从零到一：用Python与OpenCV实战摄像头内参标定
如果你刚刚踏入自动驾驶或计算机视觉领域，面对“摄像头标定”这个词，可能会觉得它高深莫测，充满了复杂的数学公式和抽象概念。别担心，我最初接触时也有同样的感觉。摄像头标定，尤其是内参标定，听起来像是实验室里的精密操作，但实际上，它更像是一场精心准备的“相机体检”——我们通过一系列标准化的“动作”，来了解我们手中这个视觉传感器的“视力”究竟如何。无论是用于车辆感知的环境重建、高精度测距，还是机器人导航，一个准确的摄像头内参都是所有后续工作的基石。本文将彻底抛开令人望而生畏的理论推导，带你亲手完成一次完整的摄像头内参标定。我们将使用Python和OpenCV，从环境搭建开始，一步步走到结果分析，确保你不仅能跑通代码，更能理解每一步背后的“为什么”。
1. 准备工作：搭建你的标定实验室
在开始任何实验之前，准备好合适的“手术台”和“手术器械”至关重要。摄像头标定对环境的要求并不苛刻，但一些细节的疏忽会导致标定结果偏差巨大，甚至失败。
首先，你需要一个待标定的摄像头。这可以是笔记本电脑自带的前置摄像头、一个USB外接摄像头，甚至是你的手机摄像头（通过某些应用将视频流传输到电脑）。对于自动驾驶应用模拟，一个广角摄像头会更贴近真实场景。我建议初学者从一个普通的网络摄像头开始，它的畸变通常比较明显，标定效果也更易于观察。
接下来是标定板，它是这次“体检”的“视力表”。最常用的是棋盘格标定板。你需要准备一张高精度的棋盘格图案。这里有几个关键参数：
- 棋盘格内角点数量：指的是棋盘内部黑白方格相交的点。例如，一个8x6的棋盘格，其内角点就是7x5（因为角点位于内部方格交点）。常见的规格有9x6、8x6、7x5等。
- 方格尺寸：每个黑白方格的实际物理尺寸，例如25mm x 25mm。这个尺寸必须精确测量，因为它是连接图像像素世界和真实物理世界的唯一桥梁。
提示：你可以使用任何图像编辑软件（如Photoshop、GIMP）或在线生成器制作棋盘格图，但务必确保打印时没有缩放，并且方格边缘清晰、对比度高。将其粘贴在一块平整的硬纸板或亚克力板上，可以保证标定板的刚性。
软件环境方面，我们需要Python和OpenCV。我强烈建议使用Anaconda来管理环境，它能避免很多依赖冲突的麻烦。
# 创建一个新的conda环境（可选但推荐）
conda create -n camera_calib python=3.8
conda activate camera_calib
# 安装核心库
pip install opencv-python opencv-contrib-python numpy matplotlib
安装完成后，可以通过一个简单的Python脚本来测试环境是否就绪：
import cv2
import numpy as np
print(f"OpenCV版本: {cv2.__version__}")
print(f"NumPy版本: {np.__version__}")
# 尝试读取一张测试图片（请确保路径正确）
# img = cv2.imread('test.jpg')
# if img is not None:
# print("图像读取成功，环境准备就绪！")
2. 图像采集：为标定准备高质量的“体检样本”
采集标定图像是整个流程中最需要耐心和技巧的环节。图像质量直接决定了标定参数的准确性。你的目标是采集15到25张覆盖摄像头整个视野、不同角度和距离的棋盘格图像。
采集时的核心要点：
- 全方位覆盖：让标定板出现在画面的各个位置——中心、四个边角、上下左右。同时，要改变标定板相对于摄像头的姿态，包括平放、倾斜、旋转等。想象你在用摄像头从不同角度观察这个棋盘格。
- 保持清晰：确保每一张图像中的棋盘格都是清晰的，没有运动模糊。光照要均匀，避免强烈的反光或阴影覆盖角点。
- 改变距离：采集一些近距离的图片（棋盘格几乎充满画面）和一些远距离的图片（棋盘格较小）。这有助于标定算法更好地估计焦距。
- 避免对称性：不要只让标定板平行于图像平面（正对着摄像头），多一些三维空间的旋转姿态。
下面是一个简单的图像采集脚本，它可以帮助你实时查看画面并手动保存合格的图像：
import cv2
import os
# 创建保存图像的文件夹
save_dir = "calibration_images"
if not os.path.exists(save_dir):
os.makedirs(save_dir)
cap = cv2.VideoCapture(0) # 0代表默认摄像头
img_count = 0
print("按 's' 键保存当前帧，按 'q' 键退出采集。")
while True:
ret, frame = cap.read()
if not ret:
break
# 实时显示画面
display = frame.copy()
cv2.putText(display, f"Saved: {img_count}", (10, 30),
cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
cv2.imshow('Calibration Image Capture', display)
key = cv2.waitKey(1) & 0xFF
if key == ord('s'):
# 保存图像
img_name = os.path.join(save_dir, f"calib_{img_count:03d}.jpg")
cv2.imwrite(img_name, frame)
print(f"图像已保存: {img_name}")
img_count += 1
elif key == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
采集完成后，花点时间快速浏览一遍所有图片，剔除那些模糊、棋盘格未被完整拍摄或姿态过于极端的图片。通常，保留20张左右高质量的图像就足够了。
3. 核心标定：编写并理解你的标定脚本
现在，我们来到了最核心的部分——编写标定脚本。OpenCV已经为我们封装好了强大的标定函数，我们的任务是正确地组织数据并调用它们。
整个标定过程可以分解为以下几个步骤：
- 准备对象点：在真实世界坐标系中，定义棋盘格角点的三维坐标。我们通常假设棋盘格在Z=0的平面上，X和Y坐标由方格尺寸决定。
- 检测图像点：在每一张采集的图像中，使用OpenCV的
findChessboardCorners函数自动找出棋盘格的内角点。 - 细化角点：为了提高角点检测的亚像素精度，使用
cornerSubPix函数进行优化。 - 执行标定：调用
calibrateCamera函数，输入所有图像的对象点和图像点，计算摄像头的内参矩阵、畸变系数、旋转和平移向量。 - 评估误差：计算重投影误差，这是一个衡量标定精度的关键指标。
让我们来看完整的代码，并逐段解析：
import numpy as np
import cv2
import glob
import matplotlib.pyplot as plt
# 1. 定义棋盘格的尺寸（内角点数量，例如9x6表示有9列，6行内角点）
CHECKERBOARD = (9, 6) # 请根据你打印的棋盘格调整
# 定义每个方格的实际物理尺寸（单位：毫米，需与你测量的尺寸一致）
square_size = 25.0
# 2. 为对象点准备世界坐标系坐标
# 格式为：(0,0,0), (1,0,0), (2,0,0) ....,(8,5,0)
objp = np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2)
objp *= square_size # 乘以实际尺寸
# 3. 初始化数组来存储所有图像的对象点和图像点
objpoints = [] # 真实3D点
imgpoints = [] # 图像中的2D点
# 获取所有标定图像的路径
images = glob.glob('./calibration_images/*.jpg')
if len(images) == 0:
print("未找到标定图像！请检查路径。")
exit()
# 4. 遍历所有图像，查找角点
for i, fname in enumerate(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,
cv2.CALIB_CB_ADAPTIVE_THRESH +
cv2.CALIB_CB_FAST_CHECK +
cv2.CALIB_CB_NORMALIZE_IMAGE)
# 如果找到，添加对象点和细化后的图像点
if ret:
objpoints.append(objp)
# 亚像素级角点检测
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
imgpoints.append(corners2)
# 可视化角点（可选）
img_draw = cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret)
cv2.imshow('Found Corners', img_draw)
cv2.waitKey(500) # 显示500毫秒
else:
print(f"未在图像 {fname} 中找到角点，已跳过。")
cv2.destroyAllWindows()
print(f"成功处理了 {len(objpoints)} 张图像用于标定。")
if len(objpoints) < 10:
print("警告：用于标定的有效图像较少，可能影响标定精度。")
接下来是关键的标定计算部分：
# 5. 执行摄像头标定
ret, camera_matrix, dist_coeffs, rvecs, tvecs = cv2.calibrateCamera(
objpoints, imgpoints, gray.shape[::-1], None, None)
print("\n=== 标定结果 ===")
print(f"标定是否成功: {ret}")
print(f"\n内参矩阵 (Camera Matrix):")
print(camera_matrix)
print(f"\n畸变系数 (Distortion Coefficients):")
print(dist_coeffs.ravel()) # 通常为5个参数 [k1, k2, p1, p2, k3]
# 6. 计算重投影误差以评估标定质量
mean_error = 0
for i in range(len(objpoints)):
imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i],
camera_matrix, dist_coeffs)
error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2)
mean_error += error
print(f"\n平均重投影误差: {mean_error / len(objpoints):.6f} 像素")
print("注意：重投影误差通常应小于0.5像素，值越小表示标定越精确。")
这段代码运行后，你将得到两个最重要的输出：内参矩阵和畸变系数。内参矩阵包含了焦距（fx, fy）和光学中心（cx, cy）信息，而畸变系数则描述了镜头引入的几何畸变。
4. 结果分析与应用：验证你的标定成果
拿到标定参数后，我们绝不能直接投入使用。必须进行验证和可视化，确保这些参数是可靠且有效的。
首先，保存你的标定参数。 这是宝贵的成果，应该持久化存储，供后续程序使用。
import yaml # 需要安装PyYAML: pip install pyyaml
# 将标定参数保存到YAML文件
calibration_data = {
'camera_matrix': camera_matrix.tolist(),
'dist_coeffs': dist_coeffs.tolist(),
'reprojection_error': float(mean_error / len(objpoints))
}
with open('camera_calibration.yaml', 'w') as f:
yaml.dump(calibration_data, f, default_flow_style=False)
print("标定参数已保存至 'camera_calibration.yaml'")
其次，进行畸变矫正可视化。 这是最直观的验证方式。选择一张采集的原始图像，应用我们刚得到的畸变系数进行矫正，对比矫正前后的效果。
# 加载一张测试图像
img_test = cv2.imread(images[0])
h, w = img_test.shape[:2]
# 优化内参矩阵和获取ROI（可选）
new_camera_matrix, roi = cv2.getOptimalNewCameraMatrix(
camera_matrix, dist_coeffs, (w, h), 1, (w, h))
# 方法1：使用undistort函数矫正
dst = cv2.undistort(img_test, camera_matrix, dist_coeffs, None, new_camera_matrix)
# 裁剪图像（根据ROI）
x, y, w_roi, h_roi = roi
dst_cropped = dst[y:y+h_roi, x:x+w_roi]
# 并排显示
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].imshow(cv2.cvtColor(img_test, cv2.COLOR_BGR2RGB))
axes[0].set_title('原始图像 (含畸变)')
axes[0].axis('off')
axes[1].imshow(cv2.cvtColor(dst, cv2.COLOR_BGR2RGB))
axes[1].set_title('矫正后图像')
axes[1].axis('off')
plt.show()
# 也可以保存矫正后的图像
cv2.imwrite('undistorted_output.jpg', dst)
print("畸变矫正完成，图像已保存。")
你应该能明显看到，原始图像中可能存在的弯曲直线（尤其是边缘部分）在矫正后变得笔直。这是畸变矫正起作用的最直接证据。
最后，理解内参矩阵的含义并尝试简单应用。 内参矩阵K通常如下所示：
[[fx, 0, cx],
[0, fy, cy],
[0, 0, 1]]
| 参数 | 物理意义 | 说明 |
|---|---|---|
| fx, fy | 焦距（像素单位） | 反映了摄像头在x和y方向的放大能力。如果fx和fy值接近且较大，说明是长焦；如果值较小且可能不相等，可能是广角或存在像素非正方形的情况。 |
| cx, cy | 主点坐标（像素） | 理论上应是图像的中心 (w/2, h/2)。实际值与之的偏差反映了传感器安装的微小偏移。 |
一个简单的应用是测量。在已知某个物体真实世界尺寸和其在图像中像素位置的情况下，利用内参和相机高度等外参，可以进行距离估算。虽然单目测距精度有限且需要其他假设，但作为理解内参作用的练习很有价值。
5. 进阶技巧与避坑指南
走完一遍完整流程后，你可能已经成功了，也可能遇到了一些问题。下面是一些实战中积累的经验和常见问题的解决方案。
提升标定精度的技巧：
- 更多样化的姿态：确保标定板在三维空间中有足够的倾斜和旋转，而不仅仅是平移。OpenCV的算法需要这些信息来解算所有参数。
- 更高的角点检测成功率：如果
findChessboardCorners经常失败，可以尝试调整函数参数，或者检查棋盘格打印质量、光照是否均匀。有时稍微模糊的图像反而有助于角点检测。 - 手动验证角点：对于自动检测失败的图像，OpenCV提供了
findChessboardCornersSB（基于分水岭算法，OpenCV 4.5.1+）或手动标注角点的可能性，虽然繁琐但能挽救关键数据。
常见问题与排查：
- 重投影误差过大（>1像素）：
- 检查对象点尺寸：确认
square_size是否与打印的棋盘格实际物理尺寸一致（单位很重要）。 - 检查角点顺序：
findChessboardCorners检测到的角点顺序必须与objp中定义的世界坐标点顺序一致。通常默认是没问题的，但如果棋盘格旋转了180度，可能需要调整。 - 剔除坏样本：计算每张图像单独的重投影误差，误差特别大的那张图像可能是模糊的或角点检测不准，将其从
objpoints和imgpoints中移除，重新标定。
- 检查对象点尺寸：确认
- 畸变系数数值异常巨大：例如k1, k2的绝对值远大于1。这通常意味着标定板姿态不够多样，或者图像数量太少，算法陷入了局部最优解。增加图像数量并确保姿态多样化是唯一途径。
- 矫正后的图像边缘出现严重黑边或扭曲：这是正常的。
getOptimalNewCameraMatrix函数中的alpha参数可以控制如何裁剪这些无效区域。alpha=0会裁剪掉所有黑边，得到最大有效区域；alpha=1会保留所有原始像素（包含黑边），你可以根据应用需求调整。
标定参数的长期维护： 摄像头内参并非一成不变。强烈的震动、温度变化或镜头焦距调整（如果是变焦镜头）都可能改变内参。对于自动驾驶这类高可靠性要求的系统，需要建立定期标定的机制。一种实用的方法是，在系统中内置一个简单的标定检查流程，例如通过检测已知尺寸的物体来计算重投影误差，当误差超过阈值时触发重新标定提醒。
整个流程走下来，你会发现摄像头标定更像是一门实践艺术，而非纯理论科学。理论提供了框架和公式，但最终精度掌握在那些精心准备标定板、耐心采集数据、并认真分析结果的人手中。我自己的经验是，第一次标定的结果往往不理想，但通过反复调整采集策略、剔除坏数据，误差可以从最初的2个多像素降到0.3个像素以下，这种提升在后续的视觉测距任务中带来的精度改善是实实在在的。不要害怕失败，每一次失败的标定都能让你对摄像头这个“黑盒”有更深的理解。
1163
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
