尧图网页设计 
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。常见三类标定板类型检测方式优点缺点棋盘格角点检测角点定位精度高OpenCV 原生支持遮挡敏感部分遮挡就丢角点圆点阵圆心检测对模糊和噪声更鲁棒圆心提取有偏心误差透视畸变大时不准ChArUcoArUco 码棋盘格部分遮挡仍可标定可实时反馈需要生成和打印参数稍多项目标题说“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, flagscv2.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。alpha0 会裁掉所有无效像素alpha1 保留全部但可能有黑边。我一般用 alpha0.5 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], flagscv2.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, flagscv2.CALIB_ZERO_DISPARITY, alpha0 ) # 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。alpha0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alpha1。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]], dtypenp.float32) pts_right np.array([[95, 200.5], [295, 400.3], [495, 300.2]], dtypenp.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 相机标定全流程实战：内参、双目与多模型标定源码落地指南
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。常见三类标定板类型检测方式优点缺点棋盘格角点检测角点定位精度高OpenCV 原生支持遮挡敏感部分遮挡就丢角点圆点阵圆心检测对模糊和噪声更鲁棒圆心提取有偏心误差透视畸变大时不准ChArUcoArUco 码棋盘格部分遮挡仍可标定可实时反馈需要生成和打印参数稍多项目标题说“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, flagscv2.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。alpha0 会裁掉所有无效像素alpha1 保留全部但可能有黑边。我一般用 alpha0.5 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], flagscv2.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, flagscv2.CALIB_ZERO_DISPARITY, alpha0 ) # 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。alpha0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alpha1。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]], dtypenp.float32) pts_right np.array([[95, 200.5], [295, 400.3], [495, 300.2]], dtypenp.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