摄像头的标定（TODO）

1 相机标定的意义

相机标定主要用来求解摄像头的内部光学参数（焦距、光心坐标、镜头畸变系数）以及摄像头相对于世界坐标系的外部位姿，以此校正镜头带来的桶形、枕形等图像畸变；只有拿到精准标定参数之后，才能够建立起现实三维空间坐标和画面二维像素之间的映射关系，为后续双目深度测算、AR 空间定位、手势识别、麦克风‑摄像头空间配准、波束成形声源定位等上层算法提供可靠的数据基础，消除镜头硬件误差带来的算法偏差。

标定有两层，如果是给人眼看，主要就是解决畸变变形和粗略校正桶形、枕形畸变，只需要修正肉眼可见的画面畸变。看着舒服、直线不要弯，满足观感即可。

如果是给机器学习用的，那么需要整套高精度完整内参、畸变系数、外参，对精度要求严苛得多。必须保证几何精度优先，保证每一个像素对应的空间位置准确。

2 相机标定的方法

基本就使用标定板，拍摄几十张照片，根据照片来做标定。

3 一个例子

一张图理清所有的RAW 、RGB、YUV格式

import cv2 import numpy as np import glob # 1. 准备标定板的角点坐标 # 假设使用 9x6 的棋盘格，每个方格的实际大小为 1 单位（例如 1 厘米） chessboard_size = (9, 6) # 棋盘格内角点数量 (width, height) square_size = 1.0 # 棋盘格方格的物理尺寸（单位：任意，例如厘米） # 生成标定板的角点坐标 (0,0,0), (1,0,0), (2,0,0), ..., (8,5,0) objp = np.zeros((chessboard_size[0] * chessboard_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2) objp *= square_size # 将角点坐标乘以实际尺寸 # 2. 存储对象点和图像点 objpoints = [] # 真实世界中的点 imgpoints = [] # 图像中的点 # 3. 读取标定图像 images = glob.glob('calibration_images/*.jpg') # 假设标定图像存储在 calibration_images 文件夹中 if not images: print("未找到标定图像！请检查路径。") exit() for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 4. 检测棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None) if ret: objpoints.append(objp) imgpoints.append(corners) # 5. 绘制并显示角点 cv2.drawChessboardCorners(img, chessboard_size, corners, ret) cv2.imshow('Chessboard Corners', img) cv2.waitKey(500) # 显示 500 毫秒 cv2.destroyAllWindows() # 6. 检查是否检测到足够的角点 if len(objpoints) < 10: print("检测到的标定图像数量不足，请提供更多图像！") exit() # 7. 标定摄像头 ret, K, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None) if not ret: print("摄像头标定失败！") exit() # 8. 输出标定结果 print("摄像头内部参数矩阵 (K):") print(K) print("\n畸变系数 (dist):") print(dist) # 9. 校正图像畸变 # 读取测试图像 test_image = cv2.imread('test_image.jpg') # 假设测试图像为 test_image.jpg if test_image is None: print("未找到测试图像！请检查路径。") exit() h, w = test_image.shape[:2] # 获取最优的新摄像头矩阵 newK, roi = cv2.getOptimalNewCameraMatrix(K, dist, (w, h), 1, (w, h)) # 校正图像畸变 dst = cv2.undistort(test_image, K, dist, None, newK) # 裁剪校正后的图像（可选） x, y, w, h = roi dst = dst[y:y+h, x:x+w] # 10. 显示结果 cv2.imshow('Original Image', test_image) cv2.imshow('Undistorted Image', dst) cv2.waitKey(0) cv2.destroyAllWindows() # 11. 保存校正后的图像（可选） cv2.imwrite('undistorted_image.jpg', dst) print("校正后的图像已保存为 undistorted_image.jpg")