OpenCV棋盘格相机内参标定完整指南：从角点检测到畸变校正

简介基于OpenCV的相机内参标定程序专为计算机视觉入门开发者与需要快速获取相机参数的工程人员设计。程序采用棋盘格标定板只需修改棋盘格尺寸与待处理图片路径即可一键完成标定并能同时输出原始图像与去畸变后的图像便于对比校正效果。压缩包共10个文件以cpp源码和h头文件为核心辅以pro工程文件、bat构建脚本及说明文档整体仅8KB轻量易用。资源内附标定结果示例包含3x3内参矩阵与1x5畸变系数可帮助读者验证输出格式、理解张正友标定法在OpenCV中的落地实现。目前已有1653人学习适合作为OpenCV相机标定入门与快速改造的参考工具。1. 从一张棋盘格照片到相机内参矩阵OpenCV 标定程序要解决的三个问题相机标定在视觉项目里的地位很特殊它只占项目前期很小一段但后面所有依赖像素坐标的模块都会被它拖累。同一台相机内参矩阵差 5 个像素单目测距可能差出几十厘米。OpenCV 的棋盘格标定流程已经非常成熟核心是三个函数findChessboardCorners 找角点、cornerSubPix 做亚像素细化、calibrateCamera 解算内参和畸变系数。可要拿到能拿去用的标定结果难点不在跑通代码而在理解棋盘格尺寸怎么定义、需要多少张不同姿态的图、哪些 flags 该开、最后怎么验证。这篇文章按一条完整落地路径讲 OpenCV 相机内参标定程序适合已经写过 OpenCV 图像处理项目、想自己把标定做扎实的工程师。2. 棋盘格标定的数学模型与标定板选型2.1 相机内参为什么能用平面棋盘格解出来相机成像链路可以简化为两步三维空间点先经过旋转和平移进入相机坐标系再由内参矩阵投射到像素平面。内参矩阵 K 是 3×3 的[ fx 0 cx ] [ 0 fy cy ] [ 0 0 1 ]fx、fy 不是焦距的毫米值而是焦距在水平和竖直方向上的像素当量cx、cy 是主点坐标表示光轴与成像平面的交点实际传感器上它不一定落在图像正中心。棋盘格角点的妙处在于物体坐标系里每个角点的三维坐标是已知的像素坐标又能通过角点检测拿到这就形成了 3D-2D 对应关系。把棋盘平面定义为 Z0三维点退化成二维平面点像素坐标和平面点之间就存在一个 3×3 单应矩阵 H。每张棋盘格照片对应一个 H而 H K[r1, r2, t]r1、r2 是旋转矩阵的前两列。张正友标定法的核心是利用旋转矩阵两列单位正交这个几何约束从多张图的 H 中反解出 K。这也是为什么标定时必须变换棋盘格姿态单张图可以算出 H但解不出 K 的全部参数至少要不同姿态的 3 张图方程数量才够。实际工作中通常拍 15 到 30 张不是因为统计上需要那么多而是为了覆盖画面不同区域让畸变系数被充分约束。普通镜头畸变用 plumb_bob 模型描述k1、k2、k3 是径向畸变系数p1、p2 是切向畸变系数。棋盘格靠近画面边缘时畸变最明显这一区域的角点对 k1、k2 的约束最强所以拍摄时不要让棋盘永远只待在画面中央。2.2 标定板选择内角数、格子边长与平整度棋盘格选型直接影响角点提取最常出问题的是图案尺寸定义。findChessboardCorners 传入的 pattern_size 是内角点数量不是黑白格总数。例如代码里写(9, 6)表示内部角点为 9 列 6 行对应的棋盘外观是 10×7 个黑白格。这个弄错角点检测通常在图像上找不到任何结果。格子边长决定了世界坐标的单位尺度。常见做法是棋盘对角点距离用游标卡尺量一下按毫米写进代码因为打印机缩放、纸张受潮都可能让理论值和实际值差出 1% 以上。如果以后要用标定结果做单目测距或位姿估计这个物理尺寸必须准确。不同材质标定板的差异很大实际项目里按场景选择载体平整度反光成本使用建议A4 纸直接打印较差容易弯曲低最低临时验证、算法调通时用硬纸板或裱板中等低低手持拍摄的首选亚克力/玻璃面板好明显中等固定工位需要调整灯光角度陶瓷/工业定制板最好可控高产线、测量设备要求长期稳定我一般会先用手头打印机打一张硬纸板棋盘评估整个标定流程确认角点检测和 RMS 正常后再决定是否需要工业级标定板。没必要一开始就买贵的。2.3 世界坐标与图像坐标的顺序约定标定程序里有一个容易绕晕的点世界坐标点该按什么顺序生成。OpenCV 标定示例里最常用的写法是import numpy as np pattern_size (9, 6) # 内角点列数、行数 square_size 20.0 # 格子边长单位 mm以实际测量为准 objp np.zeros((9 * 6, 3), np.float32) objp[:, :2] np.mgrid[0:9, 0:6].T.reshape(-1, 2) * square_size这里 objp 是棋盘格坐标系中的固定三维坐标所有照片共用这一份。mgrid 生成 9×6 的网格乘上 square_size 后相邻角点在 x 或 y 方向上正好相差一个格子边长。原点在第 0 个角点处z 方向全为 0对应“棋盘格平面在 z0 的平面上”这个前提。需要注意objp 里的点序必须和 findChessboardCorners 返回的 imagePoints 点序匹配。OpenCV 示例这一行的顺序是匹配的如果你改成np.mgrid[0:6, 0:9]图像点坐标也要同步调整。单独调换点序不会被标定算法拒绝但会产出错误的外参排查起来很隐蔽。后面如果做位姿估计还要注意 calibrateCamera 输出的 rvec、tvec 表示的是“从棋盘格坐标系变换到相机坐标系”不是反过来。方向搞反的结果是棋盘在画面上看起来位置不对需要配合 projectPoints 验证才能发现。3. 多张棋盘格照片的采集OpenCV 抓图程序与环境配置3.1 opencv 安装与 anaconda 环境隔离标定工作通常和主项目共用 Python 环境但依赖冲突成本很高。我一般单独建一个 conda 环境来跑标定避免污染 baseconda create -n calib python3.10 -y conda activate calib python -m pip install opencv-python用 pip 而不是 conda 装 opencv 的主要原因在于conda 源里的 opencv 依赖链较重且和 pip 安装的 numpy 混用时容易产生 ABI 不一致。如果直连下载慢可以换用清华等国内 PyPI 镜像但注意在一个环境里只配置一个镜像源避免 pip 和 conda 的索引混用。装完验证python -c import cv2; print(cv2.__version__)如果报错modulenotfounderror: no module named cv2先说结论OpenCV 在 Python 里的模块名是 cv2不是 opencv报错不会出现“no module named opencv”这种文本。常见原因是 shell 里的 python 和 pip 不在同一环境执行which python和pip list | grep opencv对照一下通常能发现 pip 装到了另一个解释器里。3.2 用 VideoCapture 按采集规范保存棋盘格图像采集程序不复杂但要把分辨率、曝光、保存格式三个点控制住。分辨率和后续使用相机时的分辨率保持一致因为 fx、fy 是像素单位改分辨率等于改了内参。曝光建议手动固定自动曝光会在不同角度下跳变让角点亚像素位置产生额外噪声。import cv2 cap cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720) cap.set(cv2.CAP_PROP_AUTO_EXPOSURE, 0.25) # 后端支持时才生效不保证所有相机有效 count 0 while True: ok, frame cap.read() if not ok: print(摄像头读取失败) break cv2.imshow(collect, frame) key cv2.waitKey(1) 0xFF if key ord( ): # 空格保存一帧 path fcalib_imgs/{count:02d}.png cv2.imwrite(path, frame) print(saved, path) count 1 elif key 27: # ESC 退出 break cap.release() cv2.destroyAllWindows()这段代码用 VideoCapture 包了一层相机调用很多人会误以为 OpenCV 直接管理硬件其实它只是后端抽象Windows 上底层走 DirectShow 或 MediaFoundationLinux 上走 V4L2 或 GStreamer。cap.set的参数最终由当前后端解释同一个参数在不同驱动上可能无效或有不同含义所以设置不生效时先别怀疑代码逻辑看摄像头 SDK 里能不能手动锁曝光。保存格式用 PNG不要用 JPG。棋盘格角点检测对边缘纹理敏感JPG 的块效应会在亚像素细化时引入不可控的偏差标定数据里这一点误差会被畸变模型放大。3.3 拍摄姿态的覆盖面与常见废片样本采集时先拍中间位置再拍四个角然后左右旋转、上下俯仰、远近距离各来几张。棋盘在画面中的占比控制在四分之一到二分之一之间太小角点提取不稳太大会超出有效视野。废片的典型特征有三种棋盘局部反光导致角点附近对比度崩溃棋盘边缘被裁剪导致 findChessboardCorners 找不到完整图案运动模糊让角点位置不是整数级偏移而是数像素偏移。采集时用 drawChessboardCorners 实时把角点画在图上如果画出来的点和棋盘格交点有明显偏移这张图就直接删掉不要写入标定目录。提示同一个姿态拍 10 张和拍 2 张效果几乎一样因为棋盘姿态没有变化单应矩阵提供的约束相同。真正有效的是姿态变化量不是照片数量。4. 标定主程序角点检测、亚像素优化与 calibrateCamera 参数4.1 findChessboardCorners 的输入校验与亚像素收敛角点检测是整个标定里最容易“看似成功实则失败”的环节。findChessboardCorners 返回的角点坐标是像素级的直接喂给 calibrateCamera 也能跑但误差会偏大。标准做法是先用 cornerSubPix 做亚像素细化import cv2 pattern_size (9, 6) criteria (cv2.TERM_CRITERIA_MAX_ITER cv2.TERM_CRITERIA_EPS, 30, 0.001) ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if ret: corners cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)findChessboardCorners 的输入必须是灰度图彩色图虽然也能传但内部还是会转灰度而且不同通道噪声叠加反而可能干扰检测。cornerSubPix 的 winSize 是搜索窗口尺寸太大容易把相邻角点信息混进来太小收敛不稳定我一般用(11, 11)。zeroZone 设为(-1, -1)表示没有“禁入区”如果后续对特殊纹理做亚像素定位才会考虑设置一个死区半径。criteria 里的 30 是最大迭代次数0.001 是角点位置变化的 epsilon 阈值。这两个参数很少需要动但如果遇到复杂光照图像迭代次数可以提高到 50。4.2 标定循环从读图到 rvecs/tvecs 输出标定主循环把所有有效照片的角点收集起来统一交给 calibrateCameraimport glob import numpy as np import cv2 pattern_size (9, 6) square_size 20.0 criteria (cv2.TERM_CRITERIA_MAX_ITER cv2.TERM_CRITERIA_EPS, 30, 0.001) objp np.zeros((9 * 6, 3), np.float32) objp[:, :2] np.mgrid[0:9, 0:6].T.reshape(-1, 2) * square_size objpoints [] imgpoints [] images sorted(glob.glob(calib_imgs/*.png)) for f in images: img cv2.imread(f) if img is None: print(f读取失败: {f}) continue gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if not ret: print(f角点检测失败: {f}) continue corners cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp.copy()) imgpoints.append(corners) if len(objpoints) 5: print(有效样本不足至少保留 5 张不同姿态的照片) raise SystemExit(1) ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print(RMS (像素):, ret) print(内参矩阵:\n, mtx) print(畸变系数:, dist.ravel())有几个参数值得单独说明。gray.shape[::-1]传的是 (宽, 高)因为 image_size 参数要求的是(width, height)而 numpy 的(高, 宽)反转一次才能对上。这个顺序写反不会报错但标定出的主点 cx、cy 可能和实际图像尺寸不匹配。objpoints 每次追加 objp.copy() 而不是直接 append(objp)是为了防止后续对公共对象做扩展时所有帧互相影响。rvecs 和 tvecs 是每一张照片对应的外参如果只关心内参可以忽略但它们是后面做位姿估计的基础保留在程序输出里对验证有帮助。4.3 影响标定质量的 flags 参数与重投影误差解读calibrateCamera 的 flags 参数很容易被忽略默认值对多数镜头没问题但某些默认打开的行为在实际项目中会带来偏差。常用的几个 flags 我按“要不要动”来分类flags作用我的使用建议CALIB_FIX_ASPECT_RATIO固定 fx / fy 比值工业相机像素不是正方形时不要开普通 USB 摄像头默认不开CALIB_FIX_PRINCIPAL_POINT把主点固定在图像中心不要开主点是需要标定的量CALIB_ZERO_TANGENT_DIST强制切向畸变为 0装配质量好的镜头可开一般不建议开CALIB_RATIONAL_MODEL额外求解 k4、k5、k6普通镜头不要开广角/鱼眼镜头再考虑第五个问题是畸变模型选择。OpenCV 默认的畸变模型是 5 参数k1、k2、p1、p2、k3对绝大多数镜头足够。开 CALIB_RATIONAL_MODEL 后自由度变多如果输入照片姿态不够丰富内参和畸变系数会互相补偿出现一种“标定集 RMS 很低、换一张图就崩”的情况。标定完成后第一件事是看 RMS 重投影误差。我的参考范围是小于 0.1 像素很理想0.1 到 0.3 像素属于正常可用超过 0.5 像素就需要检查角点检测质量和标定板平整度。但这里有一个重要提醒注意RMS 重投影误差衡量的是“3D-2D 点对在模型下有多自洽”不是“标定结果离真实值有多近”。低 RMS 可能只是过拟合了当前样本验证还必须靠独立样本和去畸变效果。5. 用投影交叉验证标定结果并保存可复用的去畸变参数5.1 不参与标定的图像留样实测 mean pixel error采集时多拍 2 到 3 张不同姿态的照片从 objpoints 和 imgpoints 里剔除不参与 calibrateCamera。标定完成后用 solvePnP 和 projectPoints 在留样上做交叉验证_, rvec, tvec cv2.solvePnP(objp, corners_refine, mtx, dist) proj, _ cv2.projectPoints(objp, rvec, tvec, mtx, dist) err np.sqrt(np.sum((proj[:, 0, :] - corners_refine[:, 0, :]) ** 2, axis1)) print(留样平均误差:, err.mean(), 最大误差:, err.max())solvePnP 需要一张图的 3D-2D 对应点这里复用 4.2 里生成的 objp 和亚像素角点传入的内参和畸变系数来自标定输出。留样的平均误差量级和标定 RMS 接近说明模型没有明显过拟合如果明显高出一倍以上优先检查这张留样是否覆盖了标定集没有的极端姿态再考虑是否换畸变模型。5.2 保存 npz 参数用 initUndistortRectifyMap 做边缘直线验证标定结果要落盘后续程序直接加载不要每次都重新标定np.savez(cam_calib.npz, mtxmtx, distdist, rmsret) h, w img.shape[:2] map1, map2 cv2.initUndistortRectifyMap( mtx, dist, None, None, (w, h), cv2.CV_32FC1 ) undist cv2.remap(img, map1, map2, cv2.INTER_LINEAR)initUndistortRectifyMap 生成映射表之后对视频帧只做 remap比每帧调用 undistort 快得多。若只是单张调试可以直接用 cv2.undistort。验证时看棋盘边缘的直线是否被拉直正常的相机内参标定结果去畸变后画面边缘的墙面线、棋盘边界线应接近直线若边缘仍有明显弯曲优先检查图像边缘附近的棋盘角点提取偏差而不是急着加大畸变系数自由度。我通常还会把逐张图的重投影误差单独打印出来单张明显离群的样本往往是标定板弯折或虚焦删掉重标比调 flags 更有效。本文还有配套的精品资源点击获取