当前位置：首页 > news >正文

别再死记硬背了！用OpenCV+Python搞定相机标定，从棋盘格到内参矩阵的保姆级实战

news 2026/5/31 1:31:56

OpenCV+Python相机标定实战：从棋盘格到三维重建的完整指南

当你第一次尝试用普通摄像头进行三维测量时，可能会遇到这样的困惑：为什么同一个物体在不同角度拍摄时，测量结果会有偏差？这正是相机标定要解决的核心问题。本文将带你用Python和OpenCV完成一次工业级精度的相机标定，不仅会解释每个参数的实际意义，还会分享我在多个计算机视觉项目中积累的实战经验。

1. 准备工作：从硬件到环境的全方位配置

1.1 棋盘格打印的隐藏细节

棋盘格是标定过程中最常用的标定板，但很多人不知道的是，打印质量直接影响标定精度。建议使用哑光相纸打印，尺寸建议在A4以上。我常用的是8x6的棋盘格（7x5个内角点），每个方格边长建议30mm左右。

import cv2 import numpy as np # 生成自定义尺寸的棋盘格图像 pattern_size = (8, 6) # 角点数量（宽×高） square_size = 30 # 每个方格的实际尺寸(mm) image_size = (2480, 3508) # A4纸分辨率300dpi时的像素尺寸 # 创建空白图像 chessboard = np.ones((image_size[1], image_size[0]), dtype=np.uint8) * 255 # 绘制棋盘格 for i in range(pattern_size[1] + 1): for j in range(pattern_size[0] + 1): if (i + j) % 2 == 0: start_x = j * square_size start_y = i * square_size end_x = (j + 1) * square_size end_y = (i + 1) * square_size chessboard[start_y:end_y, start_x:end_x] = 0 cv2.imwrite("custom_chessboard.png", chessboard)

1.2 拍摄技巧与常见错误规避

拍摄标定图片时，需要覆盖相机视野的各个区域。建议拍摄15-20张不同角度的图片，包括：

正对棋盘格的图片
棋盘格倾斜45度左右的图片
棋盘格位于图像四角的图片

注意：避免强光直射棋盘格，这会导致反光影响角点检测。环境光线应均匀，棋盘格必须完全在视野内且不模糊。

2. 角点检测的进阶技巧

2.1 findChessboardCorners的参数调优

OpenCV的findChessboardCorners函数看似简单，但参数设置不当会导致检测失败。除了基本的棋盘格尺寸参数外，这些参数值得关注：

flags = cv2.CALIB_CB_ADAPTIVE_THRESH + \ cv2.CALIB_CB_NORMALIZE_IMAGE + \ cv2.CALIB_CB_FAST_CHECK ret, corners = cv2.findChessboardCorners( gray_image, pattern_size, flags=flags )

CALIB_CB_ADAPTIVE_THRESH：使用自适应阈值而非固定阈值
CALIB_CB_NORMALIZE_IMAGE：先对图像做直方图均衡化
CALIB_CB_FAST_CHECK：快速检查棋盘格是否存在，可减少计算时间

2.2 亚像素级角点精确定位

原始角点检测结果通常只有像素级精度，通过cornerSubPix可提升到亚像素级：

# 设置亚像素角点检测参数 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) # 亚像素角点检测 corners_subpix = cv2.cornerSubPix( gray_image, corners, winSize=(11,11), # 搜索窗口尺寸 zeroZone=(-1,-1), # 禁用死区 criteria=criteria )

实际项目中，我发现winSize设为(11,11)能在精度和速度间取得较好平衡。对于4K分辨率图像，可适当增大到(15,15)。

3. 深入理解标定结果：内参矩阵与外参矩阵

3.1 内参矩阵的物理意义

标定后得到的内参矩阵通常形式如下：

[[fx 0 cx] [ 0 fy cy] [ 0 0 1]]

通过一个实际案例来解释这些参数：

# 示例内参矩阵 mtx = np.array([ [1250.3, 0, 640.2], [0, 1251.1, 360.7], [0, 0, 1 ] ]) fx = mtx[0,0] # x轴焦距（像素单位） fy = mtx[1,1] # y轴焦距 cx = mtx[0,2] # 主点x坐标（通常接近图像中心） cy = mtx[1,2] # 主点y坐标

焦距(fx,fy)：反映相机"放大"能力。当fx≠fy时，说明像素不是正方形
主点(cx,cy)：理论上应是图像中心，但制造偏差会导致偏移

3.2 畸变系数的实际影响

畸变系数通常包含5个参数：k1,k2,p1,p2,k3。它们对图像的影响可通过以下代码可视化：

import matplotlib.pyplot as plt # 原始图像和标定参数 img = cv2.imread('test_image.jpg') h, w = img.shape[:2] dist = np.array([[-0.35, 0.15, 0.001, -0.003, 0]]) # 校正图像 newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h)) dst = cv2.undistort(img, mtx, dist, None, newcameramtx) # 显示对比 plt.figure(figsize=(12,6)) plt.subplot(121); plt.imshow(img); plt.title('原始图像') plt.subplot(122); plt.imshow(dst); plt.title('校正后图像') plt.show()

4. 标定结果验证与精度提升

4.1 重投影误差分析

重投影误差是评价标定质量的关键指标。好的标定通常误差应小于0.5像素：

# 计算重投影误差 mean_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) mean_error += error print(f"平均重投影误差: {mean_error/len(objpoints):.3f} 像素")

4.2 标定结果的实际应用

得到标定参数后，可以用于多种计算机视觉任务。以下是三维重建的简单示例：

# 已知标定参数 mtx = [...] # 内参矩阵 dist = [...] # 畸变系数 # 对两幅图像进行特征匹配 img1 = cv2.imread('view1.jpg') img2 = cv2.imread('view2.jpg') # 校正图像 img1_undist = cv2.undistort(img1, mtx, dist) img2_undist = cv2.undistort(img2, mtx, dist) # 特征检测与匹配 orb = cv2.ORB_create() kp1, des1 = orb.detectAndCompute(img1_undist, None) kp2, des2 = orb.detectAndCompute(img2_undist, None) bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) matches = bf.match(des1, des2) # 三角测量 points1 = np.float32([kp1[m.queryIdx].pt for m in matches]) points2 = np.float32([kp2[m.trainIdx].pt for m in matches]) # 计算本质矩阵 E, mask = cv2.findEssentialMat(points1, points2, mtx) # 恢复相机姿态 _, R, t, mask = cv2.recoverPose(E, points1, points2, mtx) # 三角测量获取三维点 proj1 = np.hstack((np.eye(3,4))) proj2 = np.hstack((R, t)) points4D = cv2.triangulatePoints(proj1, proj2, points1.T, points2.T) points3D = points4D[:3]/points4D[3]

5. 工业级标定的进阶技巧

5.1 多相机系统标定

在多相机系统中，不仅需要标定单个相机参数，还需要确定相机间的相对位置关系：

# 标定双相机系统 ret, mtx1, dist1, mtx2, dist2, R, T, E, F = cv2.stereoCalibrate( objectPoints, # 三维标定板点 imagePoints1, # 相机1图像点 imagePoints2, # 相机2图像点 mtx1, dist1, # 相机1初始参数 mtx2, dist2, # 相机2初始参数 image_size, criteria=criteria, flags=cv2.CALIB_FIX_INTRINSIC ) print(f"相机间旋转矩阵:\n{R}") print(f"相机间平移向量:\n{T}")

5.2 自动标定流程设计

对于需要频繁标定的场景，可以设计自动化流程：

def auto_calibrate(image_folder, pattern_size, square_size): # 自动检测图像中的棋盘格 objpoints = [] # 三维点 imgpoints = [] # 二维点 # 准备标定板三维坐标 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) objp *= square_size # 处理所有图像 for fname in os.listdir(image_folder): img = cv2.imread(os.path.join(image_folder, fname)) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: corners_sub = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) imgpoints.append(corners_sub) objpoints.append(objp) # 执行标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None) return ret, mtx, dist, rvecs, tvecs

在实际项目中，我发现将标定过程集成到系统初始化阶段，可以显著提高三维测量的稳定性。特别是在使用普通USB摄像头时，温度变化会导致镜头轻微变形，定期重新标定能保持最佳精度。

查看全文

http://www.jsqmd.com/news/919765/