4. OpenCV相机标定：cv2.findChessboardCorners、cv2.calibrateCamera详解

相机标定，说白了就是给相机做一次「视力矫正」。

我刚开始接触这个领域时，总觉得标定是个黑盒子——拍几张棋盘格照片，跑几个函数，内参外参就出来了。但后来在实际项目中吃过亏，才明白每个参数背后的门道。

今天咱们就掰开揉碎，把OpenCV里最核心的两个标定函数讲透。

4.1 标定的本质：你在求解什么？

先问一个问题：相机为什么需要标定？

因为镜头有畸变，传感器有安装误差。说白了，真实世界的一条直线，拍出来可能是弯的。我们需要找到一组参数，把弯的拉直。

标定求解的核心是两套参数：

• 内参矩阵：焦距、光心位置——这是相机本身的「出厂设置」
• 畸变系数：径向畸变、切向畸变——这是镜头带来的「变形因子」

嗯，这里要注意：外参（旋转矩阵、平移向量）每次拍摄都会变，但内参和畸变系数是固定的。所以标定一次，可以反复用。

4.2 cv2.findChessboardCorners：找到棋盘格的角点

这个函数是标定的第一步。它的任务很简单：在图像里找到棋盘格的内角点。

ret, corners = cv2.findChessboardCorners(image, patternSize, flags=None)

参数说明：

返回值：

• ret：布尔值，True表示找到了角点
• corners：角点坐标，形状为(N,1,2)

4.3 亚像素级角点优化

找到角点后，我建议再做一步亚像素优化。为什么？因为整数像素坐标不够精确。

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)

这段代码把角点精度从像素级提升到亚像素级。说白了，就是让角点坐标带小数，更接近真实位置。

我曾经做过对比实验：用亚像素优化后，标定重投影误差从0.5像素降到了0.15像素。效果很明显。

4.4 cv2.calibrateCamera：核心标定函数

这个函数才是真正的「重头戏」。它根据多张棋盘格图像，计算出相机内参和畸变系数。

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objectPoints, imagePoints, imageSize, 
    cameraMatrix=None, distCoeffs=None, 
    flags=None, criteria=None
)

参数详解：

• objectPoints：世界坐标系中的3D点。注意，这里每个棋盘格角点的Z坐标都是0
• imagePoints：对应的图像2D点，就是findChessboardCorners找到的那些
• imageSize：图像尺寸，格式为(width, height)
• cameraMatrix：内参矩阵初始值，一般传None让OpenCV自己算
• distCoeffs：畸变系数初始值，同样传None
• flags：标定选项，后面细说
• criteria：迭代终止条件

返回值：

4.5 标定流程：从拍照到出参

我整理了一个标准流程，你照着做就行：

1. 准备棋盘格：打印一张棋盘格，贴在硬纸板上。格子数量建议10x7或9x6
2. 拍摄多张照片：从不同角度拍15-20张。注意：棋盘格要占画面1/4以上
3. 提取角点：对每张图调用findChessboardCorners
4. 亚像素优化：用cornerSubPix提高精度
5. 执行标定：调用calibrateCamera
6. 评估结果：看重投影误差，一般小于0.3像素就算合格

4.6 标定选项 flags 详解

这个参数容易被忽略，但它能显著影响标定结果。

flags = cv2.CALIB_RATIONAL_MODEL  # 使用更精确的畸变模型
# 或者组合使用
flags = (cv2.CALIB_FIX_K1 | cv2.CALIB_FIX_K2 | cv2.CALIB_FIX_K3)

常用选项：

• CALIB_RATIONAL_MODEL：使用6个径向畸变系数（k1-k6），精度更高
• CALIB_FIX_K1：固定某个畸变系数不变
• CALIB_ZERO_TANGENT_DIST：假设切向畸变为0
• CALIB_USE_INTRINSIC_GUESS：使用你提供的内参初始值

我个人习惯：对于普通镜头，用默认参数就够了。但对于广角镜头，一定要加上CALIB_RATIONAL_MODEL，否则边缘畸变校正不干净。

4.7 完整代码示例

import cv2
import numpy as np
import glob

# 棋盘格内角点数量
pattern_size = (9, 6)
# 准备世界坐标系中的3D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)

# 存储所有图像的点
objpoints = []  # 3D点
imgpoints = []  # 2D点

images = glob.glob('calib_images/*.jpg')

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 找角点
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
    
    if ret:
        objpoints.append(objp)
        
        # 亚像素优化
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
        corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)
        imgpoints.append(corners2)

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

print(f"重投影误差: {ret:.4f}")
print(f"内参矩阵:\n{mtx}")
print(f"畸变系数:\n{dist}")

4.8 知识体系总览

下面这张图，帮你理清整个标定流程的逻辑关系：

4.9 标定结果验证

标定完成后，一定要验证结果。我常用的方法是：

# 用标定结果去畸变
img = cv2.imread('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)

# 裁剪图像
x, y, w, h = roi
dst = dst[y:y+h, x:x+w]

cv2.imshow('校正结果', dst)
cv2.waitKey(0)

如果校正后的图像边缘直线变直了，说明标定成功。如果还有弯曲，说明畸变系数没算准，需要重新标定。

np.savez('calib_params.npz', mtx=mtx, dist=dist, rvecs=rvecs, tvecs=tvecs)

好了，关于cv2.findChessboardCorners和cv2.calibrateCamera的核心内容，就讲到这里。这两个函数是相机标定的基石，掌握了它们，你就能自己动手给任何相机做「视力矫正」了。