OpenCV相机标定实战：张正友标定法原理与代码详解

简介：这是一套基于OpenCV的张正友相机标定完整实例工程，适合计算机视觉初学者与需要实现相机标定的开发者学习。资源包含可直接运行的Visual Studio工程，两个cpp源文件均配有详细注释，配套14张不同角度的标定图与棋盘图，用户只需一键运行即可完成标定流程，并输出相机内参、外参、旋转平移矩阵及误差评价结果，还能利用标定参数对原始棋盘图进行矫正。压缩包共92个文件，以Visual Studio生成日志（tlog）、标定图像（bmp/jpg）、文本配置（txt）及可执行文件（exe）为主，包体仅10.26MB，便于快速下载与本地调试。工程代码结构清晰，从数据读取到结果输出均有体现，适合作为标定学习与项目改造的参考模板。目前已有22719人学习下载，足以体现其实用性与参考价值。 做相机标定这件事，说难是真不难，OpenCV把张正友标定法封装成了现成的接口，跑一遍cv2.calibrateCamera就能拿到内参和畸变系数；但说简单也绝不简单，我见过太多人拿着代码跑通了，结果标出来的焦距跟实际差一大截，矫正完的图像边缘弯得没法看。问题基本都出在“不知道标定到底在算什么”和“采集图像太随意”这两件事上。这篇就把张正友标定法配合OpenCV的完整实现拆开揉碎，从原理到代码，从拍图到参数解读，再到我踩过的坑，一次讲透。

这套内容适合刚接触机器视觉的开发者、做机器人抓取或测量项目需要自己标定相机的工程师，以及正在做SLAM、三维重建、AR相关课题的同学。读完你不仅能跑通完整程序，还能自己判断标定结果到底靠不靠谱。

1. 张正友标定法到底在干什么

1.1 内参、外参、畸变，一次讲清楚

相机标定的本质，是建立三维世界坐标到二维像素坐标的映射关系。这个映射可以拆成两部分：一部分是相机内部的固定属性，叫内参；另一部分是每次拍摄时相机相对标定板的位置姿态，叫外参。

内参矩阵长得是这样：

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

fx、fy是焦距，单位是像素。cx、cy是主点坐标，理想情况下应该落在图像正中心，但实际生产装配总会有偏差。这三个量（其实是四个，fx和fy通常不相等）决定了空间点投影到图像平面后的基础位置。

外参就更好理解了。你把棋盘格放在桌上，相机从侧面拍，跟从正上方拍，得到的图像完全不同。这个“不同”就是由旋转矩阵R和平移向量t描述的，它们把世界坐标系变换到相机坐标系。

真正让新手头疼的是畸变。镜头加工和装配不可能完美，光线经过透镜后会产生径向畸变（画面边缘的直线变弯）和切向畸变（镜头与成像平面不平行导致的拉伸）。OpenCV里用k1, k2, p1, p2, k3五个系数来近似描述。其中k1, k2, k3是径向畸变系数，p1, p2是切向畸变系数。标定的核心工作之一，就是把这五个系数算准，这样拍出来的图像才能“掰直”。

1.2 棋盘格标定的核心假设与“张氏方法”的精妙之处

张正友标定法最聪明的地方在于——它不需要你知道标定板的精确三维坐标，只需要一块平面棋盘格。传统标定方法（比如Tsai两步法）需要精密的3D标定块，制作难度高、成本也高。而棋盘格只要一张打印纸就能搞定。

为什么棋盘格够用？因为张正友证明了：单应性矩阵可以在未知内参的情况下，把平面标定板上的特征点映射到图像平面。相机的内参约束，可以从多个不同角度的单应性矩阵中线性求解出来。简单说，你只需要把棋盘格放在不同角度拍十几张照片，算法就能从这些平面的投影关系中反推出相机内参。

张氏方法的求解流程分两步：第一步忽略畸变，用线性方法求出内参和外参的初值；第二步引入畸变系数，用最大似然估计（Levenberg-Marquardt算法）对所有参数做非线性优化。OpenCV的calibrateCamera函数实现的就是这个过程，所以如果你只想调用API，确实不用关心底层细节。但如果标定结果不对，不理解原理就完全无从下手排查。

2. 完整的OpenCV标定实现（可直接运行的源码）

2.1 环境准备与依赖

我用的是Python版本，这是目前上手最快、调试最方便的方式。需要的依赖只有两个：

pip install opencv-python opencv-contrib-python pip install numpy

如果你用的是C++，等价的头文件就是opencv2/calib3d.hpp和opencv2/imgproc.hpp，CMake里链接opencv_calib3d和opencv_imgproc即可。核心流程和Python完全一致，函数名都是findChessboardCorners、calibrateCamera这套，照着下面代码逻辑翻译就行。

注意：opencv-contrib-python里包含一些扩展模块，标定用不到，但装上也不冲突。如果你之前已经装了别的版本OpenCV，建议先卸载干净再装，避免出现module 'cv2' has no attribute 'findChessboardCorners'这种让人一头雾水的报错。

2.2 标定主程序代码及逐段讲解

先放完整代码，再逐段解释关键部分。

import cv2 import numpy as np import glob # 棋盘格内角点数量，注意是“内角点”不是棋盘格数 # 比如棋盘格是9x6的格子，内角点就是8x5 CHECKERBOARD = (8, 5) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objp = np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) objpoints = [] # 世界坐标系中的棋盘格点坐标 imgpoints = [] # 图像中对应的像素坐标 images = glob.glob('calib_images/*.jpg') for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None) if ret: objpoints.append(objp) # 亚像素精细化，让角点定位更准 corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) imgpoints.append(corners2) # 可视化角点检测结果，方便检查 cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret) cv2.imshow('Chessboard', img) cv2.waitKey(200) cv2.destroyAllWindows() # 标定主函数 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print("重投影误差: ", ret) print("内参矩阵: \n", mtx) print("畸变系数: ", dist.ravel()) # 畸变矫正映射表 h, w = img.shape[:2] newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) mapx, mapy = cv2.initUndistortRectifyMap( mtx, dist, None, newcameramtx, (w, h), 5 ) # 保存标定结果 np.savez('camera_params.npz', mtx=mtx, dist=dist, newcameramtx=newcameramtx, roi=roi)

这里有个特别容易踩坑的点：CHECKERBOARD定义的是内角点数量，不是棋盘格的行列数。如果你打印的棋盘图是“9格 x 6格”，那么内角点就是“8 x 5”。很多人第一次写代码，直接用棋盘格数去定义，结果findChessboardCorners死活找不到角点，或者检测到一半就中断。

代码中objp是世界坐标系下的棋盘格点，Z轴全为0，X轴和Y轴以“格子”为单位。因为后续求解单应性矩阵时，只用到了棋盘格的拓扑关系，不会用到格子的物理尺寸，所以这里单位可以是任意值。但要注意，如果你后续需要做“像素到真实毫米”的换算，必须在标定的时候就告诉程序每个格子的实际边长，方法是把objp[:, :2] *= square_size（如0.03表示30mm）。

cv2.cornerSubPix这一步很多人会忽略。直接找出来的角点是像素级别的整数坐标，用亚像素精细化之后精度能提升到零点几个像素。这个精度对畸变系数的计算影响非常大，尤其是边缘畸变，差了半个像素，k1、k2就可能偏差明显。

2.3 关于棋盘图的准备建议

没有现成的棋盘图，最简单的办法是用OpenCV自己生成。在本地跑下面这段，就能得到一张矢量清晰的棋盘图，分辨率设为A4纸打印水平即可：

import cv2 import numpy as np board_size = (9, 6) # 横向9个格子，纵向6个格子，注意是“格子数” square_size = 100 # 每个格子的像素大小 rows, cols = board_size height = rows * square_size width = cols * square_size board = np.zeros((height, width), dtype=np.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_9x6.png', board)

打印的时候有个关键要求：棋盘格必须是平直的。如果你用普通A4纸打印，一定要贴在硬纸板或亚克力板上，不能有褶皱。我刚开始图省事，直接拿软纸去拍，结果每张图像的角点X、Y坐标都存在细微变形，标定出来的焦距明显偏小，这就是软纸在拍摄时轻微弯曲导致的。

如果你手边没有打印机，也可以把棋盘图显示在平板或显示器上，然后移动相机从不同角度拍摄。这种方式比A4纸更平整，但要注意屏幕的镜面反光问题，后期我会在采集注意事项里细说。

3. 实操过程：从拍摄到标定结果评估

3.1 采集标定图片的注意事项

采集图像的质量直接决定标定结果的精度，这里面的门道比很多人想象的多。

数量与角度。至少拍15到20张，不要少于10张。拍摄时让棋盘格出现在画面的不同位置：左上、右上、中央、左下、右下。角度上要有明显的倾斜变化——绕X轴旋转15度、绕Y轴旋转20度之类。这样做的目的是让空间中的特征点在不同深度上都有分布，否则深度信息不足，焦距和主点很难准确收敛。

姿态变化比位置变化更重要。我见过有人拍了20张，但棋盘格始终平面对着相机，只是上下左右移动。这种“零姿态变化”的图片集合，标定出来的畸变系数基本是废的，因为算法没有从非正面视角中获取径向畸变的约束。记住一个原则：正面拍一张就够了，其余全部倾斜着拍。

光照要均匀。找角点的算法对对比度敏感，光照不均或者局部反光都会导致角点检测失败。屏幕显示棋盘格时要特别留意镜面高光，可以适当调整屏幕亮度和拍摄角度。用纸质棋盘则尽量在柔和漫射光下拍摄，避免直射灯造成亮斑。

运动模糊必须避免。手持相机拍摄时按快门的瞬间容易抖动，图像稍微模糊一点，cornerSubPix亚像素定位就会偏离。最稳妥的做法是把相机固定在三脚架上，移动棋盘格来变换姿态和角度。如果必须手持，就提高快门速度，或者多拍几张挑清晰的用。

3.2 运行标定并解读输出参数

代码跑完后，输出里最核心的是四样东西：重投影误差ret、内参矩阵mtx、畸变系数dist、以及优化后的新相机矩阵newcameramtx。

重投影误差的单位是像素，表示所有棋盘格角点的重投影位置与实际检测位置的均方根误差。经验值：小于0.1像素属于极好，0.1到0.3像素是优秀，0.3到0.5像素可接受，超过0.5就需要检查是不是哪张图有问题。这里不是越接近0就一定好，如果重投影误差只有0.02，反而要怀疑是不是过拟合了——比如图片数量太少或者角度变化太单一。

内参矩阵里的fx和fy可以做一个简单合理性检查。市面上常见的CMOS相机，像素尺寸在1.4um到3um之间。如果镜头焦距是6mm，像素尺寸是2.2um，那fx大约在2700到2800像素左右。如果你的标定结果算出来是3000多，先找像素尺寸资料确认一下，不对就要排查输入图像是不是被缩放过了。

畸变系数dist的五个值，注意它们的数量级。对普通工业镜头或手机广角镜头，k1通常在-0.1到0.1之间；如果标定出来的k1是-3或者-5这种离谱数值，基本可以判断标定失败，原因多半是图片数量不够或者角度覆盖不够全。

3.3 标定结果如何验证（畸变矫正）

标定完之后，不能只看数字就说标定成功了，最终效果必须用矫正后的图像来验证。

# 使用之前保存的 mapx, mapy 做重映射 dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR) # 根据ROI裁剪掉黑边区域 x, y, w, h = roi dst_cropped = dst[y:y+h, x:x+w] cv2.imshow('Undistorted', dst_cropped)

理想情况下，矫正前后的图像差异主要在边缘。矫正后，画面边缘原本弯曲的直线（比如门框、窗框、地砖缝）应该变直。同时边缘会比原图有轻微裁剪，这是正常现象，因为畸变矫正本质上是把边缘的像素重新映射，侧边会显得比原图略宽。

有个实用技巧：把原图和矫正图做成一个滑动条或并排对比，逐张检查。如果有个别区域出现严重的拉伸变形或“波浪状”扭曲，大概率是畸变系数拟合过度了，可以试试在getOptimalNewCameraMatrix的第二个参数上调整——alpha参数设成0会让输出图像只保留有效区域，设成1则保留所有像素（包括黑边）。多数场景用0或0.5之间，既能去掉黑边又不会过度裁切。

4. 常见问题与排查技巧实录

4.1 角点检测失败怎么办

findChessboardCorners返回False是所有新手的第一个拦路虎。排查优先级如下：内角点数量定义是否正确、图片是否足够清晰、棋盘格是否完整出现在画面内、光照是否均匀。

如果还是找不到，有一个OpenCV调优技巧——把cv2.findChessboardCorners最后一个参数从None改成cv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_NORMALIZE_IMAGE。这两个标志位会让算法先做自适应二值化再检测，对光照不均的情况有明显改善。再不行，可以尝试cv2.CALIB_CB_FAST_CHECK，但要注意这个标志位相当于快速预判，有时会直接跳过本该成功的图片。

还有一个很容易忽视的问题：棋盘图像素不能太小。如果棋盘格在画面中只占三四百个像素，内角点的轮廓就不够清晰，亚像素定位必然不准。建议棋盘格长边占整个画面宽度的三分之一以上。

4.2 标定结果误差大或参数不合理的排查思路

这类问题最折磨人，因为程序能跑通，但是出来的参数一看就不对。我遇到的典型情况有这么几种：

图片数量不足——这是我踩过最深的坑。第一次做标定的时候我只拍了8张图，重投影误差0.35左右，fx、fy也不合理，后来补到18张，误差降到0.12，参数也正常了。张正友标定法的本质是解一个超定方程，图片越多，约束越多，解越稳定。

姿态覆盖不全面——只绕一个方向旋转，或者所有图片里棋盘格都集中在画面中央，都会导致参数退化。排查方法是把每张图的角点画出来，看它们是否遍布整个画面。如果某一边的角点从未出现，那这一侧的畸变系数就没有足够的约束。

棋盘格不平整或发生形变——前面提到的软纸问题，这是物理层面的误差，代码怎么调都救不回来。解决办法是更换硬质标定板。

混合了不同分辨率的图片——有些场景下会忘记相机设置被改动过，拍了两组不同分辨率的图片混在一起标定。内参矩阵跟分辨率是强相关的，这种做法会让结果严重偏移。老老实实统一分辨率，重新拍一组。

4.3 畸变矫正后图像边缘异常

矫正出来的图像边缘有严重的拉伸或锯齿，基本是畸变系数过估计了。一个常见的原因是：在非线性优化里，畸变的权重过大，参数被带偏了。

有个简单的缓解办法：用cv2.getOptimalNewCameraMatrix的alpha参数控制输出图像的视野范围。alpha=0时，OpenCV会裁剪掉所有矫正后产生的空白区域，只保留最大内接矩形；alpha=1时代价是保留全部信息包括黑边。实际项目里，我通常取alpha=0.5左右，既保留接近原有的视场角，又能避开最边缘畸变最剧烈的区域。

如果你发现自己标定得到的畸变参数在别的程序里（比如某些基于Matlab标定结果的工程）换算时对不上，还要注意一个坐标系差异：OpenCV的像素坐标系原点在左上角，x向右y向下；而在某些计算机图形学或机器人学坐标系里，y轴向上。标定结果迁移到其他平台前，先确认坐标系定义是否一致，否则tvecs和旋转向量符号就会出错。

4.4 实操避坑清单汇总

这里把我反复踩过、也帮别人排查过的问题整理成一张表，方便你对照自查：

最后总结一个实操习惯：每次标定前，先拍一张棋盘格在画面正中央的正面图，跑通整个流程并确认角点检测正确，再开始正式采集。这个“小步验证”能节省大量排查时间，别一口气拍完20张，结果发现角点数量定义错了，白忙一场。

就我个人经验而言，标定这件事最考验的其实不是代码能力，而是对图像质量的判断力。同一套程序，认真采集和随手采集，标出来的参数可能在10%到20%之间浮动。如果你产线或项目中需要高精度测量，建议把采集规范写成文档固定下来：棋盘格型号、拍摄距离范围、光照条件、图片数量下限，全部明确。好的标定不是调参调出来的，是从第一张照片开始就注定的。

本文还有配套的精品资源，点击获取