ZED相机标定实战：手把手教你用Python实现张氏标定法（附完整代码）

ZED相机标定实战：从原理到代码的完整实现指南

在计算机视觉领域，相机标定是三维重建、目标检测和机器人导航等应用的基础环节。作为一款高性能的立体相机，ZED在众多场景中展现出卓越的深度感知能力。本文将深入探讨如何利用Python实现ZED相机的张氏标定法，提供可直接集成到项目中的模块化代码。

1. 标定前的准备工作

1.1 硬件与环境配置

成功的相机标定始于正确的硬件设置：

• ZED相机选择：推荐使用ZED 2或ZED Mini，它们提供更高的分辨率和更稳定的帧率
• 棋盘格打印：使用标准A4纸打印8x6内角点棋盘格（每个方格边长建议30mm）
• 照明条件：确保环境光线均匀，避免反光和阴影影响角点检测

# ZED相机基础配置代码示例 import pyzed.sl as sl def init_zed(resolution='1080', fps=30): init_params = sl.InitParameters() if resolution == '2K': init_params.camera_resolution = sl.RESOLUTION.HD2K elif resolution == '1080': init_params.camera_resolution = sl.RESOLUTION.HD1080 else: init_params.camera_resolution = sl.RESOLUTION.HD720 init_params.camera_fps = fps return init_params

1.2 图像采集最佳实践

采集高质量的标定图像直接影响最终标定精度：

• 多角度拍摄：从不同视角（俯仰、偏转、旋转）拍摄15-20张棋盘格图像
• 距离变化：保持0.5m-3m范围内变化拍摄距离
• 完整可见：确保棋盘格完整出现在画面中，不被遮挡

提示：保存图像时建议使用时间戳命名，避免重复覆盖

2. 张氏标定法核心原理

2.1 单应性矩阵计算

单应性矩阵H建立了世界坐标系与图像坐标系的映射关系。对于平面标定板，我们可以建立如下关系：

s⋅[u v 1]ᵀ = H⋅[X Y 1]ᵀ

其中H矩阵可以分解为：

H = K⋅[r₁ r₂ t]

K为内参矩阵，r₁、r₂为旋转矩阵的前两列，t为平移向量

2.2 内参求解

通过多组单应性矩阵，可以构建约束方程求解内参矩阵：

| α² αγ αuc | | β² βvc | | 1 |

其中：

• α、β：x、y方向的焦距（像素单位）
• γ：倾斜系数（理想情况下为0）
• (uc, vc)：主点坐标

# 单应性矩阵计算核心代码 def compute_homography(img_points, obj_points): A = [] for i in range(len(img_points)): x, y = obj_points[i] u, v = img_points[i] A.append([x, y, 1, 0, 0, 0, -u*x, -u*y, -u]) A.append([0, 0, 0, x, y, 1, -v*x, -v*y, -v]) A = np.array(A) _, _, V = np.linalg.svd(A) H = V[-1].reshape(3, 3) return H / H[2, 2]

2.3 畸变模型

ZED相机主要考虑径向畸变，使用二阶多项式模型：

x_corrected = x(1 + k₁r² + k₂r⁴) y_corrected = y(1 + k₁r² + k₂r⁴)

其中r = √(x² + y²)，k₁、k₂为径向畸变系数

3. 完整标定流程实现

3.1 角点检测与数据准备

使用OpenCV的findChessboardCorners函数自动检测角点：

def detect_corners(image_path, pattern_size=(8,6)): img = cv2.imread(image_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) return corners return None

3.2 参数优化策略

采用Levenberg-Marquardt算法进行非线性优化，最小化重投影误差：

误差函数：Σ‖mᵢ - m̂(K, D, R, t, Mᵢ)‖²

其中：

• mᵢ：观测到的图像点
• m̂：根据当前参数投影得到的点
• K：内参矩阵
• D：畸变系数
• R,t：外参
• Mᵢ：3D点坐标

3.3 标定结果验证

评估标定质量的三个关键指标：

1. 重投影误差：一般应小于0.5像素
2. 参数稳定性：多次标定结果波动应小于5%
3. 实际应用测试：在目标应用中验证深度精度

def evaluate_calibration(camera_matrix, dist_coeffs, rvecs, tvecs, obj_points, img_points): total_error = 0 for i in range(len(obj_points)): img_points2, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], camera_matrix, dist_coeffs) error = cv2.norm(img_points[i], img_points2, cv2.NORM_L2)/len(img_points2) total_error += error return total_error/len(obj_points)

4. 高级技巧与问题排查

4.1 常见问题解决方案

4.2 标定自动化改进

实现一键标定的三个关键改进：

1. 自动图像筛选：基于清晰度和角点质量自动过滤不合格图像
2. 进度可视化：实时显示标定过程和中间结果
3. 参数自检：自动检测异常参数并提示可能原因

def auto_calibrate(image_folder, pattern_size=(8,6), square_size=30): 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)*square_size obj_points = [] img_points = [] images = glob.glob(f'{image_folder}/*.png') for fname in images: corners = detect_corners(fname, pattern_size) if corners is not None: img_points.append(corners) obj_points.append(objp) ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, (1920,1080), None, None) return mtx, dist, rvecs, tvecs

4.3 多相机系统标定

对于ZED立体相机，还需要考虑：

1. 双目外参标定：计算左右相机间的旋转和平移
2. 时间同步校准：确保左右图像采集时间一致
3. 联合优化：同时优化左右相机参数，提高系统整体精度

在实际项目中，我们发现标定质量对后续的立体匹配影响显著。特别是在弱纹理区域，良好的标定可以减少深度图中的空洞和噪声。经过多次实践，采用20张以上多角度图像，配合自动筛选机制，能够稳定获得重投影误差小于0.3像素的高质量标定结果。