简介：面向计算机视觉与单目相机标定入门者，这份资源围绕棋盘格图案提供一套完整的相机内参标定实践资料。内容涵盖焦距、主点坐标及径向/切向畸变系数的求解原理，详细展示棋盘格角点检测、像素坐标与空间坐标对应、基于重投影误差最小化的参数解算流程，并配有可直接运行的Python标定脚本。脚本包含图像读取、角点提取、内参计算与畸变校正等步骤，配合5张不同位置拍摄的棋盘格png图像，读者可立即运行并对比输出结果。压缩包共6个文件，含1个py标定程序与5张棋盘格图像，整体体积仅1.12MB，轻量便携。已有1063人学习下载，适合正在学习相机模型、SLAM或三维重建的开发者作为快速上手与复现的入门素材，也可作为标定工具代码的参考模板。
1. 为什么棋盘格是相机内参标定的默认选项
在产线视觉检测或机器人引导的项目里，经常遇到这样的情况：机械臂抓取偏差几个毫米，测量软件输出的圆间距和实际卡尺量出来差一大截，这时候第一反应不是算法不行，而是相机根本没有“校准”过。相机内参标定要解决的就是从三维世界坐标到二维像素坐标的映射关系，或者说，确定相机的焦距、主点以及镜头畸变这些内部参数。而棋盘格，几乎成了这个问题的标准答案。
棋盘格之所以被广泛选作标定板，关键在于它的角点具有清晰的梯度变化，算法可以用很小的代价找到亚像素级精确位置，而且黑白格交替形成的方块特征对光照和噪声不那么敏感。相比圆点板，棋盘格的角点提取不需要椭圆拟合带来中心偏移，相比散斑或二维码板又不用额外识别编码信息。对大多数工业和视觉从业者来说，用一台普通相机对着打印好的棋盘格拍十来张照片，再用现成的工具算出内参，是整个相机内参标定流程里最可靠、成本最低的做法。这篇文章会把从拍照到拿到标定结果的每一步拆开，包括参数怎么调、角点为什么提取不到、误差多大算合格，最后给出测量和去畸变里的实际用法。
2. 棋盘格图像采集与角点提取：标定前的准备
2.1 标定板规格与工作距离的匹配
相机内参标定质量一半取决于采集的图像集，而不是后面的计算。棋盘格尺寸选择要同时兼顾视场角和最小特征尺寸。如果相机视野宽度是 200 毫米，棋盘格单个方块边长建议在 15 到 30 毫米之间，让角点在图像中占据 20 到 50 像素。一个简单经验是，图像里棋盘格区域占整体画面的 20% 到 80%，多余部分是背景，过小会损失角点定位精度，过大会出现边缘畸变过强导致角点检测失败。
常见错误是随意用一张 A4 纸打印，不测量实际格子尺寸。在 OpenCV 里calibrateCamera要求传入的是物理尺寸单位（通常毫米）下的三维坐标，不是像素。如果格子实际边长是 23.4 毫米，但你填了 25，算出来的焦距和畸变都错得不成比例。所以拿到打印好的棋盘格后，第一件事是用卡尺量三个不同位置的边长取平均，尤其打印机缩放可能不是标称 100%。
采集图像的时候，需要保证棋盘格在画面中呈现不同角度和位置。我一般会拍 20 到 30 张，其中至少包含：
- 棋盘格分别在画面左上、中心、右下等九个区域
- 绕相机光轴旋转几个不同角度（倾斜约 20 到 45 度）
- 前后移动，让工作距离覆盖实际使用范围
这些姿势能激励出足以约束内参矩阵的几何信息。如果所有图像都让棋盘平行于相机平面，那么标定方程退化，算出的焦距和主点会极不稳定。通常至少要有一半以上的图像带明显倾斜。
2.2 用 OpenCV 提取棋盘格角点的最小代码
假设已经有一组标定图片，下面这段 Python 代码用常见做法把角点找出来，并可视化确认。这里使用 OpenCV 自带的findChessboardCorners，不需要自己写角点检测。
import cv2 import numpy as np # 棋盘格内角点数：例如 9x6 表示内部角点是 9 列 6 行 pattern = (9, 6) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) for fname in image_files: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern, None) if ret: corners_sub = cv2.cornerSubPix(gray, corners, (5, 5), (-1, -1), criteria) cv2.drawChessboardCorners(img, pattern, corners_sub, ret) cv2.imshow('corners', img) cv2.waitKey(0)这段代码的思路是先把图像转灰度，因为棋盘格角点本质是黑白交界处的鞍点，不需要彩色信息。findChessboardCorners返回的corners已经接近亚像素位置，但为了后续计算更稳，再用cornerSubPix迭代修正。criteria里的参数表示最多迭代 30 次，像素误差小于 0.001 就停止。
参数方面，如果图像分辨率很高，角点搜索很慢，可以设置cv2.findChessboardCorners(gray, pattern, flags=cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_FAST_CHECK)。CALIB_CB_ADAPTIVE_THRESH用自适应阈值处理光照不均，CALIB_CB_FAST_CHECK会先快速排除没有棋盘格的图像，节省大量时间。
2.3 角点提取失败的现场判断
这里列一个排查表，方便在现场快速定位问题。角点检测失败一般不是代码问题，而是图像本身不符合算法假设。
| 现象 | 常见原因 | 解决方式 |
|---|---|---|
| 完全没有角点返回 | 棋盘格方向不对，或图案有过曝 | 旋转棋盘格，避免反光，降低曝光 |
| 少数图像返回失败 | 运动模糊或景深不够 | 调小光圈，用三脚架或提高快门 |
| 角点顺序错乱 | 棋盘格不对称，或图像有遮挡 | 确保打印图案完整，移除画面中其他黑白物体 |
| 边缘格子检测不到 | 棋盘太满，边缘角点超曲剧烈 | 缩小棋盘格占画面比例，或换稍小的标定板 |
3. 用 calibrateCamera 计算内参矩阵和畸变系数
3.1 标定参数的物理含义
相机内参标定的核心输出是一个 3x3 内参矩阵：
fx 0 cx 0 fy cy 0 0 1其中fx和fy是焦距，单位是像素，等于物理焦距除以像元尺寸。如果相机传感器像元是正方形，fx与fy应接近相等，相差超过 2% 时说明存在仿射误差或相机模组贴合问题。cx和cy是主点，理论上位于图像中心，但实际产线相机模组常常偏移几十个像素，不可直接假设为中心。
畸变系数通常用五个参数描述：k1, k2, p1, p2, k3。前两个是径向畸变，由镜头曲面引起，在画面边缘表现得最明显。p1, p2是切向畸变，多由镜头和传感器装配不平行导致。k3用于高畸变的广角或鱼眼镜头，普通工业镜头一般可以不用。
有一个经验判断标定结果是否正确的方法：先用cv2.getOptimalNewCameraMatrix看一下优化后的主点，如果cx算出的是 2599，而图像是 2592x1944，主点偏移了 300 像素，那大概率是采集的图像姿态不够丰富或棋盘格尺寸填错。
3.2 calibrateCamera 完整流程
将上一节提取到的所有图像角点整理成世界坐标和像素坐标列表，然后调用calibrateCamera。
objp = np.zeros((np.prod(pattern), 3), np.float32) objp[:, :2] = np.mgrid[0:pattern[0], 0:pattern[1]].T.reshape(-1, 2) objp *= square_size # 实际格边长，单位毫米 obj_points = [] # 每张图的世界坐标 img_points = [] # 每张图的像素坐标 for fname in image_files: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern, None) if ret: corners_sub = cv2.cornerSubPix(gray, corners, (5, 5), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners_sub) ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(obj_points, img_points, gray.shape[::-1], None, None)calibrateCamera的第五个参数是标志位flags，默认None表示使用所有默认行为。如果镜头畸变很小，可以只标定k1和p1两个参数，防止其他参数过拟合。添加U标志会在每个畸变参数前加上“必须为非负”或某些约束，例如cv2.CALIB_ZERO_TANGENT_DIST强制切向畸变为零。这些在实战中常用。
3.3 重投影误差的评估与阈值
每次标定结束后，OpenCV 会返回一个重投影误差，单位是像素。这个数字代表棋盘格角点的三维投影位置和实际检测位置的平均偏差，是判断标定质量最直接的指标。我通常用下面这段代码计算每个角点的均方根误差，并检查是否有单张图误差特别大。
mean_error = 0 for i in range(len(obj_points)): imgpoints2, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(img_points[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) mean_error += error print(f"总重投影误差: {mean_error / len(obj_points):.3f} px")对不同项目，误差阈值要区别对待：
- 将像素角点用于长度测量或二维码定位，要求 RMS 小于 0.05 像素
- 做机器人手眼标定或常规位姿估计，小于 0.1 像素可以接受
- 单纯做人脸或目标检测，0.2 像素以内即可
如果误差超过 0.3，建议先看是不是某些图像角点提取错位，用drawChessboardCorners逐张检查。
4. 棋盘格标定失败的常见原因与重投影误差排查
4.1 角点漏检和错检的定位技巧
标定过程中的多数失败不是算法不给力，而是图像内容不满足需求。遇到大量图像提取不到角点时，先降采样再看。我曾经遇到过一张 500 万像素的图像，棋盘格只占画面中央一小块，findChessboardCorners直接返回False，因为内部角点之间距离超过了默认搜索窗口。此时把图像resize到原来一半，角点就能被找到，再把检测到的角点坐标乘回缩放倍数，精度损失很小。
另一种常见情况是过度压缩的 JPEG 图像在角点附近产生振铃效应，黑白格交界处出现“鬼影”。现场采集时建议使用无损 PNG 或 BMP，如果只能用 JPEG，保存质量设为cv2.imwrite(..., [cv2.IMWRITE_JPEG_QUALITY, 100])。对于网络相机输出的 H.264 帧，先抓取原始流解码成灰度图，再进行角点检测，而不是对视频流中的预览缩略图操作。
4.2 优化采集策略以降低重投影误差
一旦确认角点都能正确提取，但重投影误差还是大，问题往往出在姿态多样性不足。这里有一个统计上的要求：每增加一个应对径向畸变起主要作用的图像姿态，相当于多提供了一条关于k1, k2, p1, p2的独立方程。如果 20 张图里 18 张是“正常角度”的正对棋盘图，那相当于只有两张有效图像。
更好的策略是围绕棋盘格拍摄“半球”状的位姿。可以手持棋盘格，使其法线方向分别朝向相机上方、下方、左侧、右侧四个方向，并且每次旋转约 15 度。这样投影在图像中的直线会被畸变拉成不同方向的弧线，对径向和切向畸变的约束最充分。还要确保棋盘格在每张图像中的大小差异明显，比如从最近工作距离的 500 毫米变到最远 800 毫米，这样才能把fx和fy的尺度约束住。
一个常见的误操作是把图像数量和标定质量直接画等号。实际上，一张高质量倾斜图可能比五张正对图贡献更大。检验方法很简单：用开头采集的 10 张图标定一次，再逐步增加图像，观察重投影误差是否有明显下降。如果误差曲线在 15 张后就平了，说明采集姿态覆盖已经足够。
4.3 相机参数的异常表现与硬件相关性
某些异常标定结果会和相机的硬件设置直接相关。例如自动曝光导致每张图像亮度忽明忽暗，角点周围的对比度不稳定，亚像素定位结果会有轻微不一致，最终误差会在 0.1 到 0.2 像素之间徘徊。内参标定前应手动固定曝光时间、增益和白平衡，关闭自动对焦。
对于带失真校正（LDC）的相机，如果相机内置 ISP 已经做了一部分畸变补偿，那么calibrateCamera得到的内参是与该补偿状态耦合的。后期切换到原始输出或开启另一档 LDC 设置，内参会变得不准确。所以必须在固定固件参数的前提下标定，并记录对应设置。
如果同一台相机连续标定三次，内参矩阵波动超过 0.5%，优先怀疑镜头没有锁紧或者传感器温度导致焦距漂移。
5. 标定结果在去畸变与三维测量中的应用
拿到内参矩阵和畸变系数后，第一个实际应用是图像去畸变。直接调用undistort会为每一帧做映射，比较耗时。更高效的做法是用initUndistortRectifyMap生成映射表，在相机打开时只做一次remap。
mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, new_mtx, gray.shape[::-1], cv2.CV_32FC1) dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)这里new_mtx可以是从getOptimalNewCameraMatrix得到的结果。如果你希望去畸变后不丢失边缘像素，就设置alpha=1，让新图像保留所有原图区域，代价是图像四周出现黑边。如果希望在有效区域内裁剪，alpha=0会生成一个刚好覆盖原有有效图像的矩阵，常用于测量场景。
对于三维测量或位姿估计，推荐用solvePnP而不是直接依赖重投影误差。先用棋盘格角点建立世界坐标，再用标定好的内参计算棋盘格相对相机的位姿。这里有一个容易被忽略的细节：solvePnP需要畸变后的像素坐标，所以先把原图去畸变，或者直接传入畸变系数让函数内部校正。
retval, rvec, tvec = cv2.solvePnP(objp, corners_sub, mtx, dist)标定结果是否“够用”，最终可以通过一次实物测量来验证。在标定深度距离处放一块已知间距的平板，用去畸变后的图像做亚像素边缘检测，计算两点间距与实物卡尺测量值的误差。如果误差在 0.1 毫米以内，那这套内参基本可以交付给测量程序；如果超差，回头检查棋盘格尺寸和角点提取那一步，而不是继续在畸变模型上做微调。
本文还有配套的精品资源，点击获取
