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

美业云营销

378人浏览 · 2026-04-08 10:40:07

美业云营销 · 2026-04-08 10:40:07 发布

从零实现相机标定：Python+OpenCV实战指南

相机标定是计算机视觉中一项基础但至关重要的技术。想象一下，当你用手机拍摄一张照片时，镜头如何将三维世界映射到二维平面上？这个过程涉及哪些数学变换？今天，我们就用Python和OpenCV来揭开这个神秘面纱。

1. 准备工作与环境搭建

在开始标定前，我们需要准备合适的工具和环境。不同于纯理论讲解，我们将从实际可操作的角度出发，确保每个步骤都能在你的电脑上复现。

首先安装必要的Python库：

pip install opencv-python numpy matplotlib

硬件准备清单：

普通USB摄像头或智能手机（建议分辨率至少720p）
标准棋盘格图案（建议A4纸打印）
稳定的拍摄环境（避免强光直射）

棋盘格是标定的关键工具，OpenCV推荐使用不对称的棋盘格图案以减少标定误差。你可以从OpenCV官网下载标准模板，或者用以下代码生成：

import cv2
import numpy as np

def generate_chessboard(rows=6, cols=9, square_size=30):
    width = cols * square_size
    height = rows * square_size
    chessboard = np.ones((height, width), dtype=np.uint8) * 255
    
    for i in range(rows):
        for j in range(cols):
            if (i + j) % 2 == 0:
                chessboard[i*square_size:(i+1)*square_size, 
                          j*square_size:(j+1)*square_size] = 0
    return chessboard

cv2.imwrite("chessboard.png", generate_chessboard())

2. 数据采集：多角度拍摄技巧

获得高质量标定结果的关键在于采集多样化的图像样本。以下是经过实践验证的拍摄建议：

最佳实践：

保持棋盘格平整（可贴在硬纸板上）
每个角度至少采集15-20张不同姿态的图像
包含棋盘格靠近边缘、倾斜、旋转等各种情况
确保棋盘格完整出现在画面中

常见错误模式：

所有图像中棋盘格都位于画面中央
棋盘格姿态过于相似
图像中存在严重运动模糊

用OpenCV实时预览采集效果的代码示例：

cap = cv2.VideoCapture(0)
pattern_size = (9, 6)  # 内部角点数量

while True:
    ret, frame = cap.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # 查找棋盘格角点
    found, corners = cv2.findChessboardCorners(gray, pattern_size)
    if found:
        cv2.drawChessboardCorners(frame, pattern_size, corners, found)
    
    cv2.imshow('Camera Calibration', frame)
    key = cv2.waitKey(1)
    if key == ord('s'):  # 按s保存当前帧
        cv2.imwrite(f'calib_{len(glob("calib_*.jpg"))}.jpg', frame)
    elif key == 27:  # ESC退出
        break

cap.release()
cv2.destroyAllWindows()

3. 核心标定流程解析

现在进入最关键的标定环节。OpenCV提供了cv2.calibrateCamera函数，但理解其背后的原理同样重要。

3.1 坐标系转换原理

相机标定涉及四个坐标系的转换：

坐标系	描述	转换关系
世界坐标系	棋盘格所在3D空间	刚体变换(R,t)
相机坐标系	以相机为中心的3D空间	透视投影
图像坐标系	2D成像平面	内参矩阵K
像素坐标系	最终图像像素	离散化

内参矩阵K的形式为：

K = [[fx, s, cx],
     [0, fy, cy],
     [0,  0,  1]]

3.2 标定代码实现

完整的标定流程代码如下，包含详细注释：

import glob
import numpy as np

# 准备3D对象点：(0,0,0), (1,0,0), ..., (8,5,0)
objp = np.zeros((6*9, 3), np.float32)
objp[:,:2] = np.mgrid[0:9, 0:6].T.reshape(-1, 2)

# 存储对象点和图像点
objpoints = []  # 3D点
imgpoints = []  # 2D点

images = glob.glob('calib_*.jpg')
pattern_size = (9, 6)

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 查找角点
    found, corners = cv2.findChessboardCorners(gray, pattern_size)
    if found:
        # 亚像素级精确化
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
        corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)
        
        objpoints.append(objp)
        imgpoints.append(corners2)

# 执行标定
ret, K, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None)

注意：标定质量与角点检测精度直接相关。使用cornerSubPix可显著提高角点定位精度。

4. 结果分析与应用

获得标定参数后，我们需要理解它们的物理意义并验证准确性。

4.1 参数解读

典型输出结果示例：

内参矩阵K:
[[ 532.5    0    320.1]
 [   0    531.2   240.7]
 [   0      0      1   ]]

畸变系数:
[-0.21, 0.03, 0.001, 0.002, 0.15]

参数含义：

fx, fy: x和y方向的焦距（像素单位）
cx, cy: 主点坐标（通常接近图像中心）
k1, k2: 径向畸变系数
p1, p2: 切向畸变系数

4.2 标定质量评估

验证标定结果的两种实用方法：

重投影误差分析：

mean_error = 0
for i in range(len(objpoints)):
    imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], K, 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")

可视化矫正效果：

img = cv2.imread('test.jpg')
h, w = img.shape[:2]
newK, roi = cv2.getOptimalNewCameraMatrix(K, dist, (w,h), 1, (w,h))
dst = cv2.undistort(img, K, dist, None, newK)

cv2.imshow('原始图像', img)
cv2.imshow('矫正后图像', dst)
cv2.waitKey(0)

4.3 实际应用场景

精确的相机标定是以下应用的基础：

三维重建
增强现实
视觉SLAM
物体尺寸测量

例如，在AR应用中，我们可以将虚拟物体准确地叠加到真实场景中：

def draw_3d_axis(img, K, dist, rvec, tvec, length=0.1):
    points = np.float32([[0,0,0], [length,0,0], [0,length,0], [0,0,length]])
    imgpts, _ = cv2.projectPoints(points, rvec, tvec, K, dist)
    
    img = cv2.line(img, tuple(imgpts[0].ravel()), tuple(imgpts[1].ravel()), (0,0,255), 3)
    img = cv2.line(img, tuple(imgpts[0].ravel()), tuple(imgpts[2].ravel()), (0,255,0), 3)
    img = cv2.line(img, tuple(imgpts[0].ravel()), tuple(imgpts[3].ravel()), (255,0,0), 3)
    return img

5. 高级技巧与问题排查

在实际项目中，我们经常会遇到各种标定问题。以下是几个常见问题的解决方案。

5.1 提高标定精度的技巧

温度影响：相机传感器会随温度变化产生微小形变，标定前让相机预热10分钟
光照条件：保持均匀照明，避免高光反射和阴影
棋盘格质量：使用高对比度、无皱褶的棋盘格
数据多样性：确保棋盘格覆盖整个视野范围

5.2 标定失败排查指南

问题现象	可能原因	解决方案
找不到角点	棋盘格方向错误	旋转棋盘格或调整pattern_size
重投影误差大	角点检测不准确	使用cornerSubPix提高精度
畸变矫正异常	图像数量不足	增加不同角度的标定图像
主点偏离中心	镜头光学偏移	这是正常现象，无需特别处理

5.3 鱼眼镜头标定

对于广角或鱼眼镜头，需要使用不同的标定方法：

# 鱼眼镜头标定
calib_flags = cv2.fisheye.CALIB_RECOMPUTE_EXTRINSIC + cv2.fisheye.CALIB_CHECK_COND
K_fisheye = np.zeros((3, 3))
D_fisheye = np.zeros((4, 1))
rvecs_fisheye = [np.zeros((1, 1, 3)) for _ in objpoints]
tvecs_fisheye = [np.zeros((1, 1, 3)) for _ in objpoints]

cv2.fisheye.calibrate(
    objpoints, imgpoints, gray.shape[::-1],
    K_fisheye, D_fisheye,
    rvecs_fisheye, tvecs_fisheye,
    calib_flags,
    (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 1e-6))

相机标定看似简单，但要获得工业级精度的参数需要反复实践。在我的多个视觉项目中，发现标定质量会显著影响后续算法的性能。特别是在使用低成本摄像头时，充分理解每个参数的意义比盲目追求"完美"标定更重要。