第三章 车载摄像头标定：从理论到实战

摄像头标定，说白了就是给摄像头“配眼镜”。

你想想看，一个镜头装到车上，它拍出来的图像天生就有畸变。广角镜头尤其明显——画面边缘的直线全是弯的。如果不做标定，后面的车道线检测、障碍物测距，全都会跑偏。

我个人习惯把标定分成三块：内参标定、外参标定、畸变校正。咱们一个一个来聊。

3.1 内参标定：张正友法

内参标定，就是搞清楚摄像头本身的“脾气”。

焦距是多少？光心在图像中心吗？像素是正方形还是长方形？这些参数，统称内参矩阵 K。

内参矩阵 K 长这样：

K = [fx  0  cx
     0  fy  cy
     0   0   1]

fx, fy 是焦距（像素单位），cx, cy 是光心坐标。

张正友法，是目前最主流的标定方法。它的核心思路很简单：拍一组棋盘格照片，然后利用棋盘格的角点，反算出内参。

具体步骤：

  1. 打印一张棋盘格标定板——格子大小要精确，比如 30mm x 30mm。
  2. 从不同角度拍 15-20 张照片——注意，角度要丰富。左右、上下、倾斜，都要有。
  3. 提取角点——OpenCV 的 findChessboardCorners() 可以自动做。
  4. 计算内参——调用 calibrateCamera()，一步到位。

我的经验：拍标定照片时，千万别只在一个平面内移动。我见过有人把标定板放在桌上，只转角度不改变距离——结果标出来的内参全是错的。一定要让标定板在三维空间里“飞”起来。

代码示例，我直接贴一段常用的：

import cv2
import numpy as np

# 棋盘格尺寸
pattern_size = (9, 6)  # 内角点数量
square_size = 30.0     # 格子边长，单位mm

# 准备世界坐标系中的点
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

# 存储所有图片的角点
objpoints = []  # 世界坐标
imgpoints = []  # 图像坐标

images = [...]  # 你的图片列表

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:
        objpoints.append(objp)
        imgpoints.append(corners)

# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None
)

print("内参矩阵:\n", mtx)
print("畸变系数:\n", dist)

注意：标定结果好不好，看重投影误差。一般小于 0.5 像素就算合格。如果误差大于 1 像素，说明照片质量有问题，或者角点提取不准。

3.2 外参标定：把摄像头装到车上

内参搞定了，接下来是外参。

外参解决的是“摄像头在车上的什么位置、朝哪个方向看”这个问题。说白了，就是摄像头坐标系和车辆坐标系之间的转换关系。

车辆坐标系一般这样定义：

  • X 轴：车头方向
  • Y 轴：车身左侧
  • Z 轴：垂直向上

外参包含旋转矩阵 R 和平移向量 t。R 告诉你摄像头转了多大角度，t 告诉你摄像头装在车上的哪个位置。

标定方法：

  1. 在车前方放置标定板——标定板的位置要精确测量，比如距离车头 5 米，偏左 0.5 米。
  2. 测量标定板在车辆坐标系下的坐标——用卷尺或者激光测距仪。
  3. 提取标定板在图像中的角点——和前面一样。
  4. 用 PnP 算法求解外参——OpenCV 的 solvePnP()。

核心代码：

# 已知内参 mtx 和畸变系数 dist
# 世界坐标（车辆坐标系）和图像坐标
object_points = np.array([[0, 0, 0], [1, 0, 0], ...], dtype=np.float32)
image_points = np.array([[100, 200], [150, 220], ...], dtype=np.float32)

# 求解外参
ret, rvec, tvec = cv2.solvePnP(object_points, image_points, mtx, dist)

# 旋转向量转旋转矩阵
R, _ = cv2.Rodrigues(rvec)

print("旋转矩阵:\n", R)
print("平移向量:\n", tvec)

避坑指南：我曾经在标定外参时，把标定板放歪了 2 度。结果测距误差直接飙到 10% 以上。后来我学乖了——用水平仪确认标定板是垂直的，用激光测距仪确认距离。别偷懒，工具要用全。

3.3 畸变校正：让直线变直

畸变分两种：径向畸变和切向畸变。

径向畸变，是镜头本身的光学特性造成的。光线经过透镜边缘时，弯曲程度和中心不一样。结果就是——画面边缘的直线向内弯（桶形畸变）或向外弯（枕形畸变）。

切向畸变，是镜头和成像平面不平行造成的。说白了，就是镜头装歪了。这种畸变会让图像看起来像被“拧”了一下。

畸变模型用几个系数来描述：

  • k1, k2, k3：径向畸变系数
  • p1, p2：切向畸变系数

校正方法很简单，OpenCV 已经封装好了：

# 假设已经得到 mtx 和 dist
img = cv2.imread("raw_image.jpg")
h, w = img.shape[:2]

# 获取校正后的映射矩阵
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))

# 校正
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)

# 裁剪掉黑边
x, y, w, h = roi
dst = dst[y:y+h, x:x+w]

cv2.imwrite("calibrated_image.jpg", dst)

注意：校正后的图像边缘会有黑边。可以用 getOptimalNewCameraMatrix() 的 alpha 参数控制。alpha=1 保留所有像素（黑边多），alpha=0 裁剪到最小（丢失边缘信息）。我一般用 alpha=0.5，折中一下。

3.4 标定板设计与采集

标定板的设计，直接影响标定精度。

设计要点：

  • 棋盘格尺寸：格子边长 20-40mm 比较合适。太小了角点提取不准，太大了标定板不好拿。
  • 格子数量：内角点 9x6 或 12x9 都行。格子越多，标定越稳。
  • 打印精度：一定要用高精度打印，别用普通 A4 纸。我见过有人用喷墨打印，格子边缘都是锯齿——标出来全是废的。
  • 底板：贴在硬质平板上，比如亚克力板或铝板。别贴纸板上，纸板会弯。

采集技巧：

  1. 光照均匀——避免反光和阴影。我一般在阴天或者室内拍。
  2. 标定板占画面 1/3 以上——太小了角点提取不准。
  3. 覆盖整个视场——标定板要出现在画面的各个角落，尤其是边缘。
  4. 不同距离——近的、远的都要拍。我一般从 0.5 米到 3 米，每隔 0.5 米拍一组。
  5. 不同角度——左右倾斜 30 度，上下倾斜 20 度，都要有。

我的习惯：每次标定至少拍 20 张照片。拍完后，我会用 drawChessboardCorners() 检查角点是否全部正确提取。如果有几张照片角点提取失败，直接删掉重拍。别凑合，凑合的结果就是标定误差大。

嗯，到这里，车载摄像头标定的核心内容就讲完了。

内参标定解决“摄像头怎么看世界”，外参标定解决“摄像头在车上怎么看世界”，畸变校正是把歪的图像掰正。这三步走完，你的摄像头才算真正“上岗”。

下一章，咱们聊聊图像预处理——从 RAW 图到 YUV，再到各种滤波。到时候见。

← 上一章 📖 返回目录 下一章 →