第4章相机标定实战

4. 相机标定实战：OpenCV相机标定流程、calibrateCamera函数详解、标定结果评估（重投影误差）

好，咱们直接进入正题。前面讲了那么多理论，什么内参外参、畸变模型，说白了都是为了这一刻——用OpenCV把相机的“底牌”给翻出来。

我个人习惯把相机标定比作“给相机做体检”。你拿着体检报告，才知道它哪里“近视”、哪里“散光”。而OpenCV就是那个体检医生，我们只需要把数据喂给它就行。

4.1 OpenCV相机标定的完整流程

整个流程其实就五步，我当年第一次跑通时，觉得这玩意儿真没想象中那么玄乎。你跟着走一遍就明白了：

准备标定板——打印一张棋盘格，贴在硬纸板上。我建议用A4纸，别太小，不然角点检测容易翻车。
采集图像——从不同角度拍20-30张照片。注意：要让棋盘格出现在画面的各个角落，尤其是边缘。我见过有人只拍中间区域，结果标出来的畸变参数完全不对。
提取角点——用findChessboardCorners找到棋盘格的内角点。嗯，这里有个坑：棋盘格尺寸是“内角点数”，比如9x6的棋盘，内角点是8x5，别搞反了。
执行标定——调用calibrateCamera，一步到位。
评估结果——算重投影误差，看看标定质量。

核心逻辑图：下面这张图是我用SVG画的，把整个流程串起来了。你看一眼，心里就有谱了。

4.2 calibrateCamera函数详解

这个函数是整个标定的核心。说白了，它就是个“黑盒优化器”——你给它一堆2D-3D对应点，它给你算出相机参数。咱们来看看它的真面目：

retval, cameraMatrix, distCoeffs, rvecs, tvecs = cv2.calibrateCamera(
    objectPoints,    # 世界坐标系中的3D点
    imagePoints,     # 图像坐标系中的2D点
    imageSize,       # 图像尺寸 (width, height)
    cameraMatrix,    # 内参矩阵初始值（可传None）
    distCoeffs,      # 畸变系数初始值（可传None）
    flags=None,      # 标定选项
    criteria=None    # 迭代终止条件
)

我来拆解一下每个参数，都是实战中容易踩坑的地方：

参数	类型	说明	我的经验
objectPoints	list of np.array	每张图的3D点，Z=0	单位用毫米，别用像素
imagePoints	list of np.array	每张图的2D角点坐标	亚像素精度更好
imageSize	tuple	(width, height)	别传反了，是宽×高
cameraMatrix	np.array (3x3)	内参矩阵	传None让函数自己算
distCoeffs	np.array (1x5/1x8)	畸变系数	默认5参数就够了
flags	int	标定选项	一般用默认值
criteria	tuple	(type, maxCount, epsilon)	建议(3, 30, 1e-6)

我的小技巧：objectPoints的生成别手写，用np.mgrid一步搞定。比如棋盘格内角点8x5，格子大小30mm：

objp = np.zeros((8*5, 3), np.float32)
objp[:, :2] = np.mgrid[0:8, 0:5].T.reshape(-1, 2) * 30.0

这样写，清晰又不容易出错。

4.3 标定结果评估：重投影误差

标定完了，怎么知道结果靠不靠谱？重投影误差就是那个“照妖镜”。

它的原理很简单：用标定出的参数，把3D点投影回图像上，算算跟实际检测到的2D点差了多少像素。这个差值越小，说明标定越准。

我一般这样算：

total_error = 0
for i in range(len(objectPoints)):
    imgpoints2, _ = cv2.projectPoints(
        objectPoints[i], rvecs[i], tvecs[i], 
        cameraMatrix, distCoeffs
    )
    error = cv2.norm(imagePoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2)
    total_error += error

mean_error = total_error / len(objectPoints)
print(f"重投影误差: {mean_error:.4f} 像素")

误差多少算合格？我个人经验：

< 0.1 像素：非常优秀，工业级精度
0.1 - 0.3 像素：良好，大多数场景够用
0.3 - 0.5 像素：及格，需要检查标定过程
> 0.5 像素：不合格，重新标定吧

注意：我曾经遇到过一次，误差0.8像素，怎么调都降不下来。后来发现是标定板没贴平，有个角翘起来了。你想想看，3D点坐标都是假设在同一个平面上的，板子一翘，这个假设就破了，误差自然大。

4.4 实战中的避坑指南

做相机标定这么多年，我踩过的坑比走过的路还多。挑几个典型的说说：

图像数量不是越多越好。20-30张足够，关键是角度要丰富。我见过有人拍了100张，全是同一个角度，那跟拍1张没区别。
标定板要占画面1/4以上。太小了角点检测不准，太大了又拍不全。我一般控制在1/3左右。
注意光照均匀。反光、阴影都会影响角点检测。我习惯在漫射光下拍，或者用偏振片。
每张图都要检查角点。别偷懒，用drawChessboardCorners画出来看看。有时候检测错了你都不知道。

嗯，说到这个我想起来，有一次在工厂现场，光照条件很差，角点检测老是失败。后来我干脆用LED补光灯从侧面打光，效果立竿见影。有时候解决问题的方法就是这么简单粗暴。