第三章 相机内参标定实战：使用OpenCV进行棋盘格标定

相机内参标定，说白了就是搞清楚你的相机到底是怎么「看」世界的。每台相机都有自己独特的脾气——镜头畸变、焦距偏差、主点偏移，这些都需要通过标定来摸清楚。我在项目里见过太多人拿着没标定过的相机直接做三维重建，结果出来的点云歪七扭八，那叫一个惨。

这一章，我们就用OpenCV把棋盘格标定这件事彻底讲透。从角点检测到标定流程，再到结果验证，每一步我都会把实战中踩过的坑告诉你。

3.1 棋盘格标定的基本原理

棋盘格标定，本质上是在求解一个「从三维世界到二维图像」的映射关系。这个映射由两部分组成：

• 内参矩阵：焦距(fx, fy)、主点(cx, cy)，描述相机本身的几何特性
• 畸变系数：径向畸变(k1, k2, k3)和切向畸变(p1, p2)，描述镜头的光学缺陷

你想想看，棋盘格上的每个角点，在三维空间中的位置是已知的（比如角点间距30mm）。相机拍下来后，这些角点在图像上的像素坐标也是已知的。有了这些对应关系，我们就能反推出相机的内参和畸变。

3.2 棋盘格的选择与准备

棋盘格的选择，我建议你注意这几点：

• 格子数量：内角点数量建议在9×6到12×9之间。太少解不准确，太多容易过拟合
• 格子尺寸：打印出来后用游标卡尺量一下实际尺寸，别信打印机的设置。我吃过这个亏，打印出来的格子实际是29.8mm，不是30mm
• 材质：用哑光纸打印，别用光面纸。光面纸反光严重，角点检测容易失败
• 贴在硬板上：软纸会弯曲，影响标定精度。我习惯贴在亚克力板或者铝板上

3.3 图像采集的实战要点

图像采集这一步，很多人觉得随便拍几张就行。嗯，这里要注意，采集质量直接决定标定结果的好坏。

我一般会拍20-30张，覆盖以下场景：

1. 不同角度：左右倾斜、上下倾斜、旋转，让棋盘格在图像中呈现各种姿态
2. 不同距离：从近到远，覆盖相机的工作距离范围
3. 不同位置：棋盘格出现在图像的四个角和中心区域
4. 光照均匀：避免强光直射或阴影遮挡棋盘格

3.4 角点检测实战代码

OpenCV提供了现成的角点检测函数，但用起来有几个坑。先看代码：

import cv2
import numpy as np
import glob

# 棋盘格内角点数量（列数-1，行数-1）
CHECKERBOARD = (9, 6)
# 棋盘格单个格子尺寸（毫米）
SQUARE_SIZE = 30.0

# 准备世界坐标系中的点
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

# 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)
    
    # 查找棋盘格角点
    ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None)
    
    if ret:
        objpoints.append(objp)
        
        # 亚像素级角点优化
        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)
        
        # 可视化角点
        cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret)
        cv2.imshow('Corners', img)
        cv2.waitKey(100)
    else:
        print(f"角点检测失败: {fname}")

cv2.destroyAllWindows()

这段代码里，我特别想强调两个地方：

• 亚像素优化：cornerSubPix这一步不能省。原始角点检测的精度是像素级的，优化后能达到0.1像素级别。标定精度差0.1像素，三维重建可能就差几毫米
• 角点顺序：OpenCV返回的角点顺序是从左上角开始，按行排列。如果你自己写可视化代码，要注意这个顺序

3.5 标定流程与参数求解

角点检测完成后，标定就简单了：

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

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

calibrateCamera函数内部用的是张正友标定法，它会自动求解内参、畸变和外参。返回的ret就是重投影误差，这个值后面会详细分析。

3.6 结果验证：重投影误差分析

重投影误差，说白了就是「用标定结果反算回去，看看角点位置偏差了多少」。这个值越小，标定越准。

我一般会做两件事来验证标定结果：

1. 计算平均重投影误差：小于0.5像素算合格，小于0.2像素算优秀
2. 可视化每张图的误差分布：看看是不是某几张图误差特别大，如果是，说明那些图有问题

# 计算每张图的误差
total_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)
    total_error += error
    print(f"图像 {i+1} 的重投影误差: {error:.4f} 像素")

print(f"\n平均重投影误差: {total_error/len(objpoints):.4f} 像素")

3.7 畸变校正与可视化

标定完，当然要看看效果。畸变校正后的图像，直线应该是直的：

# 畸变校正
img = cv2.imread('test_image.jpg')
h, w = img.shape[:2]
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))

# 方法1：使用undistort
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)

# 方法2：使用remap（更高效，适合视频流）
mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w, h), 5)
dst2 = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)

# 裁剪掉黑边
x, y, w2, h2 = roi
dst = dst[y:y+h2, x:x+w2]

cv2.imshow('Original', img)
cv2.imshow('Undistorted', dst)
cv2.waitKey(0)

这里有个细节：getOptimalNewCameraMatrix的alpha参数控制着图像缩放。alpha=1时保留所有像素（会有黑边），alpha=0时裁剪掉黑边。我一般用alpha=0.5，既保留大部分视野，又去掉黑边。

3.8 常见问题与解决方案

做标定这么多年，我总结了一些高频问题：

问题	原因	解决方案
角点检测失败	光照不均、棋盘格反光	调整光照，使用哑光棋盘格
重投影误差过大	图像数量不足、棋盘格未贴平	增加图像数量，确保棋盘格平整
畸变校正后图像扭曲	畸变系数异常	检查标定图像是否覆盖了图像边缘
fx和fy差异过大	相机传感器像素不是正方形	检查相机型号，部分工业相机确实如此

3.9 标定结果的保存与加载

标定结果当然要保存下来，方便后续使用：

# 保存标定结果
np.savez('calibration_result.npz', mtx=mtx, dist=dist, 
         newcameramtx=newcameramtx, roi=roi)

# 加载标定结果
with np.load('calibration_result.npz') as data:
    mtx = data['mtx']
    dist = data['dist']
    newcameramtx = data['newcameramtx']
    roi = data['roi']

我个人习惯把标定结果和对应的图像一起保存，方便以后复现。毕竟，标定参数变了，整个系统的精度都会受影响。

3.10 本章小结

相机内参标定，说白了就是一次「相机和世界的对话」。通过棋盘格这个翻译官，我们让相机说出了自己的秘密——内参和畸变。

这一章我们走完了完整流程：从棋盘格准备、图像采集、角点检测，到标定求解、结果验证、畸变校正。每一步都有坑，但只要你按照流程来，结果不会差。

下一章，我们会进入多相机标定，看看如何让两台相机「对齐」它们的视野。到时候，你会发现内参标定只是热身，真正的挑战才刚刚开始。

公众号:蓝海资料掘金营，微信deep3321