哪里在张正友法出现之前传统标定多用三维标定块需要精密的立体靶标一块金属箱子带多个已知三维坐标的方块制作成本高且不能有丝毫变形。自标定Self Calibration又不依赖标定物但鲁棒性差用FaK波段等封闭约束求解在实际场景里经常发散。张正友的办法是折中只用一块平面棋盘格通过多个视角拍摄利用平面靶标上的共面点建立每张图的单应性矩阵再线性求解内参初值之后用最大似然估计做非线性优化把畸变系数一起迭代出来。它的巧妙之处在于把“平面”这件事用到了极致。棋盘格上所有角点都在同一平面上于是Z坐标为0这样单应性矩阵H就天然退化成一个 3×3 的矩阵关键信息都被压缩在里面。张正友从H矩阵出发推导出一组约束方程直接就能解出内参矩阵的闭式解。不是靠猜不是靠迭代乱跑而是先有解析解再把精度提上去。2. 标定前准备棋盘格和拍摄规范2.1 棋盘格的选择与制作棋盘格听起来简单实际选型和制作有讲究。最常见的棋盘格是黑白交替方格但需要注意两个关键词内角点interior corners和格子数量。OpenCV的findChessboardCorners需要的尺寸是内角点的数量比如你打印的棋盘格有 9×7 个格子内角点就是 8×6。这是一个特别容易踩的坑——很多人直接把格子数填进去结果角点检测就是找不对。格子尺寸要结合你的场景来定。做近距离的机械臂抓取格子边长 20mm 到 30mm 比较合适如果用在工业测量或者远距离场景边长可能需要 50mm 甚至更大。精度要求高的场景不要把棋盘格打印在普通A4纸上纸会变形、会反光、会褶皱我都见过。最好用胶版纸打印后贴到硬质铝板或者亚克力板上让靶标尽量平。你要是只是做着玩打印在硬卡纸上也行但心里要有数精度上限就摆在那里。镜头焦距和棋盘格的视场占比也有关系。标定时棋盘格在画面里至少要占三分之一以上太小了角点检测容易糊角点亚像素提取的精度也会下降。2.2 一张合格标定图的拍摄要领拍标定图看起来很简单拿着棋盘格转一转就行。但拍得规不规范直接决定标定结果。我总结下来这几个要素缺一不可多角度必须让棋盘格在相机前方呈现不同姿态倾斜、旋转、俯仰都要有这个角度变化至少要在20度以上最好有45度左右的倾斜不要只在一个平面上平移。多距离要有近景、中景、远景让靶标尺寸在画面中占的比例有变化这样畸变参数才约束得住。多位置要覆盖画面的中心和边缘尤其要尽量靠近视野的四角因为镜头的径向畸变在边缘最明显如果你只把棋盘格放在画面中央畸变系数基本就是靠猜。光照均匀避免强反光、局部过曝、阴影遮挡棋盘格上的角点才会黑白分明。平面靶标能不能有一点倾斜可以但不要太大过度倾斜会让角点检测变得极其不稳定。一般视角不超过60度为好。还有一个我踩过很多次的坑拍的时候相机或者棋盘格在运动导致画面模糊。虽然findChessboardCorners对轻微模糊还有一定容忍度但运动模糊会让cornerSubPix的亚像素定位精度大打折扣。我建议每拍一张就快速检查一下图像清晰度模糊的直接删掉。拍摄数量多少合适我个人的标准是15到20张。少于10张畸变模型容易过拟合多于30张带来的是边际收益递减除非你要标定超大广角镜头。这里有一个常见的误区拍得越多越好其实关键是多角度、多距离而不是同一角度多拍。3. 实操步骤与代码实现3.1 环境与核心流程概览我用Python加OpenCV来演示。OpenCV从3.0开始集成了完整的张正友标定流程接口是cv2.calibrateCamera。整个流程无非就是这几步准备棋盘格的物理尺寸定义三维点世界坐标Z全部设为0。读取标定图像转成灰度图。findChessboardCorners找到棋盘格上的内角点再用cornerSubPix做亚像素精化。calibrateCamera求解内参、畸变系数和每一帧的外参。用重投影误差评估标定质量必要时剔除误差大的图像重标定。这套流程你可能在无数教程里看到过但很多人不知道每一步的默认参数和结果格式容易踩坑。比如findChessboardCorners返回的角点顺序是从图像的左上角开始按行排列的但如果你旋转了棋盘格或者从后面拍摄顺序可能不一致这会直接影响标定结果所以拍摄时尽量保持棋盘格在一个大致统一的朝向。3.2 核心代码走一遍先定义世界坐标系下的棋盘格角点坐标。这里的关键是单位要统一我习惯用毫米。import cv2 import numpy as np import glob # 棋盘格内角点尺寸内角点 8x6格子边长 25mm CHECKERBOARD (8, 6) square_size 25.0 objp np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) objp * square_size objpoints [] # 世界坐标系中的角点每张图一个副本 imgpoints [] # 图像坐标系中的角点每张图一个副本 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, CHECKERBOARD, cv2.CALIB_CB_ADAPTIVE_THRESH cv2.CALIB_CB_FAST_CHECK cv2.CALIB_CB_NORMALIZE_IMAGE ) if ret: # 亚像素精化这一步直接影响最终精度 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners)随后调用标定接口ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print(重投影误差 RMS:, ret) print(内参矩阵:\n, mtx) print(畸变系数:, dist.ravel())标定完后如果你要来做去畸变用cv2.undistort即可但高性能应用里最好还是先算映射表h, w img.shape[:2] newcameramtx, roi cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) mapx, mapy cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w, h), cv2.CV_32FC1) dst cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)initUndistortRectifyMap这一步的作用是预先把整幅图像的映射关系算出来之后逐帧remap时速度会快很多不会每帧都去解畸变方程。这里有三个容易搞混的点gray.shape[::-1]是图像宽度和高度注意OpenCV的习惯是 (width, height)。calibrateCamera返回的mtx顺序是 fx, fy, cx, cy排列成 3×3 矩阵。dist的默认顺序是 [k1, k2, p1, p2, k3]只有当使用CALIB_RATIONAL_MODEL标志时才会返回更多畸变参数。3.3 关键结果参数怎么判读ret是重投影误差RMS单位是像素它表示所有角点投影回世界坐标后与原始图像检测到的角点之间的平均偏差。我这几年标定过不少相机经验是普通网络摄像头RMS小于0.5就算正常工业相机和高质量镜头能做到0.1以内。内参矩阵长这样[[fx 0 cx], [0 fy cy], [0 0 1]]fx和fy是归一化焦距像素单位cx和cy是主点坐标。如果你的相机宽和高分别是1280和1024主点通常应该在(640, 512)附近。如果偏离很离谱比如跑到了(900, 300)基本可以断定标定图数量不够或者多张图像质量有问题。畸变系数里k1、k2是径向畸变p1、p2是切向畸变。普通镜头用4个参数就够鱼眼镜头得用fisheye模块或者最多解到k6如果你用了带大畸变的广角镜头记得在calibrateCamera里加cv2.CALIB_RATIONAL_MODEL标志把k3也解出来。4. 张正友标定法和几种常见标定法对比4.1 传统标定、自标定、张正友法怎么选张正友法不是唯一的标定方式但它的综合性价比在绝大多数场景里是最优的。横向对比几种主流方法你可以更清楚什么时候该选它什么时候该换别的方法标定物精度灵活性典型应用传统标定如Tsai两步法三维立体靶标高低需要精密靶标实验室、高精度视觉测量张正友法平面棋盘格高高靶标易制作机器视觉、SLAM、三维重建自标定无一般高无需靶标未知场景、纯旋转采集DLT直接线性变换6个以上3D-2D点对中等中等需要空间点坐标单应估计、标定初值传统标定里的Tsai两步法很经典第一步解线性参数第二步考虑畸变再做非线性优化。但它依赖三维立体靶标靶标加工精度不够的话误差会直接传递给标定结果。很多实验室用亚克力加工的立体标定块看上去很精致实际上每个面的垂直度和间距精度也不一定比A4纸打印的棋盘格高到哪里去这就是张正友法的明显优势——你只需要保证平面度平面精度好控制得多这也是它后来大规模取代传统立体靶标的原因。自标定不需要标定物通过移动相机采集多帧图像利用绝对二次曲线/绝对二次曲面的约束来求解内参。听着很先进但方程约束往往不够稳容易出现数值发散标定结果经常飘得离谱。我在三维重建项目里试过几次自标定结论是除非你完全没有标定条件否则不要指望它给你高精度结果。4.2 什么场景必须用张正友法如果项目里涉及视觉测量比如机械臂引导、尺寸检测、AGV定位、双目深度估计张正友法几乎就是标配解法。原因在于它能在保证精度的情况下只要求一块平面靶标适合工程现场灵活部署。SfM和视觉SLAM场景中张正友法也常用来先离线标定好内参后续运行算法时固定内参减少在线优化的自由度提高系统稳定性。还有一个容易被忽视的点即使你已经买了出厂带标定文件的工业相机镜头一换内参就变了甚至同一颗镜头你动了调焦环焦距和主点都会漂移这时候还是得老老实实重新用张正友法标一遍。5. 常见问题与排错实录5.1 重投影误差太大怎么办标定完一看RMS超过了0.8甚至1.0别急着改代码先检查是哪些图像拖后腿。我会在标定结束后把每一张图的重投影误差单独打印出来找出误差明显偏大的个别图检查原因并剔除。# 计算每张图的平均重投影误差 mean_error 0 for i in range(len(objpoints)): imgpoints2, _ cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) error cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) print(f图像 {i} 重投影误差: {error:.4f})我遇到过很多次误差大的那张图要么是拍摄时手抖导致棋盘格边缘模糊要么是棋盘格反光导致角点检测偏移了几个像素。直接剔除后重新标定效果立竿见影。如果多张图误差都大那就要复盘拍摄过程了。常见的拍摄问题包括镜头对焦没有锁死、棋盘格不在同一个平面纸弯了、所有图像视角单一导致外参约束不够。特别是视角单一这个问题我见过有人拍了30张图全是正对棋盘格的误差照样大。提示标定前先检查每张图的角点检测质量可以在图上画出角点保存下来人工抽检。这一步花不了两分钟但能省掉后期一小时的排查时间。5.2 角点检测频繁失败findChessboardCorners找不到角点是新手碰到最多的报错。原因主要有三类第一棋盘格尺寸填错。注意是内角点数量不是格子数量。如果你的棋盘格是 9×9 个格子内角点就是 8×8。这里我建议一个自检方法先在纸上数清楚横向和纵向的内角点再填代码。第二图像和板的对比度不够。在光照很强的室外白色格子反光变白黑色格子受环境光影响变灰角点检测容易崩溃。解决办法是拍摄时把CALIB_CB_NORMALIZE_IMAGE和CALIB_CB_ADAPTIVE_THRESH都加上让OpenCV在检测前做图像归一化和自适应阈值分割。第三畸变太严重。广角镜头边缘的棋盘格会被扭曲得厉害OpenCV自带的findChessboardCorners在大畸变情况下经常失败。解决办法有两个一是把棋盘格尽量放在画面中心区域边缘部分适当保留但不要勉强二是可以用CALIB_CB_EXHAUSTIVE参数8.0版本让检测器多尝试一些排列组合但速度会慢很多。还有一个提升检测精度的技巧对低分辨率图像可以先放大再检测角点。比如640×480的图用cv2.resize放大到1280×960检测率会有明显提升检测到的角点坐标缩小回来即可。5.3 标定板拍摄的进阶技巧与避坑拍标定图时很多人喜欢把棋盘格拿在手里晃来晃去。实际拍摄时手部微动会导致图像轻微模糊尤其在光照不足、快门速度低的情况下。我现在的标准做法是把棋盘格贴在硬质板上拍摄时让板靠住任意稳定支撑物或者让另一只手托住板底。还有一个容易忽略的点标定过程中千万不能改变镜头的焦距。自动对焦镜头必须先锁定对焦或者直接切换到手动对焦模式。工业相机有的可以固定光圈和对焦环标定前一定要检查一遍。如果中途相机对焦发生了变化那所有图像的焦距不一致标定出来就是一团浆糊。拍摄时棋盘格的方向也需要考虑。如果所有图像里棋盘格的长边都在水平方向那图像的水平方向约束很好垂直方向可能约束不足导致fy的精度远差于fx。所以拍摄时要刻意旋转棋盘格保证90度方向、45度对角线方向都有覆盖让xy两个方向的内参都得到充分约束。最后聊一个很多项目里实际遇到的问题内参已知的情况下怎么验证标定准不准。你可以随便拍一张棋盘格用solvePnP解出外参然后检测这张棋盘格角点的重投影误差再看棋盘格的边缘在图像里是否明显弯曲。这个效果最直观也最适合向不懂视觉的同事证明你的标定结果靠不靠谱。个人体会是张正友法你跑通一遍并不难难的是在真实项目里让它稳定可靠。标定不是跑完calibrateCamera就结束了而是要去理解每一张图、每一个参数、每一项误差指标背后的物理意义。多拍、多试、多对比标定手感这个东西只能靠踩坑踩出来。如果你刚接触别贪快按文章里的规范拍20张图标定完画出角点图检查一遍再观察去畸变效果走完这一轮后面换相机、换镜头、上项目你都会心里有底。本文还有配套的精品资源点击获取