简介这份资源是基于OpenCV-Python实现的张正友相机标定完整实战项目面向计算机视觉学习者与开发者解决如何通过棋盘格图像准确获取相机内参、外参及畸变系数的问题。项目采用经典张正友标定法用平面棋盘格替代复杂的三维标定物操作便捷且标定精度高。整个项目共15个文件12张棋盘格JPG图像覆盖多个角度满足标定采样要求1个Python标定脚本核心完成角点检测、标定方程组构建、最小二乘法求解内外参数等步骤1个XML参数文件保存最终计算得到的相机参数1份Markdown说明文档提供使用说明与原理讲解。压缩包仅2.43MB轻量易部署。目前已有305人学习适合希望以实际代码掌握标定全流程的读者。通过该项目不仅能理解特征点提取、内外参计算、畸变校正等核心概念还能直接运行源码获得可用的参数结果并参考文档中的验证方法评估标定效果快速复用于三维重建、视觉测量等任务是理论与实践结合的优质工程入门资料。1. 相机标定为什么张正友方法是OpenCV-Python项目里的默认答案把摄像头装到测量支架上想用像素坐标换算毫米距离结果量出来的数比尺子差十几毫米把两路画面拼成全景接缝处总是错开半个手掌。这类翻车十有八九不是算法写得不对而是相机内参没标定。张正友标定法是1998年发表在IEEE TPAMI上的经典方案OpenCV中calibrateCamera接口的算法基础正是它只用一块打印棋盘格从不同角度拍15到20张照片就能解出内参、畸变系数和外参。这篇笔记适合用OpenCV-Python做视觉测量、双目深度估计和图像拼接的开发者。读完你能独立跑通标定流程知道每个参数怎么设也能躲开那些常见坑。2. 张正友标定法原理与选型棋盘格、单应矩阵与约束方程2.1 为什么是张正友方法而不是传统标定块或自标定传统相机标定要使用精密加工的三维标定块两个平面严格垂直、表面网格坐标已知。这类标定块价格高一旦磕碰或划伤整个标定基准就废了。而且三维标定块体积大在产线或实验室里摆放也很麻烦。自标定方法不需要任何标定物只靠场景中的特征点估计内参听起来省事但方程非线性强、初值敏感普通镜头标出来的结果经常飘投入产出比太低。张正友的方法把标定物从三维降成平面棋盘格。棋盘格是一张打印纸就能搞定的平面图案每个格子交点都是特征点OpenCV能自动检测不需要人工选点。在数学上平面标定损失了三维信息但张正友利用旋转矩阵的正交性补回了自由度精度并不输给三维标定块。这也是为什么OpenCV、MATLAB Camera Calibrator 工具箱和绝大多数开源标定工具都把棋盘格当作默认入口。实际项目中如果只是给单目相机求内参和畸变系数直接走张正友这一条路就够了。MATLAB Camera Calibrator 也能出同类的内参结果但需要把图片导入、人工确认检测结果、再逐个检查误差流程偏重。OpenCV-Python写一遍脚本后续换相机、换分辨率、补拍照片都只用改参数重跑所以我一般优先用OpenCV-Python做这条流程。2.2 棋盘格、角点检测与单应性矩阵的关系相机成像可以拆成两步先由外参把世界坐标变换到相机坐标再由内参把相机坐标投影成像素坐标。设棋盘格上某个角点的齐次世界坐标为[X, Y, Z, 1]^T对应像素坐标为[u, v, 1]^T投影关系写成s * [u, v, 1]^T K * [r1, r2, r3, t] * [X, Y, Z, 1]^T这里面 K 是3×3内参矩阵包含焦距 fx、fy 和主点 cx、cyr1、r2、r3 是旋转矩阵的三列t 是平移向量。因为棋盘格是平面令 Z0第二项里 r3 就不起作用了等式简化为s * [u, v, 1]^T K * [r1, r2, t] * [X, Y, 1]^T H * [X, Y, 1]^T中间这个 3×3 矩阵 H 就是单应矩阵。每个视角都能从棋盘格角点的对应关系估计出一个 H而 H 里同时混着内参 K 和外参[r1, r2, t]。标定的核心任务就是先把这些 H 从照片里解出来再把 K 从 H 里拆出来。注意findChessboardCorners返回的是内角点数量。10×7 格子的棋盘内角点是 9×6。传给patternSize的必须是内角点数不是格子总数。2.3 从单应矩阵到内参两个正交约束的来源H K[r1 r2 t]H 是3×3K 是上三角矩阵r1 和 r2 是外参旋转矩阵的前两列。旋转矩阵是正交矩阵所以 r1 与 r2 天然满足两个约束r1^T r2 0并且 |r1| |r2|。把 H 矩阵代入这两个式子外参 r1、r2 可以被消掉最后得到只含内参 K 的约束方程。一个 H 提供一个视角的两个约束方程。内参 K 里有 fx、fy、cx、cy 和 skew 五个未知数所以理论上三张不同视角的棋盘格照片就能解出闭式解。但实际角点检测有噪声三张照片的姿态覆盖也远不够解出来的初值很不稳定。项目里通常拍15到20张有效照片并且让棋盘格在画面中的姿态、位置都拉开差距。求出闭式初值之后还需要把所有照片的角点放在一起做最大似然估计目标是最小化重投影误差把每张图的三维角点按当前内外参投影回像素坐标跟实际检测到的角点坐标比看差了多少像素。这一步非线性优化在OpenCV里就是calibrateCamera内部的LM迭代。如果只拍三四张图也能出结果但重投影误差往往会大到不可用。3. 用OpenCV-Python准备标定环境棋盘格生成、图像采集与参数设置3.1 最小依赖环境venv、opencv-python与numpy很多标定项目卡在环境配置上。常见错误是同时安装了opencv-python和opencv-contrib-python两个包都往 site-packages 里放 cv2版本互相覆盖运行时报奇怪的cv2.error。张正友标定用到的函数全部在opencv-python核心模块里不需要 contrib。所以最小依赖只有两个opencv-python 和 numpy。python -m venv .venv # Windows: .venv\Scripts\activate macOS/Linux: source .venv/bin/activate pip install opencv-python numpy激活虚拟环境后用pip list确认 cv2 存在。遇到ModuleNotFoundError: No module named cv2先确认当前终端是不是真的在虚拟环境里。在 VSCode 里调试时右下角选择解释器或者在.vscode/settings.json里指定python.defaultInterpreterPath很多报错都是解释器选错导致的。如果是在没有显示环境的服务器上跑标定就装opencv-python-headless它不依赖 GUI 库。需要可视化预览时用cv2.imwrite把角点绘制结果落盘查看不要用cv2.imshow。3.2 生成一张可打印的棋盘格尺寸、内角点与打印注意事项标定板可以买现成的陶瓷板或铝合金板精度高、不易变形。临时验证用打印版就够了用 numpy 生成一张灰度棋盘格图片再拿去打印。import cv2 import numpy as np square_size 100 # 每个格子的像素边长打印后物理尺寸要另测 cols, rows 10, 7 # 格子数量10列7行 inner_cols, inner_rows cols - 1, rows - 1 # 内角点数量9列6行 board np.zeros((rows * square_size, cols * square_size), dtypenp.uint8) for i in range(rows): for j in range(cols): if (i j) % 2 0: board[i * square_size:(i 1) * square_size, j * square_size:(j 1) * square_size] 255 cv2.imwrite(chessboard.png, board)这段代码用(i j) % 2控制黑白格交替循环填充每个格子区域。打印时要在打印设置里选“实际大小”或“100%比例”不要选“适应页面”否则格子边长会被缩放。打印完成后用尺子量一下真实边长标定代码里的square_size要填真实毫米数不能填生成图片时的像素边长。格子边长决定了外参位移的尺度单位错了外参和焦距的绝对数值都会按同样比例错。棋盘格起的是特征点提供者的作用。黑白交替的方格让角点检测很容易定位内角点不需要像 ArUco 那样编码。如果打印出来反光严重换哑光纸或者打印后贴一层哑光膜能显著减少角点附近的过曝干扰。3.3 采集15到20张照片姿态、光照与画面占比的覆盖策略照片质量直接决定标定结果。常见误区是拿着棋盘格在相机面前同一角度平移拍出来的照片姿态几乎一样数据在优化时退化成几个方向的重复观测内参解不稳定。拍摄时至少注意这几条棋盘格要占画面总面积的1/3到1/2太小则角点像素密度低亚像素细化不稳定每张照片里棋盘和相机平面的夹角要有明显变化覆盖从正对到约30度倾斜的范围棋盘格在画面中的位置要轮流放在四角和中心避免只集中在画面中央整张棋盘必须在画面内只要有一个角点出画这张图就应该删掉光照要均匀避免强反光和阴影斜切在棋盘表面同一台相机用同一焦距拍完所有照片变焦镜头中途动焦距等于换了一组内参如果条件允许把棋盘贴在平整的硬板上再拍。纸板弯曲会引入系统性的角点位置误差这是很多标定结果误差偏大的真正原因。拍摄时用支架固定相机避免手持抖动造成模糊。一般经验是15到20张有效照片已经足够逼近最优解继续增加照片数量的边际收益很小。4. 跑通张正友标定核心代码角点检测、内参求解与参数落盘4.1 角点检测与亚像素细化先处理单张图确认棋盘格能被正确识别。cv2.findChessboardCorners返回一个布尔值和角点坐标。布尔值为 False 表示这张图没找到角点需要跳过。拿到初值后用cv2.cornerSubPix做亚像素细化把角点坐标从像素级精度提升到亚像素级这一步对标定结果影响很大。import cv2 import numpy as np pattern (9, 6) # 内角点9列6行 img cv2.imread(images/01.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 检测内角点patternSize 必须是内角点数量不是格子总数 ret, corners cv2.findChessboardCorners(gray, pattern, None) print(检测成功:, ret) # 亚像素细化在粗定位附近搜索梯度变化最稳定的位置 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_refined cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)cornerSubPix的winSize是搜索窗口半径(11, 11) 表示在角点周围 11×11 的邻域内计算梯度对常规分辨率的棋盘图足够。如果图像分辨率很高可以加大到 (15, 15)。criteria 里 30 是最大迭代次数0.001 是角点移动距离的终止阈值常规标定不需要改。这里有个细节calibrateCamera需要的 imagePoints 应该用细化后的corners_refined而不是findChessboardCorners的原始返回结果。直接跳过cornerSubPix也能出结果但重投影误差通常明显偏大。提示findChessboardCorners对光照和棋盘完整性敏感。如果 ret 频繁为 False先降低图像分辨率试一次或者用CALIB_CB_ADAPTIVE_THRESH CALIB_CB_NORMALIZE_IMAGE两个 flags 组合提升检测率。4.2 多图收集与 calibrateCamera 参数求解核心调用是cv2.calibrateCamera。传入所有图的 objectPoints棋盘格三维坐标和 imagePoints检测到的二维角点返回内参矩阵 mtx、畸变系数 dist、每张图的外参 rvecs 和 tvecs。objectPoints 的 z 坐标全部为 0x 和 y 用内角点索引乘格子边长。单位一致即可毫米和厘米只影响外参的数值尺度不影响内参。import cv2 import numpy as np import glob pattern (9, 6) # 内角点数量 square_size 25.0 # 棋盘格真实边长单位 mm criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) # 构造棋盘格三维坐标z 保持为 0 objp np.zeros((pattern[0] * pattern[1], 3), np.float32) objp[:, :2] np.mgrid[0:pattern[0], 0:pattern[1]].T.reshape(-1, 2) * square_size obj_points [] # 每张图的世界坐标 img_points [] # 每张图的图像坐标 for fname in sorted(glob.glob(images/*.jpg)): img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, pattern, None) if ret: corners_refined cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners_refined) else: print(f跳过未检测到角点的图片: {fname}) # 求解相机内参、畸变系数和每张图的外参 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None ) print(内参矩阵 mtx:\n, mtx) print(畸变系数 dist:\n, dist)gray.shape[::-1]传入的是图像尺寸 (width, height)也就是 (cols, rows)。传反的话标定不会报错但结果会和图像坐标系错位去畸变后图像会变形。calibrateCamera的 flags 参数传 None 时用默认行为也可以传CALIB_FIX_ASPECT_RATIO固定 fx/fy 比例或传CALIB_ZERO_TANGENT_DIST把切向畸变置零。对普通镜头默认行为已经够用。4.3 用重投影误差验证内参质量重投影误差是最直观的质量指标。把每张图的外参和内参代回投影公式把三维角点投影到图像平面再跟实际检测到的角点算像素距离所有图的 RMS 误差就是综合分数。import cv2 import numpy as np total_error 0.0 for i in range(len(obj_points)): # 用当前内参、畸变和外参把棋盘格三维点投影回图像 proj_points, _ cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist) error cv2.norm(img_points[i], proj_points, cv2.NORM_L2) / len(proj_points) total_error error mean_error total_error / len(obj_points) print(f平均重投影误差: {mean_error:.4f} 像素)这段代码在calibrateCamera跑完后立刻执行。mean_error 在 0.1 到 0.3 像素之间说明数据和求解过程都正常超过 0.5 像素先别急着调算法回去检查采集阶段的问题比如照片模糊、棋盘弯曲、焦距中途变化。把 mtx 和 dist 保存成 JSON后续项目直接读取不用每次重新标定。dist 的形状可能是 (1, 5) 或 (1, 8)保存前用ravel()展平成一维数组读取时再 reshape 回 (1, -1)。import json calib_data { mtx: mtx.tolist(), dist: dist.ravel().tolist(), rms: mean_error, image_size: gray.shape[::-1], } with open(camera_params.json, w) as f: json.dump(calib_data, f, indent2)JSON 格式比np.savez通用C、Go 或者 Node 服务都能直接读。参数名建议保持 OpenCV 官方风格mtx、dist、rvecs、tvecs后续接其他开源工具时不用再做一层映射。5. 张正友标定避坑指南五个最容易翻车的环节与排查方法5.1 角点检测不到或检测结果错乱现象findChessboardCorners返回 False或者检测出的角点网格歪斜、顺序错乱。原因最常见是棋盘格在画面中占比太小角点之间像素距离过近反光区域会干扰角点附近的梯度方向四角被遮挡导致内角点网格不完整。另一个隐蔽原因是 patternSize 传成了格子数量比如 10×7 格子的棋盘填了 (10, 7)正确值应该是 (9, 6)。解决先提高棋盘格在画面中的占比确保所有内角点都在画面内且边界完整。其次加CALIB_CB_NORMALIZE_IMAGE做光照归一化能救回一部分阴影导致的漏检。仍失败的话把当前图缩小到原来一半再检测检测到角点后再把坐标放大回原分辨率这个技巧能救回不少边缘图片。5.2 连续几次标定结果差异明显现象同一组照片跑两次标定fx 或 cx 能差出几十个像素结果不稳定。原因calibrateCamera内部的非线性优化存在局部极小值。初始解不稳定或者照片姿态覆盖不足时迭代可能落入不同的局部极小点。数据分布越单一结果波动越大。解决检查照片姿态是否覆盖了多角度倾斜、左右、远近都要有有效照片数量保持在 15 张以上。如果照片量没问题把 flags 参数显式传 None用默认闭式解加 LM 迭代不要额外固定 skew 或主点人为约束越多越容易把解推到错误区域。还要注意脚本重复运行时 obj_points 和 img_points 是重新赋值的不会累积旧数据但如果你把收集代码写在函数外面且多次运行同一个 notebook 单元格旧数据会残留在内存里结果同样会漂。5.3 平均重投影误差大于0.5像素现象标定完成mean_error 一直在 0.5 像素以上怎么调 flags 都降不下来。原因最大嫌疑是照片模糊或棋盘格纸面弯曲。其次是标定期间动了焦距变焦镜头或自动对焦摄像头在采集过程中改变焦距内参已经不是同一组误差自然不会小。解决固定焦距关闭自动对焦用支架固定相机。棋盘格贴在平整硬板上再拍。排除这些之后再把 flags 加上CALIB_RATIONAL_MODEL畸变模型从五项扩到八项能改善镜头畸变较大时的残差。误差仍然大时逐张算单图重投影误差把误差明显偏大的离群图片删掉重新标定比整体重拍更快。5.4 棋盘格尺寸标错导致焦距异常现象标定结果里 fx、fy 数值和相机标称焦距差一个数量级比如标称 4mm 的镜头标出几百像素的焦距完全对不上。原因square_size 填错。常见是把生成棋盘格图片时的像素边长当成物理边长填进去或者打印时被缩放成 90%却没有重新测量真实边长。解决打印后用游标卡尺量 5 个格子的总宽度除以 5 得到单个格子实际边长再填进 objp 构造代码。交叉验证可以用这个关系像素焦距 fx 约等于物理焦距 F 除以像元尺寸 pixel_size。工业相机 datasheet 里能查到像元尺寸算出来跟标定结果对得上说明尺寸设置没错。5.5 控制台报错calibrateCamera 输入形状不匹配现象报错信息里出现 calibrateCamera 相关的 assert 失败提示 obj_points 与 img_points 数量不一致。原因某些图片第一次检测成功但因为代码分支问题没有 append 到 img_points或者findChessboardCorners返回成功但 corners 是 None后续cornerSubPix直接抛异常。解决在调用calibrateCamera前打印len(obj_points)和len(img_points)两边必须相等。再用np.shape检查第一个元素的维度obj_points 每个元素是 (54, 3)img_points 每个元素是 (54, 1, 2)。收集循环里给每个 append 配上 else 分支打印跳过的文件名避免静默丢数据。6. 从标定结果到实际项目去畸变验证与后续扩展6.1 用重投影误差给标定质量分等级标定完成第一件事不是画图而是看平均重投影误差。以下是经验阈值可以直接参考平均重投影误差评价建议 0.1 像素优秀可用于测量类项目0.10.3 像素正常大部分视觉项目可用0.30.5 像素偏大检查采集数据择优删除离群图 0.5 像素不合格重新采集优先排查模糊和焦距变化这个阈值只作为参考不同分辨率下绝对值有差异。4K 图像上 0.5 像素和 720p 图像上 0.5 像素对应的物理误差不同但作为快速筛选已经够用。6.2 一张棋盘图验证去畸变效果import cv2 import numpy as np import json with open(camera_params.json) as f: calib json.load(f) mtx np.array(calib[mtx]) dist np.array(calib[dist]).reshape(1, -1) img cv2.imread(images/verify.jpg) h, w img.shape[:2] # alpha1 保留全部像素alpha0 只保留有效区域 new_mtx, roi cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) undistorted cv2.undistort(img, mtx, dist, None, new_mtx) x, y, w_roi, h_roi roi undistorted undistorted[y:y h_roi, x:x w_roi] cv2.imwrite(undistorted.jpg, undistorted)验证方法是观察画面边缘的直线比如门框、栏杆、墙脚线去畸变后应当是直的。如果画面边缘仍有明显弯曲说明畸变模型没有完全吸收镜头特性回到第 5 章重查采集环节。6.3 把流程扩展到双目与鱼眼这套流程往后走还有两个常见变体。双目深度估计需要在单目标定的结果上再做cv2.stereoCalibrate求出左右目之间的旋转矩阵 R 和平移向量 T数据采集时左右目各拍一组棋盘格照片。鱼眼镜头则改用cv2.fisheye模块的calibrate数据格式和预处理更严格但思路和张正友方法同源。我习惯每次标定后把照片数、平均重投影误差、棋盘格边长、日期一起存一份日志三个月后复标一次对比内参变化能及早发现镜头松动或老化。祝你标定一次通过希望帮到你。本文还有配套的精品资源点击获取