别再死记硬背了！用Python+OpenCV手把手带你标定相机内参K矩阵（附完整代码）

实战指南：用Python+OpenCV精准标定相机内参矩阵

从棋盘格到代码实现的全流程解析

相机内参标定是计算机视觉项目的第一步，就像盖房子前要确保测量工具准确一样。想象你正在开发一个AR应用，虚拟物体总是漂浮在错误的位置；或者SLAM系统建图时出现明显的扭曲——这些问题八成源于不准确的相机参数。本文将用最直观的方式，带你完成从棋盘格打印到参数验证的完整流程。

1. 准备工作与环境搭建

1.1 硬件准备清单

• 标定板选择：推荐使用8x6的棋盘格（每个方格2-3cm），A4纸打印后贴在平整硬板上。注意：

  • 棋盘格必须完全平整，褶皱会导致标定误差
  • 方格边长误差应小于0.1mm
  • 反光材质绝对禁止

• 相机设置：

  import cv2 cap = cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) # 推荐分辨率 cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)

1.2 软件依赖安装

创建conda环境并安装必要包：

conda create -n calibration python=3.8 conda activate calibration pip install opencv-contrib-python numpy matplotlib

注意：必须使用opencv-contrib版本，标准版缺少部分标定函数

2. 数据采集的黄金法则

2.1 拍摄姿势的学问

• 角度覆盖：像专业摄影师一样，从不同角度拍摄15-20张照片。理想分布：

  • 30°俯仰角各5张
  • 水平旋转各5张
  • 倾斜45°各5张

• 常见错误示例：

  • 所有照片都在同一平面拍摄 → 导致焦距估计不准
  • 棋盘格未充满画面 → 主点估计误差大
  • 存在运动模糊 → 角点检测失败

2.2 自动化采集脚本

使用这个脚本避免手动拍摄：

import os import time save_dir = "calib_imgs" os.makedirs(save_dir, exist_ok=True) count = 0 while count < 20: ret, frame = cap.read() cv2.imshow('Preview', frame) key = cv2.waitKey(1) if key == ord('s'): cv2.imwrite(f"{save_dir}/calib_{count}.jpg", frame) print(f"Saved image {count}") count += 1 time.sleep(0.5) # 防连拍 cap.release() cv2.destroyAllWindows()

3. 标定核心代码详解

3.1 角点检测的陷阱与技巧

# 初始化角点检测参数 pattern_size = (7, 5) # 内部角点数，比实际格子少1 obj_points = [] img_points = [] # 准备3D空间坐标 (Z=0) 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) for fname in os.listdir(save_dir): img = cv2.imread(os.path.join(save_dir, fname)) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 角点检测关键步骤 ret, corners = cv2.findChessboardCorners( gray, pattern_size, flags=cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_NORMALIZE_IMAGE ) if ret: # 亚像素级优化 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_refined = cv2.cornerSubPix( gray, corners, (11,11), (-1,-1), criteria ) img_points.append(corners_refined) obj_points.append(objp)

关键提示：当findChessboardCorners失败时，尝试调整flags参数组合

3.2 标定函数参数全解析

ret, K, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None, flags=cv2.CALIB_FIX_K3 + cv2.CALIB_ZERO_TANGENT_DIST ) print(f"内参矩阵K:\n{K}") print(f"畸变系数:\n{dist}")

参数选择建议：

4. 结果验证与误差分析

4.1 重投影误差可视化

mean_error = 0 for i in range(len(obj_points)): img_points2, _ = cv2.projectPoints( obj_points[i], rvecs[i], tvecs[i], K, dist ) error = cv2.norm(img_points[i], img_points2, cv2.NORM_L2)/len(img_points2) mean_error += error print(f"平均重投影误差: {mean_error/len(obj_points):.3f} 像素")

误差评估标准：

• <0.1像素：实验室级精度
• 0.1-0.3像素：工业应用达标

• 0.5像素：需重新标定

4.2 实时矫正演示

# 创建实时矫正管道 map1, map2 = cv2.initUndistortRectifyMap( K, dist, None, K, (640,480), cv2.CV_32FC1 ) cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() undistorted = cv2.remap(frame, map1, map2, cv2.INTER_LINEAR) cv2.imshow('Original', frame) cv2.imshow('Undistorted', undistorted) if cv2.waitKey(1) == 27: # ESC退出 break

5. 工程化应用技巧

5.1 参数保存与加载

推荐使用YAML格式保存标定结果：

import yaml data = { 'camera_matrix': K.tolist(), 'dist_coeff': dist.tolist() } with open('calibration.yaml', 'w') as f: yaml.dump(data, f)

5.2 不同场景的调参策略

根据应用场景调整标定方法：

在工业检测项目中，我们发现使用金属标定板比纸质版精度提升约15%，特别是在温度变化较大的环境中。一个实用的技巧是在标定前让相机预热10分钟，避免温度导致的焦距漂移。