简介这是一套基于OpenCV实现张正友相机标定的完整工程代码主要面向计算机视觉初学者、机器人导航与三维重建领域的开发者解决相机内参与外参求解、畸变矫正等基础但关键的问题。工程基于VS2015编写包含详细注释与一键运行脚本覆盖从棋盘格图像读取、角点提取到标定结果评价与图像矫正的完整流程同时附带可打印棋盘格PDF、10张手机拍摄标定图和20张摄像头拍摄标定图无需额外采集即可体验整个标定过程。资源包共107个文件以jpg测试图像、cpp源码、pdf棋盘格、exe可执行文件为主体整体大小95.67MB目录组织清晰便于按模块研读。标定输出包括相机内参矩阵、旋转向量与平移向量并自动计算重投影误差以评价精度利用标定结果可直接对原始棋盘图进行去畸变矫正实测所得标定参数与Matlab标定工具箱结果非常接近适合作为理论学习的配套实践或项目预研的参考。该资源已有6817人学习下载兼顾教学演示与实际应用是快速掌握张正友标定法的优质材料。1. 张正友标定为什么 OpenCV 实现仍是当下最实用的内参求解路线手头一个工业相机装上镜头后画面边缘的直线全是弯的用相机做尺寸测量、做机器人抓取定位第一步就得把内参和畸变系数算准。张正友标定法是目前最省器材的解法——不需要昂贵的三维标定块只要一张 A4 打印的棋盘格从不同角度拍十几张图交给 OpenCV 就能解出相机内参、畸变系数还能顺带拿到每张图拍摄时相机相对棋盘格的位置姿态。这套方案的实际效果直接决定后续去畸变、三维重建和位姿估计的精度适合做机器视觉、SLAM 初始化、增强现实注册的开发者。本文就从原理、资源包结构、完整实现到踩坑记录把这条路线完整拆开。2. 标定原理与资源包结构从棋盘格几何约束到内参矩阵的五个关键量2.1 张氏标定的数学模型一张棋盘格为什么能解出五个内参传统标定需要一个精密加工的三维标定块让相机拍摄已知空间坐标的角点再用透视投影关系直接建立方程。张氏标定的巧妙之处在于把三维靶标降到了二维——棋盘格平面上的所有角点都满足 Z 0这样每个角点的三维坐标只剩 X 和 Y 两个自由度。三维世界坐标到像素坐标的投影矩阵此时退化为一个 3×3 的单应性矩阵 H物理世界的平面点和像素点之间就构成了一个直接的射影映射。具体来说相机的针孔模型写成 s·m K·[R|t]·M其中 M 是世界坐标、m 是像素坐标、K 是内参矩阵。当 M 所在的平面是 Z 0 时旋转矩阵 R 的第三列被消掉剩下的关系变成 s·m H·MH λ·K·[r1 r2 t]。这个 H 就是每张棋盘格图片都能算出来的单应性矩阵。既然 H 已知而 K 内又藏着 fx、fy、cx、cy、s 这五个量的信息张正友证明了从单应性矩阵的约束条件中可以把内参逐步分离出来。每一张棋盘格照片提供的两个基本约束来自旋转矩阵的列向量 r1 和 r2 的单位正交性。因为 r1 和 r2 是真实旋转矩阵的前两列它们满足 r1^T·r2 0 且 |r1| |r2|。把 H 分解后代入这两个条件每个条件就变成了一个关于内参矩阵 K 的二次方程。每一个视角提供两个方程五个内参理论上至少需要三张不同角度的图像才能线性解出。实践中我到手最少拍 12 张常规项目拍到 18 到 20 张原因很简单角点检测有像素级噪声方程数量多了才能让最小二乘解稳定下来。畸变模型的加入让问题从线性求解变成了非线性优化。张氏标定在得到线性初值后会用 Levenberg-Marquardt 算法迭代最小化所有角点的重投影误差优化变量包括内参、畸变系数 k1、k2、p1、p2 以及每张图的外参。也正因为存在这套优化机制它不需要像 DLT 那样对每张图片单独求投影矩阵而是把相机内参作为全局共享量做联合估计。这也是为什么同一组图片张氏标定在 OpenCV 里的求解结果比早期直接求单应性矩阵的粗糙做法稳定得多。2.2 资源包拿到手棋盘格PDF、测试图片与标定脚本三件套怎么协同典型的张正友标定资源包通常包含三类内容可打印的棋盘格 PDF、不同角度拍摄的测试图片集、以及一套基于 OpenCV 的标定脚本。三者的关系是一个完整的流水线——PDF 负责生成物理靶标测试图片是输入数据脚本完成角点提取、标定和参数输出。拿到资源包的第一步不是立刻跑代码而是先做文件体检我一般会按下面这个流程检查资源项关键检查点用途棋盘格 PDF格子行列数、单格边长标注、是否含多个尺寸版本决定 patternSize 参数与实际物理尺寸测试图片集数量是否 ≥ 10 张、分辨率是否一致、棋盘格是否完整入镜决定标定方程约束是否充分标定脚本是否单文件、依赖 OpenCV 版本、是否含保存参数的逻辑决定后续验证和复用方式棋盘格 PDF 的坑在于打印缩放。大多数 PDF 是按 100% 比例设计的但打印机的“适应页面”选项会擅自缩放实际打印出来的格子边长和 PDF 标注值相差几个百分点。拿到打印好的棋盘格我必做的一件事是用卡尺量三个不同位置的格子边长取平均值填入脚本的 square_size 变量。这个值影响的是外参平移向量 t 的单位内参 fx、fy 是像素单位下的焦距不受影响但如果后面要用标定结果做三维测量比如算棋盘格到相机的距离square_size 错了距离就全错了。测试图片集的检查重点是角度覆盖。合格的测试集应该包含正拍、左右侧倾、上下俯仰、近拍和远拍几种情况而且棋盘格不能总停留在画面中央。如果图片都是同一个视角拍的单应性约束退化内参解不唯一重投影误差再低也是假象。另外图片分辨率必须一致我遇到过资源包里混入一张尺寸不同的图导致 imagePoints 和 objectPoints 的维度对不上脚本在第一轮就报错。脚本部分的代码组织方式各有不同。有的资源包把角点提取和标定放在一个脚本里跑完有的则分成 extract_corners.py 和 calibrate.py 两个阶段。分步的好处是第一步提取角点后可以人工检查是否有误检再进标定单文件的省事但排错时容易一锅端。我习惯拿到脚本后先跑一遍原始数据和默认参数确认能输出结果再根据自己相机的分辨率、棋盘格尺寸去调整参数而不是直接改代码。3. OpenCV 标定全流程角点提取、亚像素细化与 calibrateCamera 参数设置3.1 第零步准备棋盘格的行列数、物理尺寸与拍摄数量实现之前最容易被忽略的三个参数是内角点数、格子实际边长和图片数量。棋盘格 PDF 上标注的是格子数比如 10 列 × 7 行而 OpenCV 的 findChessboardCorners 要求传入的是内角点数——也就是格子之间的交叉点数量等于 9 × 6。这一点我踩过至少三次坑每次都是拿着 10×7 的格子数直接填 patternSize结果要么检测失败要么画出来的角点连边错乱。棋盘格物理尺寸的选择要兼顾提取稳定性和畸变覆盖。单格边长在 20mm 到 30mm 之间比较合适太小了远拍时角点在图像里只有几个像素亚像素细化也救不回来太大了近拍时棋盘格超出画面没法覆盖画面边缘。打印出来的棋盘格要贴在平整的硬板上平面度直接影响标定精度。拍摄数量的经验值通常取 15 到 20 张。我的拍摄分配策略是先正拍一张然后左右各转 15 度、30 度分别拍再上下倾斜各拍几张最后让棋盘格分别出现在画面左上、右上、左下、右下四个角落各拍一张。远近变化也很重要——保证棋盘格占画面宽度的 1/3 到 2/3 之间浮动。3.2 角点提取与亚像素细化findChessboardCorners 到 cornerSubPix 的用法拿到测试图片后先从灰度图走角点提取。OpenCV 的 findChessboardCorners 对光照鲁棒性还行但反光、阴影和模糊都会导致检测失败所以提取前可以用自适应直方图均衡化增强一下对比度。下面的代码是提取和细化角点的核心部分import cv2 import numpy as np # 棋盘格内角点数10列x7行格子 - (9, 6) pattern_size (9, 6) # 亚像素细化的迭代终止条件迭代30次或精度达到0.001像素 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corner_list [] for img_path in image_paths: img cv2.imread(img_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 寻找棋盘格内角点 ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if not ret: print(f角点提取失败: {img_path}) continue # 亚像素级细化窗口11x11避免靠近边缘时越界 corners_refined cv2.cornerSubPix( gray, corners, (11, 11), (-1, -1), criteria ) corner_list.append(corners_refined) # 可视化确认把角点画回原图人工检查排列顺序 img_show img.copy() cv2.drawChessboardCorners(img_show, pattern_size, corners_refined, ret) cv2.imshow(check, img_show) cv2.waitKey(100)findChessboardCorners 返回的 ret 是布尔值OpenCV 的策略是要么找到全部内角点要么一个都不找所以不用担心中途部分成功导致点数不一致。cornerSubPix 的原理是基于梯度正交性迭代优化角点位置让角点在两个正交梯度方向上的坐标误差同时最小。winSize 是搜索窗口半径取 11 对 1280×720 分辨率的图够用如果图片分辨率更高窗口可以适当加大到 15。zerzone 设为 (-1, -1) 表示窗口中心不设禁区。drawChessboardCorners 画出来的是按行列顺序排列的彩色连线这一步务必人眼确认。角点的提取顺序是先行后列、每行从左到右如果棋盘格在画面中发生了旋转OpenCV 也能按内部逻辑确定起始角点但前提是棋盘格倾斜角度不要超过 45 度否则容易出现 180 度翻转的歧义。3.3 calibrateCamera 参数解说从五个内参到畸变系数与重投影误差角点收集完成后进入标定阶段。objectPoints 是棋盘格在物理平面上的三维坐标Z 全部为 0X、Y 按格子间距生成imagePoints 是每张图的亚像素角点两者数量必须一致。下面这段代码给出了完整的标定调用方式square_size 25.0 # 单格边长单位mm用卡尺实测后填入 objp np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) # 生成物理坐标每列x间隔25mm每行y间隔25mm objp[:, :2] np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) * square_size object_points [] # 每张图一份相同的物理坐标 image_points [] for corners_refined in corner_list: object_points.append(objp) image_points.append(corners_refined.reshape(-1, 2)) # 标定主函数rms是重投影误差 rms, camera_matrix, dist_coeffs, rvecs, tvecs cv2.calibrateCamera( object_points, image_points, gray.shape[::-1], # 传入(width, height) None, None ) print(重投影误差:, rms) print(内参矩阵:\n, camera_matrix) print(畸变系数:, dist_coeffs.ravel())calibrateCamera 默认求解的畸变系数是 k1、k2、p1、p2 四个也就是只含两种径向畸变和两种切向畸变。如果镜头畸变比较大比如廉价的广角 USB 摄像头需要把 flags 参数加上 cv2.CALIB_RATIONAL_MODEL这样会多解一个 k3。加了 k3 之后dist_coeffs 变成 5 个元素但求解的自由度变大对图片数量的要求也更高少于 15 张图时 k3 容易不收敛。内参矩阵 camera_matrix 里的 fx 和 fy 是等效焦距单位是像素cx、cy 是主点坐标。对多数工业相机fx 和 fy 理论值应该很接近如果标定结果两者差了超过 5%优先检查图片是否被缩放、裁剪或者输入给 calibrateCamera 的 imageSize 是否和实际图片尺寸一致。rvecs 和 tvecs 分别保存每张图的外参也就是棋盘格坐标系相对相机坐标系的旋转向量和平移向量长度必须等于成功提取角点的图片数。旋转向量是三维的后续可以用 Rodrigues 转成 3×3 旋转矩阵。rms 返回的是所有角点重投影误差的均方根单位是像素。根据我的经验rms 小于 0.1 属于非常理想0.1 到 0.3 在工程上可用超过 0.5 多半是角点检测、棋盘格平面度或参数设置有明显问题。需要强调的是rms 只是全局平均指标单张图可能误差很大但被平均掩盖下一章专门讲怎么逐张验证。4. 标定质量验证与去畸变输出重投影误差之外还要看实测线条4.1 重投影误差怎么看RMS 数值不是唯一裁判多数人标定完只看一个 rms这就是把标定当成黑匣子的典型心态。rms 是所有图片角点误差的均方根单张图的局部畸变误差会被稀释一个 0.08 的 rms 背后可能藏着某张图的极大误差。我的做法是标定完成后把每张图的平均重投影误差逐张打印出来定位离群图片再决定是剔除还是重拍。下面这段代码利用标定输出的 rvecs、tvecs 做逐图重投影def per_image_error(object_points, image_points, rvecs, tvecs, camera_matrix, dist_coeffs): for i in range(len(object_points)): # 把物理坐标点投影到像素平面 proj, _ cv2.projectPoints( object_points[i], rvecs[i], tvecs[i], camera_matrix, dist_coeffs ) error np.sqrt(np.sum((proj - image_points[i]) ** 2, axis1)) mean_err error.mean() print(f第{i:02d}张图 平均误差: {mean_err:.3f} pix, f最大误差: {error.max():.3f} pix)逐张输出后凡是平均误差明显大于整体水平的图片先检查是不是棋盘格边缘反光、纸张不平整或者画面模糊导致的角点质量下降。剔除个别烂图再重新标定比保留所有图片靠最小二乘硬扛要有效得多。rms 的评价标准可以按这个表做一个快速判断rms 范围工程判断建议动作 0.1优秀直接进入去畸变与验证0.1 ~ 0.3可用结合逐张误差分析轻微优化0.3 ~ 0.5存疑检查棋盘格平面度与角点检测 0.5失败重新拍摄校正参数设置还有一类情况是 rms 很低但实际去畸变效果差棋盘格图像全部集中在画面中央区域边缘畸变没有被观测数据约束畸变参数就成了无约束自由量优化器只能给出数值上凑合的估计。所以第四步还有一个硬性检查——把棋盘格单独放在画面四个角落拍四张图如果这批图的重投影误差普遍偏高说明畸变模型和真实镜头不匹配或者原本的畸变系数初始值选得不对。4.2 基于标定结果做去畸变initUndistortRectifyMap 与 remap 的参数陷阱拿到内参和畸变系数后最直接的验证手段是拿一张棋盘格图片做去畸变观察边缘直线是否恢复平直。OpenCV 提供两种方式一种是一步到位的 cv2.undistort另一种是先计算映射表再用 remap 重采样。映射表方式更适合视频流和多张图重复使用因为映射表只需计算一次后面每帧只是查表重映射省掉重复的坐标变换计算。h, w image.shape[:2] # alpha1 保留所有像素视野边缘可能出现黑边 new_camera_matrix, roi cv2.getOptimalNewCameraMatrix( camera_matrix, dist_coeffs, (w, h), alpha1, newImgSize(w, h) ) # 计算像素坐标映射表map1为x坐标映射map2为y坐标映射 map1, map2 cv2.initUndistortRectifyMap( camera_matrix, dist_coeffs, None, new_camera_matrix, (w, h), cv2.CV_32FC1 ) # 查表重映射完成去畸变 undistorted_img cv2.remap(image, map1, map2, cv2.INTER_LINEAR)getOptimalNewCameraMatrix 里的 alpha 参数是这里最容易翻车的点。alpha0 表示去畸变后裁剪掉所有无效区域输出图像只保留无畸变且有内容的部分画面会轻微缩小alpha1 表示保留原始图像的全部视野范围去畸变后边缘会露出黑色空白区域。对于视觉测量场景我一般选 alpha1宁可有黑边也不裁剪视野因为裁剪会改变图像分辨率与内参的对应关系后续如果要用去畸变图继续做特征匹配必须重新确认内参是否仍然适用。这段代码里还有一个隐藏坑initUndistortRectifyMap 的最后一个参数类型。很多人习惯用 cv2.CV_16SC2 觉得省内存但对于亚像素精度要求高的场景CV_32FC1 是更稳妥的选择避免 map 坐标的量化误差。remap 的插值方式选 INTER_LINEAR 即可选更高阶的 INTER_CUBIC 在边缘处容易产生过冲伪影。去畸变之后可以用直线边缘的图片做个简单检查把原图和去畸变图并排显示观察画面边缘的直线是否变直。如果去畸变后边缘反而出现波浪形失真通常是畸变系数的符号或量级出了问题需要回到标定环节重新检查 flags 和图片质量。5. 张氏标定避坑实录四类翻车现场与对应解法5.1 内角点数写错导致全部角点提取失败现象运行 findChessboardCorners 返回的 ret 全是 False不管换哪张测试图片都提取不到角点或者某些图虽然返回 True但 drawChessboardCorners 画出来的连线顺序错乱。原因patternSize 误填成了棋盘格的行列数而不是内角点数。比如 10×7 的棋盘格内角点数量是 (9, 6)写成 (10, 7) 会让检测器在整个棋盘格范围内找不存在的 70 个角点算法内部在多个尺度上都会失配。解决先用一张图打印出 pattern_size 的每个候选值跑一遍 findChessboardCorners从 (cols - 1, rows - 1) 开始试确定正确内角点数后再在批量处理时用 assert 保护一旦有图检测失败就直接打印文件名终止避免后面 imagePoints 数量不一致引起更隐蔽的错位。5.2 所有棋盘格都在画面中心标定误差虚低、去畸变翻车现象rms 输出 0.05 左右看起来非常理想但用标定结果去矫正一张画面边缘有很多直线的实拍图边缘依旧是弯的而且画面四角的畸变完全没有被修正。原因所有棋盘格图像都集中在画面中央角点数据只覆盖了图像中心区域。畸变系数本质上是描述像素坐标偏离理想针孔模型的程度中心区域的径向畸变很小数据里几乎没有边缘畸变的信息优化器只能把边缘畸变参数推向一个任意值。解决重新拍摄把棋盘格分别放到画面左上、右上、左下、右下四个角落每放一个位置拍两三张不同角度的图。同时检查每张图里棋盘格是否至少有 70% 面积位于画面边缘带再重新标定并对比 rms 和去畸变效果。5.3 打印纸没有贴平板两次标定结果差了几个百分点现象同一台相机用同一张棋盘格上午标定的 fx 是 1423下午重新标定变成 1385差距超过 2.5%而且每次 rms 都在 0.2 以内。原因棋盘格打印纸直接平铺在桌面上纸面有轻微波浪形翘曲。张氏标定假设靶标是一个严格平面纸面翘曲等于给每个角点叠加了一个随机的几毫米级 Z 方向偏移这些偏移被畸变和外参吸收导致内参不稳定。解决按照工业上常见的做法棋盘格打印纸要平贴在刚性的亚克力板或铝板上四角用胶带或磁吸固定。贴完板子后从侧面观察板面是否有弯曲或者把棋盘格贴在平整桌面上用重物压住四个角再做标定验证。5.4 角点检测成功但标定时报 objectPoints 与 imagePoints 数量不匹配现象程序在 build objectPoints 阶段不报错进入 calibrateCamera 后抛异常提示 cannot reshape array of size 或者 objectPoints 的维度不一致。原因某些图片在 findChessboardCorners 时返回了真但后续处理没有统一 reshape比如有的 corners 是 (54, 1, 2) 有的被处理成 (54, 2)。另一个常见原因是不同批次的图片分辨率不一致导致 imagePoints 的数量虽然都是 54但坐标尺度不同。解决在收集角点的循环里强制每个 corners 都执行 corners_refined.reshape(-1, 2)并断言 shape[0] 等于 pattern_size[0] * pattern_size[1]同时在读取图片后统一检查宽度高度不一致的先 resize 或剔除。我在做多相机标定的时候还遇到过把两台相机图片混到同一个角点列表里的情况这类问题很难从报错直接看出来所以每次批量操作前都要用一条 assert 保证所有图片的 shape 一致。6. 进阶验证用 drawChessboardCorners 配合外参绘制三维坐标轴让标定结果眼见为实标定完成后内参和畸变系数已经落盘但很多人不知道还能从 rvecs、tvecs 里榨出更多验证信息。一个很实用的进阶操作是选一张棋盘格图片用 solvePnP 重新求一次该图的外参然后调用 cv2.drawFrameAxes 把棋盘格坐标系的三维坐标轴叠加到原图上。如果标定结果正确坐标轴的 X、Y 轴会精确贴合棋盘格平面Z 轴垂直于板面指向相机方向。# 选第 5 张图做外参验证 idx 5 ret, rvec, tvec cv2.solvePnP( object_points[idx], image_points[idx], camera_matrix, dist_coeffs ) # 坐标轴长度设为1.5倍格子边长 axis_length 1.5 * square_size img_axis cv2.drawFrameAxes( img_orig.copy(), camera_matrix, dist_coeffs, rvec, tvec, axis_length )这张叠加了坐标轴的图有三个用途。第一判断外参是否存在 180 度翻转棋盘格坐标系 Z 轴应该指向相机如果画出来的 Z 轴指向远离相机的方向说明棋盘格角点顺序在检测时发生了整体旋转需要重新检查 pattern_size 的传入顺序或者图像输入方向。第二直观判断棋盘格平面与相机是否对称坐标轴在画面的位置会随 tvec 变化如果 tvec 对应的棋盘格位置与实际图像中棋盘格的位置明显错位说明外参求解存在粗差。第三这套坐标轴可视化可以直接迁移到后续的 AR 注册或机械臂手眼标定里——用同一个相机模型叠加虚拟物体时如果虚拟物体不能稳定贴合棋盘格平面基本可以肯定是内参标定有残留误差。从那以后我每次标定完都会强制走一遍“rms 检查 → 逐张误差分析 → 去畸变直线验证 → drawFrameAxes 可视化”这套流程四步全过才把相机参数写进配置文件。任何一步出问题我都优先怀疑棋盘格平面度和图片覆盖范围而不是直接调优化参数。这套流程看着多实际跑一遍不到五分钟却能省下后面整周的在三维测量精度上排查的时间。希望帮到你。本文还有配套的精品资源点击获取