简介这份 MATLAB 标定工具源代码面向从事相机标定、立体视觉与鱼眼镜头校正的开发者与研究人员尤其适合需要复现经典标定流程、研究优化迭代算法的中高级用户。资源包共 186 个文件以 182 个 .m 脚本为主体涵盖标定优化迭代、立体标定、鱼眼模型、角点拾取与网格化等核心模块另附 2 个 eps 图形文件、1 份 pdf 说明与 1 个 txt 文本整体约 112KB结构紧凑、便于按功能检索。内容预览可见标定优化迭代、立体标定、鱼眼标定及角点交互等脚本读者可据此理解标定算法的实现脉络与参数传递方式并在此基础上修改或扩展自己的标定流程。目前已有 1204 人学习下载适合作为视觉标定方向的学习参考与二次开发起点。1. 标定这件事为什么我劝你直接拿源码改做视觉测量或者机器人手眼标定的朋友大概率都经历过这样的场景相机拍出来的图边缘畸变肉眼可见拿标定板跑一遍工具箱结果重投影误差忽大忽小想调参数却不知道工具箱内部到底怎么算的。MATLAB 自带的 Camera Calibrator 用起来确实顺手但它是黑匣子你想改个畸变模型、换套角点提取逻辑基本无从下手。这份 MATLAB 标定工具源代码解决的就是这个问题——它把标定全流程摊开给你看从角点检测、单应矩阵求解到内参初值估计、畸变系数非线性优化每一步都是可读可改的 .m 文件。适合谁正在做相机标定、双目视觉、结构光或者手眼标定又不想被工具箱绑死的开发者。你拿到手就能跑跑完就能顺着函数调用链一路改下去。2. 先看清家底目录结构与核心函数分工2.1 从入口脚本到工具函数的层级关系拿到一份源码我习惯先找入口。这份标定工具通常以一个主脚本或主函数作为起点比如main_calibration.m或者calib_demo.m它负责加载标定图片、设定标定板参数、调用核心标定函数、最后把结果画出来。往下走一层是几个职责分明的工具函数角点提取、单应矩阵计算、内参初值求解、非线性优化、畸变校正。再往下是一些数值计算的小函数比如矩阵归一化、Levenberg-Marquardt 迭代步长控制。常见的目录结构大概长这样calibration_tool/ ├── main_calibration.m % 入口脚本跑通全流程 ├── data/ │ └── checkerboard/ % 标定图片存放 ├── src/ │ ├── detect_corners.m % 角点检测 │ ├── compute_homography.m % 单应矩阵 │ ├── init_intrinsics.m % 内参初值 │ ├── optimize_params.m % 非线性优化 │ └── undistort_image.m % 畸变校正 └── utils/ ├── normalize_points.m % 坐标归一化 └── rodrigues.m % 旋转向量与矩阵互转这个结构不算复杂但分工清楚。入口脚本不干重活只做流程编排src/里每个函数只解决一个数学问题utils/放通用数值工具。你改的时候目标很明确想换角点检测算法只动detect_corners.m想换优化策略只动optimize_params.m。这种解耦对二次开发很友好。2.2 标定板参数与图像读取的约定标定板参数一般写在入口脚本开头比如棋盘格每格的实际物理尺寸、行列角点数。这里有个容易翻车的地方很多人以为棋盘格角点数就是格子数其实角点数是格子数减一。比如 10×7 的棋盘格内角点是 9×6。源码里通常会有一个boardSize变量注释会写清楚是内角点数。图像读取部分常见做法是用imageDatastore或者直接dir(*.jpg)拿文件列表然后循环读入。这里要注意图片路径的拼接方式Windows 和 Linux 的路径分隔符不一样源码里一般用fullfile来拼跨平台不会出问题。% 标定板参数设置 boardSize [9, 6]; % 内角点数注意不是格子数 squareSize 25; % 每格实际物理尺寸单位 mm % 读取标定图片 imageFiles dir(fullfile(data, checkerboard, *.jpg)); numImages length(imageFiles); for i 1:numImages imgPath fullfile(imageFiles(i).folder, imageFiles(i).name); img imread(imgPath); % 后续处理... endboardSize和squareSize这两个参数直接决定标定结果的物理量纲。如果你只关心像素级标定squareSize可以设成 1如果要输出真实世界坐标必须填实际尺寸。fullfile拼路径是 MATLAB 里跨平台的标准做法比手写斜杠靠谱。2.3 角点检测与亚像素精化的实现细节角点检测是标定的第一步也是最容易出问题的一步。源码里通常先用detectCheckerboardPoints或者自己实现的 Harris 角点检测拿到粗略位置然后做亚像素精化。亚像素精化的常见做法是在角点周围取一个窗口拟合二次曲面找曲面极值点。% 角点检测与亚像素精化 [points, boardSize] detectCheckerboardPoints(imgPath); % 亚像素精化窗口大小一般取 5 到 11 points cornerSubPix(img, points, [5, 5], [-1, -1]);detectCheckerboardPoints返回的points是 N×2 的矩阵每行是一个角点的 (x, y) 坐标。cornerSubPix的第二个参数是搜索窗口半径第三个参数是死区半径通常设 -1 表示忽略。窗口太小精化效果不明显太大容易把邻近角点拉偏。我一般从 5 开始试如果重投影误差偏大再调到 7 或 9。这里有个血泪经验如果标定图片里棋盘格有遮挡或者光照不均detectCheckerboardPoints可能漏检或者错检。源码里一般会加一个检查如果检测到的角点数不等于boardSize(1)*boardSize(2)就跳过这张图或者报警。你二次开发的时候可以把这个检查改成更鲁棒的策略比如允许少量角点缺失用单应矩阵补全。3. 跑通全流程从单应矩阵到非线性优化3.1 单应矩阵求解与内参初值估计拿到角点之后下一步是算单应矩阵。每个标定板平面和图像平面之间有一个单应矩阵 H它把标定板上的物理坐标映射到图像像素坐标。源码里一般用 DLT 方法加归一化来算 H避免数值不稳定。% 单应矩阵求解 % objectPoints 是标定板角点的物理坐标N×2 % imagePoints 是对应的图像坐标N×2 H compute_homography(objectPoints, imagePoints); % 内参初值估计 % 利用 H 的约束构造线性方程组求解内参矩阵 K K init_intrinsics(H_all);compute_homography内部通常做三件事坐标归一化、构造系数矩阵、SVD 分解取最小奇异值对应的向量。归一化这一步很关键不归一化的话像素坐标和物理坐标量级差太多SVD 结果会偏。init_intrinsics利用多个视角的单应矩阵根据旋转向量正交的约束构造一个线性方程组解出内参矩阵的五个自由度。这里要注意内参初值估计假设畸变系数为零。如果镜头畸变很大初值会偏得比较厉害后面非线性优化可能收敛到局部极小。常见做法是先估一版初值然后用它做一次畸变校正再重新估内参迭代两三次。源码里如果没做这个迭代你可以自己加上。3.2 畸变模型与非线性优化目标函数内参初值有了接下来要把畸变系数和所有外参一起扔进非线性优化。畸变模型常见的有径向畸变加切向畸变径向畸变一般取两到三个系数切向取两个。% 非线性优化目标函数 function residuals calib_residuals(params, objectPoints, imagePoints, K_init) % 从 params 中解包内参、畸变系数、外参 [K, distCoeffs, R, t] unpack_params(params, K_init); % 把物理点投影到图像平面 projected project_points(objectPoints, K, distCoeffs, R, t); % 计算重投影误差 residuals imagePoints - projected; residuals residuals(:); % 拉成列向量 endunpack_params把优化变量拆成内参、畸变、外参三部分。project_points做完整的投影物理点先经外参变换到相机坐标系再经内参和畸变模型映射到像素坐标。residuals是重投影误差优化器会最小化它的平方和。优化器一般用lsqnonlin或者自己实现的 Levenberg-Marquardt。lsqnonlin用起来简单但你要设好初值和上下界。我一般会给畸变系数设一个合理的范围比如径向畸变系数限制在 [-0.5, 0.5]防止优化跑飞。外参的旋转向量也要注意Rodrigues 参数在接近 π 的时候有奇异性源码里如果有rodrigues.m一般会处理这个边界情况。3.3 重投影误差评估与结果可视化优化完必须看重投影误差。源码里一般会算每张图的平均误差和整体 RMS 误差然后画出来。% 计算重投影误差 errors zeros(numImages, 1); for i 1:numImages projected project_points(objectPoints{i}, K, distCoeffs, R{i}, t{i}); errors(i) mean(sqrt(sum((imagePoints{i} - projected).^2, 2))); end % 可视化 figure; bar(errors); xlabel(图像序号); ylabel(平均重投影误差像素); title(各视角标定误差);RMS 误差在 0.5 像素以内算不错0.3 以内算好。如果某张图的误差明显偏大大概率是那张图的角点检测有问题或者标定板在图像里倾斜太厉害。你可以把那张图单独拿出来看重新检测角点或者直接剔除。可视化部分除了误差柱状图源码里通常还会画畸变校正前后的对比图以及标定板在相机坐标系里的位姿。这些图对调试很有帮助尤其是位姿图能直观看出哪个视角的外参估歪了。4. 避坑与排查标定跑不通时先看这几条4.1 角点检测失败或角点数不对现象detectCheckerboardPoints返回空或者返回的角点数不等于boardSize(1)*boardSize(2)。原因标定板在图像里太小、太模糊、光照不均或者棋盘格有遮挡。也有可能是boardSize设错了把格子数当成了角点数。解决先确认boardSize是内角点数。然后检查图片质量必要时做直方图均衡化或者自适应二值化再检测。如果还是不行换一张标定板占画面比例更大的图。源码里如果有角点检测的调试开关打开它把检测结果画出来看。4.2 重投影误差大且优化不收敛现象优化迭代很多次RMS 误差还是大于 1 像素或者优化过程中残差震荡。原因内参初值太离谱或者畸变系数初值设得太大导致优化一开始就跑到错误区域。也有可能是外参初值没给好比如旋转向量接近奇异点。解决先固定畸变系数为零只优化内参和外参收敛后再放开畸变系数。给畸变系数设上下界别让它乱跑。检查rodrigues.m有没有处理旋转角接近 π 的情况没有的话加一个判断。4.3 畸变校正后图像边缘拉伸严重现象用标定结果做undistortImage图像边缘出现明显拉伸或者黑边。原因畸变模型阶数不够或者标定图片没有覆盖图像边缘区域导致边缘畸变系数估不准。解决拍标定图的时候让标定板尽量出现在画面的四个角和边缘。如果已经拍了可以尝试增加径向畸变系数个数比如从两个加到三个。但要注意系数越多对数据覆盖要求越高覆盖不够反而更糟。4.4 不同视角标定结果差异大现象用同一套标定板换一组图片重新标定内参变化明显。原因标定图片数量太少或者视角分布太集中导致某些参数不可观测。比如所有图片都是正面拍摄切向畸变系数就估不准。解决标定图片至少 10 到 15 张视角要分散包含俯仰、偏航、滚转各个方向。标定板在画面里的位置也要分散不要都挤在中间。如果实在拍不了那么多可以固定切向畸变为零只估径向畸变。4.5 优化速度慢跑一次要等很久现象lsqnonlin迭代一次要好几秒整体跑完要几分钟。原因残差函数里做了重复计算比如每次迭代都重新读图片或者重新算角点。也有可能是优化变量太多雅可比矩阵太大。解决把角点检测和单应矩阵计算放在优化循环外面优化函数只做投影和残差计算。如果外参太多可以考虑分步优化先优化内参和畸变再固定内参优化外参。MATLAB 的lsqnonlin支持并行计算如果装了 Parallel Computing Toolbox可以开UseParallel选项。5. 二次开发换畸变模型与接入自己的数据流5.1 替换畸变模型的步骤这份源码的畸变模型通常是径向加切向如果你想换成鱼眼模型或者多项式模型改动集中在三个地方project_points里的畸变计算、unpack_params里的参数解包、以及优化变量的上下界设置。以鱼眼模型为例鱼眼畸变的投影过程和针孔模型不一样它先把入射角映射到像高再乘焦距。你需要在project_points里把原来的径向畸变公式替换成鱼眼公式同时调整unpack_params里畸变系数的个数。优化变量的初值也要改鱼眼模型的畸变系数初值一般设为零上下界根据镜头参数定。改完之后先用一组已知参数的仿真数据验证。生成一组虚拟的鱼眼投影点加一点噪声看优化能不能收敛到真值。仿真过了再上真实图片。5.2 接入自己的图像采集流程源码默认是从文件夹读图片如果你的图像是实时采集的比如从工业相机或者视频流里拿需要把读图部分换成你的采集接口。常见做法是写一个适配函数输入是图像矩阵输出是角点坐标然后把这个函数替换掉原来的imread加detectCheckerboardPoints组合。% 自定义图像采集适配 function [imagePoints, boardSize] acquire_and_detect(frame) % frame 是实时采集的一帧图像 [imagePoints, boardSize] detectCheckerboardPoints(frame); if isempty(imagePoints) warning(当前帧未检测到标定板跳过); end end这个适配函数可以挂到你的采集循环里每采一帧就检测一次攒够一定数量的有效帧再触发标定。注意实时采集的帧可能有运动模糊检测前最好加一个模糊度评估太模糊的帧直接丢。5.3 用仿真数据验证标定精度二次开发最怕改出玄学 bug我一般会先用仿真数据跑一遍。生成一组虚拟的标定板角点用已知的内参和畸变系数投影到图像平面加高斯噪声然后拿你的标定代码去估参数看估出来的值和真值差多少。% 仿真数据验证 K_true [1000, 0, 640; 0, 1000, 360; 0, 0, 1]; dist_true [-0.1, 0.05, 0, 0]; % 生成虚拟角点并投影... % 调用标定函数... % 比较估计值与真值 fprintf(焦距估计误差%.2f%%\n, abs(K_est(1,1)-K_true(1,1))/K_true(1,1)*100);仿真验证通过之后再上真实数据。真实数据跑完除了看重投影误差还要看估计出来的参数是否物理合理。比如焦距估计出来是负数那肯定有问题。畸变系数如果大得离谱也要回头查。5.4 一个容易忽略的细节优化变量的尺度最后说一个我踩过的坑。非线性优化对变量的尺度很敏感。内参的焦距通常是几百到几千畸变系数是零点几外参的平移是几十到几百毫米。这些变量量级差了好几个数量级优化器容易在梯度方向上被大尺度变量主导小尺度变量几乎不动。解决办法是在优化前把变量归一化或者给每个变量设一个缩放因子。MATLAB 的lsqnonlin有TypicalX选项可以指定每个变量的典型值优化器会根据这个自动调整步长。我一般会把焦距的典型值设成图像宽度畸变系数设成 0.1平移设成标定板尺寸。设完之后收敛速度和精度都有明显改善。从那以后我每次改完标定代码都强制走一遍仿真验证加真实数据交叉验证确认参数物理合理才敢往项目里合。希望这份源码能帮你少走点弯路把标定这件事从黑匣子变成自己手里能捏住的工具。本文还有配套的精品资源点击获取