基于棋盘格角点检测的相机标定实战指南

Opencv相机校准之棋盘格标定 Reference: https://yq.aliyun.com/articles/62472 阅读详情

1. 为什么你的相机需要“体检”?从畸变说起

你可能遇到过这种情况:用手机拍一张棋盘格或者方方正正的建筑,照片里本该笔直的线条,却莫名其妙地“弯”了,尤其是画面边缘,变形得更厉害。这可不是你的手机坏了,而是几乎所有镜头都存在的“先天缺陷”——畸变。

想象一下,我们的眼睛(或者说理想的针孔相机)看世界,光线是直线传播的。但真实的相机镜头是由多片透镜组成的,光线穿过这些透镜时,就像透过一个鱼缸看东西,边缘会发生弯曲。这种弯曲主要分两种:径向畸变和切向畸变。径向畸变让直线要么像桶一样向外鼓(桶形畸变),要么像枕头一样向内凹(枕形畸变);切向畸变则是因为镜头和成像平面没有完全平行,导致图像看起来有点“歪斜”。

对于人眼看看风景、拍拍人像,这点畸变或许无伤大雅。但一旦你的相机要干“正经事”,比如做视觉测量、机器人抓取、三维重建,或者哪怕只是做图像拼接,这点畸变就会带来巨大的误差。一个歪了1个像素的角点,在三维空间里可能就意味着几毫米甚至几厘米的偏差。所以,相机标定,就是给相机做一次精准的“体检”,拿到它的“体检报告”——也就是相机的内部参数和畸变系数。有了这份报告,我们就能通过计算,把畸变的图像“掰直”,让相机看到的世界和我们用数学描述的世界严丝合缝地对应起来。

而棋盘格,就是这次体检中最常用、最经典的“视力表”。它黑白分明,角点清晰,就像一个个精准的刻度,让计算机能轻松地找到并测量出畸变的具体程度。接下来,我就带你一步步完成这份“体检”,从准备棋盘格、拍照片,到写代码、跑程序、分析结果,把整个流程掰开揉碎了讲清楚。即使你之前没接触过OpenCV,跟着做下来也能搞定。

2. 准备工作:棋盘格、相机和你的第一行代码

万事开头难,但准备工作做得好,后面就顺风顺水。这个阶段的核心就三件事:搞到一张标准的棋盘格、用你的相机拍一组合格的照片、搭好编程环境。

2.1 制作与打印你的“标准视力表”

首先,你需要一张棋盘格图片。别随便在网上找一张就打印,尺寸和比例有讲究。我强烈建议你使用行数和列数不相等的棋盘格,比如我常用的就是 9列 x 6行(注意,我们说的是内部角点,所以9x6的格子会产生8x5=40个内部角点)。为什么不用8x8?因为那样对称性太高,cv2.findChessboardCorners函数有时会搞不清方向,导致检测失败。不等的行列数能提供更明确的方向信息。

你可以在网上搜索“OpenCV chessboard pattern generator”在线生成,或者用Python的OpenCV画一个。这里我给你一段生成代码,保存为generate_chessboard.py:

import cv2
import numpy as np

# 定义棋盘格尺寸(内部角点数:列,行)
pattern_size = (9, 6) # 9列,6行
square_size = 100 # 每个方格100像素
width = pattern_size[0] * square_size
height = pattern_size[1] * square_size

# 创建白色画布
chessboard = np.ones((height, width), dtype=np.uint8) * 255

# 绘制黑色方格
for i in range(pattern_size[1]): # 行
    for j in range(pattern_size[0]): # 列
        if (i + j) % 2 == 1: # 交错绘制
            top_left = (j * square_size, i * square_size)
            bottom_right = ((j + 1) * square_size, (i + 1) * square_size)
            chessboard[top_left[1]:bottom_right[1], top_left[0]:bottom_right[0]] = 0

# 保存
cv2.imwrite('chessboard_9x6.png', chessboard)
print(f"棋盘格已生成,尺寸:{width}x{height}像素,内部角点:{pattern_size[0]-1}x{pattern_size[1]-1}")

把生成的PNG文件用质量好一点的打印机,打印在硬卡纸上。打印后,务必用尺子量一下每个方格的实际物理尺寸,比如是 25.0毫米。记住这个数字,后面定义三维世界坐标时要用到,它是连接图像像素和真实物理世界的桥梁。打印不平整、纸张弯曲都会严重影响标定精度。

2.2 拍摄技巧:如何拍出合格的标定照片

拍照片听起来简单,但这里有几个坑我踩过,你得注意。首先,固定你的相机!如果是手机,最好用三脚架,或者放在一个稳定的地方,在整个拍摄过程中不要移动相机。我们要移动的是棋盘格,相机位置必须固定。

然后,拿起打印好的棋盘格纸板,在相机前方移动、旋转、倾斜。目标是让棋盘格充满整个画面的不同位置和姿态。你需要拍摄大约 15到20张 照片。具体要点如下:

  1. 姿态多样:既有正对着的,也要有倾斜的、旋转的。让棋盘格出现在画面的左上、右上、左下、右下、中心等各个区域。
  2. 角度多样:不仅绕Z轴旋转(平面内旋转),更要绕X轴和Y轴倾斜(产生透视感),这是标定镜头畸变的关键。
  3. 对焦清晰:确保棋盘格线条清晰,不要模糊。如果自动对焦不靠谱,可以手动对焦。
  4. 光照均匀:避免强烈的反光或阴影覆盖角点。自然光或均匀的室内光最好。
  5. 分辨率适中:如果手机像素很高(如4000万),可以适当降低分辨率拍摄,或者后期缩放,以加快处理速度。但原始高分辨率照片也要保留,后期分析有用。

把拍好的照片全部拷贝到电脑的一个文件夹里,比如命名为 calib_imgs。建议使用 .jpg 格式。

2.3 搭建Python环境与安装OpenCV

我假设你已经有Python环境(推荐Python 3.8以上)。打开你的终端或命令提示符,安装必要的库:

pip install opencv-python numpy matplotlib

opencv-python 是核心,numpy 用于数值计算,matplotlib 可以用来显示图片和结果。安装完成后,可以写个简单的测试脚本 test_env.py:

import cv2
import numpy as np
print(f"OpenCV版本:{cv2.__version__}")
print(f"NumPy版本:{np.__version__}")
# 尝试读取一张图片
img = np.zeros((100,100,3), dtype=np.uint8)
print("环境测试通过!")

运行没问题,我们的战场就准备好了。

3. 核心实战:角点检测与相机标定全流程代码解读

现在进入最核心的部分:写代码。我会把完整的代码分块解释,你可以跟着一步步写,也可以最后看完整的脚本。

3.1 第一步:自动查找并细化棋盘格角点

角点检测是标定的第一步,目的是在每张图片中找到棋盘格上所有黑色方块相交的点。OpenCV提供了现成的函数,但用好它需要一些参数。

import cv2
import numpy as np
import glob

# 1. 定义终止条件和棋盘格规格
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
# 这个criteria告诉角点细化算法:最多迭代30次,或者角点位置变化小于0.001像素时停止。

# 棋盘格内部角点数量(列,行)
w = 9  # 列数 (内部角点数为 w-1)
h = 6  # 行数 (内部角点数为 h-1)

# 2. 准备“世界坐标系”下的三维点
# 假设棋盘格在Z=0的平面上,每个方格的实际物理尺寸是25mm
square_size_mm = 25.0
objp = np.zeros((w*h, 3), np.float32)
objp[:, :2] = np.mgrid[0:w, 0:h].T.reshape(-1, 2) * square_size_mm
# 解释一下:np.mgrid生成网格坐标,例如(0,0), (1,0)...(8,5)。乘以square_size_mm后,坐标单位就是毫米。
# 这样,(0,0,0)对应第一个角点,(25,0,0)对应它右边的一个角点,以此类推。

objpoints = [] # 用来存储所有图片的世界坐标点(都是同一套objp)
imgpoints = [] # 用来存储所有图片检测到的对应图像坐标点

# 3. 遍历所有图片,查找角点
images = glob.glob('calib_imgs/*.jpg') # 读取所有jpg图片

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转为灰度图

    # 查找角点
    ret, corners = cv2.findChessboardCorners(gray, (w, h), None)
    # ret是布尔值,找到为True;corners是找到的角点像素坐标数组。

    if ret:
        # 如果找到了,进行亚像素级角点精确化
        corners_refined = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
        # (11,11)是搜索窗口大小,(-1,-1)是死区(不用管),criteria是上面的终止条件。
        # 这个步骤能显著提高角点定位精度,尤其是对于稍显模糊的图片。

        objpoints.append(objp) # 世界坐标点(每张图都一样)
        imgpoints.append(corners_refined) # 细化后的图像坐标点

        # 可视化:把角点画在图片上,方便检查
        cv2.drawChessboardCorners(img, (w, h), corners_refined, ret)
        cv2.imshow('Detected Corners', img)
        cv2.waitKey(300) # 显示300毫秒
    else:
        print(f"警告:在图片 {fname} 中未找到棋盘格角点!请检查图片或棋盘格参数(w,h)。")

cv2.destroyAllWindows()
print(f"成功处理了 {len(objpoints)} 张图片。")

关键点解析:

  • cv2.findChessboardCorners:这个函数是主力。如果返回的ret是False,最常见的原因是(w, h)参数设错了(应该是内部角点数+1),或者棋盘格在画面中占比太小、太模糊、光照太差。
  • cv2.cornerSubPix:强烈建议一定要用。它通过迭代算法,能把角点位置精确到亚像素级别(比如从(100.5, 200.3)优化到(100.47, 200.28)),对标定精度提升巨大。
  • 可视化很重要,能让你一眼看出哪些图片的角点检测是成功的,失败的图片要及时剔除或重拍。

3.2 第二步:执行标定,获取相机“体检报告”

角点数据齐备后,就可以调用OpenCV的标定函数了。这一步计算量最大,但代码很简单。

# 4. 相机标定
print("开始进行相机标定...")
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)
# 参数解释:
# objpoints: 世界坐标点列表
# imgpoints: 对应的图像坐标点列表
# gray.shape[::-1]: 图像尺寸(宽,高)
# 返回值:
# ret: 重投影误差(后面详细讲)
# mtx: 相机内参矩阵(3x3)
# dist: 畸变系数(通常为5个值的数组 [k1, k2, p1, p2, k3])
# rvecs: 每张图片的旋转向量(外参之一)
# tvecs: 每张图片的平移向量(外参之一)

print("="*50)
print(f"标定完成!重投影误差: {ret}")
print("\n--- 相机内参矩阵 (Intrinsic Matrix) ---")
print(mtx)
print("\n--- 畸变系数 (Distortion Coefficients) ---")
print(dist)
print("="*50)

# 5. 保存标定结果
np.savez('camera_params.npz', mtx=mtx, dist=dist, rvecs=rvecs, tvecs=tvecs)
print("相机参数已保存至 'camera_params.npz'")

理解输出结果:

  • 内参矩阵 mtx:这是一个3x3的矩阵,形式通常是:
    [[fx,  0, cx],
     [ 0, fy, cy],
     [ 0,  0,  1]]
    
    fx, fy 是以像素为单位的焦距。cx, cy 是图像的主点(光学中心),通常接近图像中心。这个矩阵描述了相机内部的几何属性。
  • 畸变系数 dist:通常是一个5元素或8元素的数组。对于大多数应用,我们关注前5个:[k1, k2, p1, p2, k3]。k1, k2, k3 是径向畸变系数,p1, p2 是切向畸变系数。数值越小,说明你的镜头畸变越小。
  • 重投影误差 ret:这是衡量标定质量的核心指标。它表示我们找到的图像角点,和用标定出的参数将世界点重新投影回图像后得到的点,两者之间的平均像素距离。这个值越小越好,一般小于0.5像素就算很不错了,小于0.2像素则非常理想。如果误差很大(比如大于1),说明标定过程可能有问题,需要检查图片质量或角点检测结果。

3.3 第三步:应用标定结果——图像去畸变

拿到“体检报告”后,第一件实用的事就是校正畸变。OpenCV提供了两种方式。

# 6. 图像去畸变(以其中一张图为例)
test_img = cv2.imread('calib_imgs/left01.jpg') # 换一张你的图片名
h, w = test_img.shape[:2]

# 方法一:获取优化后的新相机矩阵(推荐)
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))
# 参数 alpha=1:保留所有原始像素,但可能会有黑边。alpha=0:裁剪掉所有黑边,但会损失部分图像。
# roi:感兴趣区域,如果alpha=0,可以用它来裁剪。

# 方法二:直接去畸变
dst = cv2.undistort(test_img, mtx, dist, None, newcameramtx)

# 如果想去掉黑边(alpha=0时)
# x, y, w_roi, h_roi = roi
# dst = dst[y:y+h_roi, x:x+w_roi]

# 并排显示原图和去畸变后的图
cv2.imshow('Original Image', test_img)
cv2.imshow('Undistorted Image', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存结果
cv2.imwrite('undistorted_result.jpg', dst)
print("去畸变图像已保存。")

去畸变后,你会发现原本弯曲的线条(特别是画面边缘)变得笔直了。这是标定最直观的效果验证。

3.4 第四步:误差分析与结果评估

标定完了,怎么知道结果靠不靠谱?除了看重投影误差,我们还可以手动计算一下反投影误差,并和理论值做个对比。

# 7. 计算并打印反投影误差(更详细)
mean_error = 0
for i in range(len(objpoints)):
    imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)
    error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2)
    mean_error += error

mean_error /= len(objpoints)
print(f"\n计算得到的平均反投影误差为: {mean_error:.6f} 像素")
print(f"与cv2.calibrateCamera返回的误差值 {ret:.6f} 应基本一致。")

# 8. (进阶)与理论焦距对比(如果你知道相机传感器和焦距信息)
# 例如:手机摄像头焦距f=4mm,像素尺寸pixel_size=1.4微米 = 0.0014mm
f_mm = 4.0
pixel_size_mm = 0.0014
fx_theoretical = f_mm / pixel_size_mm # 理论焦距(像素单位)
fy_theoretical = fx_theoretical # 通常假设像素是正方形的

print(f"\n--- 理论焦距计算 ---")
print(f"物理焦距 f = {f_mm} mm")
print(f"像素尺寸 = {pixel_size_mm} mm")
print(f"理论 fx, fy = {fx_theoretical:.2f} 像素")

print(f"\n--- 标定结果对比 ---")
print(f"标定得到的 fx = {mtx[0,0]:.2f}, fy = {mtx[1,1]:.2f}")
print(f"主点 cx, cy = [{mtx[0,2]:.2f}, {mtx[1,2]:.2f}],图像中心为 [{w/2:.2f}, {h/2:.2f}]")

# 分析差异:标定焦距与理论焦距的差异可能来自:图片缩放、镜头实际焦距与标称不符、标定误差等。

通过对比,你能更深入地理解标定结果的含义。如果差异在一个合理范围内(比如10%-20%),通常是可接受的。如果差异巨大,就要回头检查整个流程了。

4. 避坑指南与精度提升技巧

纸上得来终觉浅,绝知此事要躬行。我在这里分享几个实战中容易踩的坑和提升精度的心得。

4.1 常见问题与排查

  • 问题一:findChessboardCorners 总是返回False。

    • 检查棋盘格参数:确认(w, h)是内部角点数加1。一个9x6的棋盘格,内部角点是8x5,但参数要传入(9,6)。
    • 检查图片:确保棋盘格在画面中清晰、完整、无反光。尝试对图片进行高斯模糊(cv2.GaussianBlur(gray, (5,5), 0))后再检测,有时能提升对模糊图像的检测率。
    • 尝试不同的标志:cv2.findChessboardCorners函数有一个flags参数,可以尝试cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_NORMALIZE_IMAGE,它先做自适应阈值化,有时效果更好。
  • 问题二:重投影误差很大(>1像素)。

    • 图片数量与质量:确保有足够多(15-20张)且姿态差异大的高质量图片。剔除那些角点检测看起来就不准的图片(比如部分角点模糊、有反光)。
    • 角点检测精度:确认使用了cornerSubPix进行亚像素优化。
    • 棋盘格平整度:打印的棋盘格一定要贴平在硬板上,拍摄时尽量保证棋盘格平面是刚性的,不要弯曲。
    • 世界坐标单位:确保objp中的square_size是你实际测量的物理尺寸(单位毫米),并且所有图片使用同一个值。这个值的绝对大小不影响内参,但影响外参(平移向量tvecs)。
  • 问题三:去畸变后图像四周有严重黑边或扭曲。

    • 这是正常的,因为畸变校正会把边缘的像素“拉”回正确位置,边缘部分在原始图像中没有对应信息。使用cv2.getOptimalNewCameraMatrix并设置alpha=0可以裁剪掉黑边,但会损失视野。alpha=1保留全部视野但有黑边。根据你的应用场景选择。

4.2 高级技巧:让标定更精准

  1. 多尺度角点检测:对于高分辨率图像,可以先在缩小的图像上粗检测角点,然后在原图对应区域进行亚像素精化,能加快速度并提高稳定性。
  2. 使用圆点网格标定板:对于某些镜头,尤其是畸变非常大的鱼眼镜头,棋盘格角点检测可能不稳定。可以尝试使用圆点网格(cv2.findCirclesGrid)。圆点中心的定位通常更抗畸变。
  3. 标定板姿态覆盖:这是提升精度的关键。确保标定板在画面中既有靠近中心的,也有紧贴四个边的;既有近乎平行的,也有大角度倾斜的。覆盖的视野范围越广,标定出的畸变模型越准确。
  4. 多次标定取平均:对于高精度要求,可以独立进行多次标定流程(用不同的图片集),然后对得到的内参和畸变系数取平均值或中位数,以降低随机误差。
  5. 固定光圈和焦距:如果是可调光圈的工业相机或单反,标定时应使用小光圈(如F8),以增大景深,减少镜头像差的影响,并且在整个过程中固定焦距,不要变焦。

5. 标定结果的应用:从2D图像到3D姿态估计

相机标定不只是为了去畸变。更强大的应用在于,当我们知道了相机的内参和畸变系数后,就可以通过几张2D图片,反推出物体在三维空间中的位置和姿态(Pose Estimation)。这就像是给了相机一双“深度感知”的眼睛。

假设我们现在已经标定好了相机(参数保存在camera_params.npz),并且将同一个棋盘格放在相机前大约1米的位置。我们想通过单张图片,计算出这个棋盘格相对于相机的精确位置和朝向。

import cv2
import numpy as np

# 加载之前保存的标定参数
with np.load('camera_params.npz') as data:
    mtx = data['mtx']
    dist = data['dist']

# 定义棋盘格的世界坐标(与标定时一致)
pattern_size = (9, 6) # 列,行
square_size = 25.0 # 毫米
objp = np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) * square_size

# 读取一张新的、包含棋盘格的图片(棋盘格在约1米外)
img = cv2.imread('new_pose_image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测角点
ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
if ret:
    corners_refined = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)

    # 使用PnP算法求解旋转和平移向量
    # cv2.solvePnP 是核心函数,它利用已知的3D点(objp)、对应的2D图像点(corners_refined)和相机内参,求解外参。
    # 使用RANSAC版本(solvePnPRansac)可以提高抗噪声能力。
    success, rvec, tvec, inliers = cv2.solvePnPRansac(objp, corners_refined, mtx, dist)
    # rvec: 旋转向量(3x1),可以用 cv2.Rodrigues() 转换为3x3旋转矩阵
    # tvec: 平移向量(3x1),单位与世界坐标单位一致(这里是毫米)

    if success:
        print("姿态估计成功!")
        print(f"旋转向量 (rvec):\n{rvec}")
        print(f"平移向量 (tvec,单位: mm):\n{tvec}")
        # 计算相机到棋盘格的距离(欧氏距离)
        distance = np.linalg.norm(tvec)
        print(f"棋盘格到相机的直线距离约为: {distance:.1f} mm")

        # 可视化:在图像上绘制一个3D坐标系
        # 定义坐标系上三个轴的方向(在世界坐标系中,长度50mm)
        axis = np.float32([[50,0,0], [0,50,0], [0,0,-50]]).reshape(-1,3)
        # 将3D轴点投影到2D图像平面
        imgpts, jac = cv2.projectPoints(axis, rvec, tvec, mtx, dist)
        imgpts = imgpts.astype(int)

        # 获取棋盘格第一个角点作为坐标系原点
        corner_origin = tuple(corners_refined[0].ravel().astype(int))

        # 绘制坐标轴:X轴-红色,Y轴-绿色,Z轴-蓝色(指向棋盘格平面内部)
        cv2.line(img, corner_origin, tuple(imgpts[0].ravel()), (0, 0, 255), 5) # X: Red
        cv2.line(img, corner_origin, tuple(imgpts[1].ravel()), (0, 255, 0), 5) # Y: Green
        cv2.line(img, corner_origin, tuple(imgpts[2].ravel()), (255, 0, 0), 5) # Z: Blue

        cv2.imshow('Pose Estimation with Axes', img)
        cv2.waitKey(0)
        cv2.destroyAllWindows()
    else:
        print("姿态估计失败。")
else:
    print("未检测到棋盘格。")

这段代码做了件很酷的事:它告诉了我们棋盘格在空间中的精确位置(tvec,单位毫米)和朝向(rvec)。tvec的数值大小就对应了距离。你可以移动棋盘格,运行代码,看看tvec的变化是否与你的移动相符。这就是很多AR应用、机器人视觉引导的基础——通过2D图像感知3D世界。

评估结果合理性:

  • 检查tvec的Z分量(通常是tvec[2])。如果棋盘格确实放在相机正前方约1米处,这个值应该接近1000毫米。
  • 检查绘制的3D坐标轴是否看起来合理。X轴(红色)和Y轴(绿色)应该沿着棋盘格的边缘,Z轴(蓝色)应该垂直于棋盘格平面指向内部。
  • 如果结果明显不对(比如距离算出来是负的或几万毫米),请检查:1) 标定参数mtx, dist是否正确加载;2) 世界坐标objp的尺寸单位是否与标定时一致;3) 角点检测是否准确。

走到这一步,你已经完成了从相机“体检”到赋予它“深度视觉”的完整闭环。整个过程看似复杂,但拆解成清晰的步骤后,每一步都有OpenCV强大的函数作为支撑。我建议你把代码跑通后,多换几组自己拍的照片试试,亲手调整参数,观察输出结果的变化。只有经过反复实验,你才会对相机标定背后的几何意义和那些数字有更深刻的理解。记住,标定是很多视觉项目的基石,这块基石打牢了,后面盖房子(做应用)才稳当。

别再手动调参了!用Matlab Camera Calibrator工具箱,5分钟搞定相机标定与畸变矫正 本文详细介绍了如何使用Matlab Camera Calibrator工具箱快速完成相机标定与畸变矫正,大幅提升工作效率。通过规范的棋盘格拍摄、GUI操作流程解析及批量处理脚本,帮助用户轻松获取精确的相机参数和内参矩阵,适用于工业级应用场景。 阅读详情

相关推荐

Halcon棋牌格畸变矫正实战:从标定到图像修复

本文详细介绍了Halcon棋牌格畸变矫正的实战流程,从标定板选择到图像修复。通过分析镜头畸变类型(桶形/枕形)及其对工业检测的影响,提供标定板准备、特征点检测、参数调优等实用技巧,并分享动态标定策略与精度验证方法,帮助提升视觉测量精度。

weixin_29250403的博客 559

OpenCV 棋盘格相机标定(保姆版)

使用 OpenCV 进行相机标定,通常需要拍摄多张包含棋盘格标定板的图像,然后通过这些图像计算相机的内参和畸变系数。OpenCV中使用使用非线性最小二乘法(如 Levenberg-Marquardt 算法)来最小化重投影误差,即实际图像点与由相机模型预测的图像点之间的误差。通过迭代优化,函数求解出相机的内参、畸变系数以及每张图像的外参。

纵马踏花向自由 1万+

相机标定与棋盘格标定

文章目录相机标定相机标定的意义标定参数线性回归优缺点同步标定内部参数和外部参数棋盘格标定图片集harris角点检测求解 Homographic矩阵内外参数结果 相机标定 相机标定的意义 在图像测量过程以及机器视觉应用中,为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系,必须建立相机成像的几何模型,这些几何模型参数就是相机参数。在大多数条件下这些参数必须通过实验与计算才能得到,这...

monetvan的博客 6866

opencv实战项目二十四:棋盘格相机内参标定

在数字图像处理和计算机视觉领域,相机标定是一个至关重要的步骤。它为相机提供了一个准确的数学模型,使我们能够从二维图像中准确地恢复三维世界信息。而在众多标定方法中,使用棋盘格图案进行相机内参标定无疑是最经典且广泛采用的技术之一。在这篇博客中,我们将深入探讨棋盘格相机内参标定的原理、步骤及其在实际应用中的重要性。我们将详细介绍如何使用棋盘格图案来获取相机的内参矩阵,包括焦距、主点坐标以及镜头畸变系数等关键参数并通过Opencv实现它。校正镜头畸变:相机镜头通常存在一定的光学畸变,主要包括径向畸变和切向畸变。

HanWenKing的博客 1万+

利用棋盘格图案完成相机标定

摄像机标定 单孔摄像机(照相机)会给图像带来很多畸变。畸变主要有两种:径向畸变和切想畸变。如下图所示,用红色直线将棋盘的两个边标注出来,但是你会发现棋盘的边界并不和红线重合。所有我们认为应该是直线的也都凸出来了。 所以需要进行相机标定 棋盘格标定 OpenCV使用棋盘格板进行标定,如下图所示。为了标定相机,我们需要输入一系列三维点和它们对应的二维图像点。在黑白相间的棋盘格上,二维图像点很容易通过...

逗创科技——逗创创的博客 9914

【opencv】棋盘格角点检测

为了建立相机的成像几何模型以及矫正透镜畸变,需要对相机进行标定以得到其内外参及畸变参数。 使用了棋盘格进行相机标定,在此之前首先要对棋盘格角点进行检测。opencv中封装了一个寻找角点的函数cv::findChessboardCorners()以及绘制棋盘角点函数cv::drawChessboardCorners()。下面对两函数进行总结介绍,并贴出相关代码实现。 1.cv::findChessb...

weixin_43294387的博客 4610

[OpenCV】相机标定之棋盘格角点检测与绘制

使用 cv::Size 定义棋盘格的内部角点数量(例如 9x6)。

qq_40526309的博客 3545

OpenCV相机标定与3D重建(32)检测图像内棋盘格图案角点的函数findChessboardCorners()的使用

cv::findChessboardCorners 是 OpenCV 库中用于检测图像内棋盘格图案角点的函数。它对于相机标定等应用非常有用,因为它能够帮助识别出已知几何模式(如棋盘格)的角点位置。

jndingxin的专栏 1431

【相机标定】OpenCV 相机标定中的重投影误差与角点三维坐标计算详解

本文将从以下几个方面展开,结合典型代码深入解析 OpenCV 中的相机标定过程,重点阐述重投影误差的计算方法与实际意义,并通过一个 `calcBoardCornerPositions()` 函数详细讲解棋盘格角点三维坐标的构建逻辑。

一个XR(AR|VR|MR)程序猿的博客(EQ-雪梨蛋花汤) 4063

使用棋盘格做图像标定与畸变校正

以上是使用棋盘格进行图像标定和畸变校正的一般步骤。这个过程需要一些数学知识和图像处理工具,但可以帮助提高摄像头采集的图像的准确性和可靠性。为你自己的棋盘格图像文件路径。此代码将寻找图像中的棋盘格角点,进行相机标定并进行畸变校正,最后显示原始图像和校正后的图像。使用棋盘格进行图像标定和畸变校正是一种常见的方法,通常用于摄像头校准。需要根据实际使用的棋盘格尺寸进行设置。

Littro Innovations 1425

C++相机标定实战:从棋盘格角点检测到畸变矫正的完整指南

相机标定是计算机视觉中连接二维图像与三维世界的关键环节,其核心在于求解相机内参、外参及畸变系数。棋盘格作为高特征对比度的标定模板,其角点检测精度直接决定了标定结果的可靠性。基于OpenCV库,通过C++工程实践,可实现从棋盘格角点提取、亚像素细化到内外参数联合优化的全流程。本文从基础概念出发,阐述重投影误差最小化的优化原理,并探讨该技术在视觉测量、三维重建及机器人导航中的工程价值。针对Visual Studio开发环境,还详细分析了OpenCV配置陷阱、x64 Debug模式下的链接问题及常见检测失败原因,

weixin_32745665的博客 184

棋盘格标定

棋盘格标定 **相机标定的目的:**获取摄像机的内参和外参矩阵(同时也会得到每一幅标定图像的旋转和平移矩阵), 内参和外参系数可以对之后相机拍摄的图像就进行矫正,得到畸变相对很小的图像。 **相机标定的输入:**标定图像上所有内角点的图像坐标,标定板图像上所有内角点的空间三维坐标(一般情况下假定图像位于Z=0平面上)。对于每张拍摄的棋盘图片,检测图片中所有棋盘格的特征点(内角点,也就是黑白棋盘交叉点)。我们定义打印的棋盘图纸位于世界坐标系zw=0的平面上,世界坐标系的原点位于棋盘图纸的固定一角。像素

xinxin_Tian的博客 2115

张正友标定实战:OpenCV棋盘格内参矩阵与畸变校正源码解析

相机标定是视觉测量与三维重建的基础环节,其核心目标是求解内参矩阵与畸变系数。张正友标定法通过拍摄不同角度的棋盘格图案,利用角点检测与平面单应性约束完成参数求解,兼具操作简单与精度稳定的优势。OpenCV 提供的 calibrateCamera 封装了完整优化流程,但实际工程中仍需正确设置棋盘格内角点数量、采集覆盖图像边缘的样本并理解亚像素精化原理,否则标定结果容易偏离真实值。从单目测距到机器人定位,凡是依赖像素坐标还原空间信息的应用,都离不开准确的内参矩阵。本文以一个可直接运行的 OpenCV-Python

weixin_29056145的博客 244

【OpenCV】相机标定之利用棋盘格信息标定

这里介绍下基于棋盘格的相机参数标定。获取图像中的角点信息,再结合世界坐标点,就可以完成相机标定,将相机的图像坐标与世界坐标之间的转换关系建立起来,从而实现相机的三维重建、姿态估计等应用。

qq_40526309的博客 2376

OpenCV相机标定实战:棋盘格应用详解

棋盘格在相机标定中的作用主要是提供丰富的角点以供检测,因此角点检测算法是整个标定过程中的关键步骤。目前,存在多种角点检测算法,其中包括但不限于以下几种:Harris角点检测算法:通过计算像素点的梯度变化,找到梯度变化最大的点作为角点。Shi-Tomasi角点检测算法:基于Harris算法,增加了角点响应函数,可更准确地确定角点。Fast角点检测算法:通过使用简单的亮度比较和规则来快速检测角点,但可能会漏检一些角点。角点检测算法种类繁多,每种算法都有其特定的应用场景和优势。

weixin_36483050的博客 1367

OPENCV 相机校准棋盘 圆点

图片格式的校准图,圆点

张正友相机标定方法中标定板角点检测算法原理(Harris和Shi-Tomasi角点检测算法)

在棋盘格图案中,角点是白格与黑格交界的交叉点,即四个颜色区域交汇处的内角点(不包括外边框角点)。如图所示:若棋盘格为 8x6 格,则角点数量为 7×5=35 个。Rdet⁡M−k⋅trace⁡M2λ1λ2−kλ1λ22RdetM−k⋅traceM2λ1​λ2​−kλ1​λ2​2k∈0.040.06k∈0.040.06:经验常数若RthresholdRthreshold,该点为角点。

qq_36812406的博客 2513

《MySQL高级篇》十四、多版本并发控制

《MySQL高级篇》十四、多版本并发控制

LXYDSF的博客 3994
上一篇: CISSP备考全攻略:从报名到拿证,这份保姆级指南帮你省下7000块
下一篇: ArcGIS行政区划图美化全攻略:从数据准备到蒙版透明效果制作
随身带U盘
博客等级 码龄4年 31粉丝 1526原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值