简介：一份基于OpenCV实现张正友相机标定的完整工程资源，面向需要学习相机标定原理与工程实现的开发者、研究人员，解决从标定板制作、图像采集到相机内外参计算与畸变矫正的全流程问题。压缩包共107个文件，大小约95.67MB，内容涵盖VS2015工程源码（cpp、vcxproj、sln、bat自动化脚本等）、棋盘格打印PDF、10张手机拍摄与20张摄像头拍摄的标定测试图，以及标定得到的mat矩阵与txt文本结果、运行日志等，结构清晰便于按需取用。工程代码注释详细，支持一键运行，能够输出相机内参、外参、旋转和平移矩阵，并附带标定效果评价模块；同时可使用标定结果对原始棋盘图进行矫正，直观展示算法效果，且标定结果与Matlab非常接近。资源还提供了pdb、ilk等调试文件，方便读者跟踪执行流程；测试图像覆盖不同拍摄设备，增强了标定的泛化参考价值。目前已有6805人浏览学习，适合计算机视觉方向的初学者与进阶者参考。 搞视觉的人基本都逃不过相机标定这一关，尤其是做机器人抓取、SLAM、三维重建或者自动驾驶感知的，拿到的相机如果内参不准，后面所有计算都像用一把没校零的尺子量东西。张正友标定法配合OpenCV实现，是目前最常用、也最适合入门的一套方案——你只需要一块棋盘格、一台相机、十来张照片，就能把相机的内参、畸变系数和外参全部求出来。这篇文章我会把整个流程拆开讲清楚，从棋盘格打印PDF怎么生成，到测试图片怎么采集，再到OpenCV代码一步步怎么写，最后附上我实际跑标定踩过的坑和排查技巧。无论你是刚接触视觉的新手，还是想系统梳理一遍标定细节的从业者，这篇都值得看完再动手。
1. 为什么是张正友标定法
1.1 相机标定到底在标什么
相机成像可以简单理解成把三维世界投影到二维像素平面，但这个投影不是理想的小孔成像，镜头本身会引入畸变，CMOS安装也会有轻微偏差。标定的核心就是求出一组参数，用来描述“空间点三维坐标 -> 像素坐标”的映射关系。这组参数分两部分：内参（焦距、主点、畸变系数）描述相机自身属性；外参（旋转矩阵、平移向量）描述相机在世界坐标系下的位姿。
很多人觉得现在工厂出厂的相机都有标定数据，没必要自己标，但实际使用中镜头装上之后，法兰距、镜头个体差异、温度变化都会让出厂参数失效。尤其是用了工业相机搭配不同镜头，或者手机摄像头模组，标定几乎是必做的第一步。张正友标定法之所以流行，是因为它只需要一块平面棋盘格，不需要昂贵的标定设备，精度却足够大多数场景使用。
1.2 张正友标定法的核心思路
张正友博士在1998年提出的这个方法，巧妙在把三维标定问题简化成了二维问题。标定板是平面，所以棋盘格上所有角点的世界坐标z分量可以设为0，这样原本需要求解的单应性矩阵H就变成8个自由度，通过多张不同角度的照片，可以线性求解出内参和外参的初值，再做非线性优化得到精确解。
这种方法降低了对标定设备的要求，你不需要知道相机与标定板之间的精确距离，也不需要像传统两步法那样做复杂的三维靶标。你只需要不断变换棋盘格的姿态、角度、位置，拍下十几张照片，OpenCV就能算出结果。原理上它是介于传统标定和自标定之间的一种折中方案，精度比自标定高，操作又比传统标定简单，所以成了事实上的工业标准。
1.3 棋盘格为什么是首选
棋盘格的高对比度黑白方块让角点检测非常稳定，OpenCV的findChessboardCorners在多数光照条件下都能找到角点。而且棋盘格角点是两个方块的交叉点，亚像素级定位相对容易，配合cornerSubPix可以进一步把角点精度做到0.1像素以内。
相比圆点标定板，棋盘格的角点有明确的“顺序性”，OpenCV能自动按行列排序输出，所以代码实现起来很简单。另外，棋盘格对打印设备的精度要求不高，普通打印机加上硬质底板就能用，这点对个人开发者非常友好。你要是做高精度的工业视觉，可以买玻璃或陶瓷基板的标定板，但学习和验证阶段自己打印完全够用。
2. 标定前的准备：棋盘格与测试图片
2.1 自己生成棋盘格打印PDF
张正友标定用的棋盘格，严格来说要定义两个关键参数：内角点数（intersection points count）和方格边长。内角点数指的是黑白格子交叉点的数量，不是格子数量。例如一个10x7的格子阵列，内角点是9x6，OpenCV中通常写作(9, 6)。采集图片时，程序需要检测这些内角点，所以这个数必须和实际标定板完全一致，否则检测不到。
我用Python生成一张可以直接打印的棋盘格图片，核心代码如下：
import cv2 import numpy as np # 内角点数 (width, height) board_size = (9, 6) # 每个方格的边长，单位mm，对应打印后实际尺寸 square_size_mm = 25 # 每个方格在图片中的像素大小，决定图片分辨率 pixels_per_square = 120 margin = 60 # 四周留白，方便裁剪 cols = board_size[0] + 1 rows = board_size[1] + 1 img_w = cols * pixels_per_square + margin * 2 img_h = rows * pixels_per_square + margin * 2 chessboard = np.ones((img_h, img_w), dtype=np.uint8) * 255 for i in range(rows): for j in range(cols): if (i + j) % 2 == 0: x0 = margin + j * pixels_per_square y0 = margin + i * pixels_per_square chessboard[y0:y0 + pixels_per_square, x0:x0 + pixels_per_square] = 0 cv2.imwrite('chessboard.png', chessboard)生成图片后，打印时务必关掉“适应页面”或“缩放以适合”选项，按100%比例打印，然后量一下实际格子的边长，把square_size_mm改成实测值。因为纸张在打印过程中会有伸缩，如果你需要高精度标定，这一步不能省。打印好后把纸贴在平整的硬板上，不能有褶皱，否则角点坐标本身就带了误差，后面标定精度会大打折扣。
2.2 采集测试图片的要点
有了标定板，接下来就是采集图片。这是整个标定流程里最容易被忽视、却最影响效果的环节。我一般建议拍15到25张图，太少的话内参解算不稳定，太多也没有必要。拍摄时要遵循几个原则：
- 标定板要占画面面积的1/4到1/3以上，太小了角点检测会不稳定。
- 每一张照片里，标定板的角度、距离和位置尽量不同，要有左右倾斜、上下倾斜、远近变化、平移变化。
- 避免所有图片都让标定板正对着相机，否则外参退化，内参也解不准。
- 保证光照均匀，不要有强反光，不要有阴影压住角点。
- 手持标定板就行，相机固定，人移动标定板即可，也可以反过来，相机移动而标定板固定。
如果你用的是USB摄像头或手机相机，记得关闭自动对焦、自动曝光和自动白平衡，固定变焦和曝光参数后再拍摄。对焦模糊的图片直接删除，不要勉强用，因为亚像素角点检测依赖边缘锐度，模糊图会让角点定位产生偏差。我自己的经验是，把视频流打开，一边观察角点检测效果一边采集，会比盲拍一堆再筛选高效得多。
3. OpenCV标定代码实现与参数解析
3.1 角点检测与亚像素精细化
OpenCV标定的标准流程分三步：检测每张图的角点、亚像素精细化、传入calibrateCamera解算参数。第一步是基础，我通常这样写：
import cv2 import numpy as np import glob board_size = (9, 6) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objp = np.zeros((board_size[0] * board_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:board_size[0], 0:board_size[1]].T.reshape(-1, 2)objp存放的是棋盘格角点的三维坐标。这里有一个常见的理解误区：为什么这些坐标不是实际的毫米数值？因为张正友标定法里，objp的尺度是可以任意缩放的，你写单位长度1、2、3和写25、50、75，最终得到的内参矩阵焦距会有对应倍数变化，但畸变系数和归一化坐标结果不变。所以更标准的做法是直接用实际物理尺寸，也就是乘以square_size_mm，这样得到的焦距单位就是像素，没什么问题。
接下来读取图片并找角点：
image_files = glob.glob('calib_images/*.jpg') objpoints = [] imgpoints = [] for fname in image_files: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, board_size, None) if ret: corners_sub = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners_sub) cv2.drawChessboardCorners(img, board_size, corners_sub, ret) cv2.imshow('check', img) cv2.waitKey(100) else: print(f'角点检测失败: {fname}') cv2.destroyAllWindows()findChessboardCorners返回的corners已经按行排列，顺序是从左上角开始横向扫描，这依赖于OpenCV内部的四边形拓扑分析。你可以打印一下corners的shape，通常是(54, 1, 2)，对应54个角点，每个点两个坐标。角点检测失败时不要跳过就完事，最好看一下原因，见第5节。
3.2 调用calibrateCamera完成标定
角点全部检测完成后，用calibrateCamera一次性解算所有参数：
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print('内参矩阵:') print(mtx) print('畸变系数:') print(dist) print('重投影误差:', ret)这里必须解释一下每个返回值的含义。mtx是3x3内参矩阵，形如：
[[fx, 0, cx], [ 0, fy, cy], [ 0, 0, 1]]fx和fy是等效焦距，单位是像素，理想情况下两者接近；cx和cy是主点坐标，理想情况下在图像中心附近，但实际会有偏移。dist是畸变系数，OpenCV默认包含5项(k1, k2, p1, p2, k3)，前两个是径向畸变，中间两个是切向畸变，第五个是薄棱镜畸变的高阶项。rvecs和tvecs是每张图片对应的旋转向量和平移向量，也就是外参，每张图对应一组。
特别注意ret返回值，它是所有角点在归一化相机坐标系下的重投影均方根误差，单位是像素。这个值越小越好，一般低于0.5就算不错，低于0.1是相当好的结果。如果大于1，说明标定数据里有脏数据，需要排查。
3.3 为什么要用亚像素精细化
可能有人会问，直接用findChessboardCorners检测到的角点不行吗？实际上，初始检测的角点精度受图像分辨率、模糊程度影响，只能到像素级，而张正友标定法对标定板角点的坐标精度非常敏感，微小偏差会被放大到内参上。cornerSubPix通过迭代求取灰度梯度的交点，能把角点定位精度提高到亚像素级别。
这个函数需要几个参数：搜索窗口大小(11, 11)表示在每个角点周围11x11像素范围内微调；(-1, -1)表示没有零迭代区；criteria是迭代停止条件，一般用最大迭代次数30次和最小误差0.001。窗口大小不是越大越好，对于高分辨率图像可以用(15, 15)，但窗口太大反而容易受到邻近角点影响。
如果你用的是灰度图，cornerSubPix直接处理即可。如果彩色图有严重的色差，可以转成灰度再操作，OpenCV内部计算也是基于灰度梯度的。还有一个小技巧：对图片先做一次cv2.cvtColor后，如果检测效果不好，可以尝试用cv2.adaptiveThreshold对图像做预处理，增强棋盘格边缘，但绝大多数场景下不需要。
4. 实操结果分析：怎么判断标定质量
4.1 读懂内参矩阵和畸变系数
标定完成后第一件事，不是记录参数，而是验证参数是否合理。内参矩阵里的fx和fy应该很接近，因为它们分别代表x、y方向归一化焦距，虽然镜头可能略有各向异性，但差值一般不会超过几个百分点。如果你用的是普通工业镜头，fx和fy相差10%以上，多半是标定板图片姿态覆盖不够，或者代码里objp的坐标方向定义错了。
主点cx、cy一般在图像中心附近，比如1280x960的图像，主点大约在(640, 480)附近，偏差几十上百个像素是正常的。如果主点跑到图像边缘甚至外面，那就说明标定失败，需要重新检查数据源。畸变系数k1、k2一般很小，在-0.1到0.1之间都算合理，如果出现几十几百的离谱值，基本是求解迭代出问题了。
更直观的验证方法是把标定结果用于图像去畸变，对比一下效果：
h, w = img.shape[:2] new_camera_mtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) undistorted = cv2.undistort(img, mtx, dist, None, new_camera_mtx)这里可以观察画面边缘的直线是否被拉直。棋盘格的边、背景里的门框、墙线都是很好的参考。如果去畸变后边缘的弯曲消失，说明标定结果基本可信。
4.2 重投影误差与图像数量的关系
重投影误差是标定结果最直接的量化指标。它的计算思路是：用求解出的内参、外参和畸变系数，把每张标定板上的三维角点投影到像素平面，计算投影点与实际检测角点之间的距离。误差小于0.5像素说明内参和外参之间的一致性很好，但要注意，重投影误差小不代表你的相机内参一定准确，因为它只衡量“自洽性”。比如所有标定板都放在画面中央，重投影误差可能很小，但内参外推能力很差，换一个角度就不准了。
所以标定过程中，图片的数量和角度覆盖比单张图片的角点精度更重要。15到25张图已经是工程上的经验值，少于10张容易过拟合；超过30张如果没有新的角度信息，改善也有限。如果你发现重投影误差偏大，先检查是不是有某张图角点检测异常，把那张图剔除后重新标定，往往误差就能降下来。
5. 常见问题与排查技巧
5.1 角点检测失败的原因
findChessboardCorners返回False是新手最常见的卡点。我总结了几种高频原因：
- 棋盘格内角点数定义错误。比如实际棋盘格是10x7格子，内角点数是9x6，你却写了
(10, 7)，那永远检测不到。 - 标定板在画面中太小，角点间距只有几个像素，OpenCV的四边形检测无法稳定识别。解决办法是让标定板靠近镜头，或者提高拍摄分辨率。
- 光照不均匀或者反光，导致某些角点对比度太低。可以尝试调整光源方向，或者用
cv2.adaptiveThreshold预处理。 - 图片模糊或者运动拖影，角点边缘不锐利。这种情况只能重新采集。
- 标定板没有完整出现在画面里，边缘的角点被裁掉。务必保证所有内角点都在画面内，且有少量边距。
排查时可以先对单张图做可视化，把检测到的角点画出来，确定是检测算法的问题还是图像本身的问题。
5.2 标定结果漂移、误差大怎么处理
如果重投影误差大于1像素，或者内参明显不合理，我建议按顺序做三件事：
第一，检查所有图片中，棋盘格姿态是否足够丰富。光有不同远近、没有旋转倾斜的图片，外参估计会病态，内参也不可靠。最好保证棋盘格在每张图里都有明显的朝向变化，比如绕x轴、y轴各转15到30度。第二，剔除角点检测质量差的图片。可以在findChessboardCorners之后，加一个cv2.cornerSubPix前后的角点坐标差值统计，差异超过0.5像素的图直接标记出来。第三，尝试降低畸变模型阶数。OpenCV默认用5个畸变系数，但普通镜头用3个或2个往往更稳定。代码里可以传calibrateCamera(..., flags=cv2.CALIB_ZERO_TANGENT_DIST)只估计径向畸变，或者用CALIB_FIX_K3固定k3为0，减少参数过多带来的波动。
5.3 双目、红外等扩展场景的注意点
很多人标定完单目之后想继续做双目，或者用红外相机。双目标定不是简单的两个单目拼起来，而是在单目内参基础上再做立体标定，用cv2.stereoCalibrate求出两个相机之间的旋转和平移。张正友标定法同样适用，但需要左右相机同时采集同一块棋盘格，所以采集时要保证标定板在左右画面中同时可见，且尽量覆盖公共视野。如果你用红外相机，注意红外光的波长会让镜头畸变跟可见光不同，必须单独标定，不能直接复用可见光的参数。
至于热搜词里提到的Kalibr标定，那是VIO/SLAM领域更常用的标定工具，它支持标定相机内参、相机与IMU之间的外参。原理上和张正友标定法同源，但对时间戳同步、IMU残差处理有额外要求。如果你在做SLAM，可以先按本文把单目内参和畸变系数标准，再用Kalibr完成协同标定，两者并不冲突。
6. 最后再分享一点实操体会
我在实际项目里标过几十台相机，最大的感受是：张正友标定法本身已经很成熟，出问题的地方基本都在数据采集端。与其反复调代码参数，不如多花时间把标定板贴平、把图片拍好、把角度覆盖到位。自己打印棋盘格时，千万不要用普通的喷墨纸直接平铺在桌上，稍微翘起一角，角点在空间上就不再共面，最终标定的主点会明显偏移。我一般会把打印好的格子纸用双面胶贴在亚克力板或者玻璃板上，边缘压平，再量一下实际尺寸填入代码。
另外，标定完别急着删除测试图片，我习惯把每张图的角点检测结果和重投影误差都保存下来，作为一份“数据报告”。如果后续发现某个镜头换过或者焦距动过，还能快速定位是哪一批图出了问题。最后再说一个小技巧：标定代码里把objp的坐标写成实际毫米值，不仅方便和机械臂、移液平台等对量的场景对接，也便于团队成员之间交叉验证结果。希望这份流程能帮你少踩几个坑，一次跑通标定。
本文还有配套的精品资源，点击获取
