手把手教你用OpenCV实现张正友相机标定（附Python代码）

在计算机视觉领域，相机标定是构建三维感知系统的基石。想象一下，当你用手机扫描文档时，边缘自动对齐的功能；或是工业机器人精准抓取零件时，背后都离不开精确的相机参数。张正友标定法因其简单实用的特点，成为入门计算机视觉的必修课。本文将用厨房秤般精确的步骤，带你在Python环境中完成从棋盘格准备到参数优化的全流程实战。

1. 标定前的准备工作

工欲善其事，必先利其器。标定过程需要准备特定的物理道具和开发环境。首先需要打印一张高精度的棋盘格图案，推荐使用A4尺寸的8x6网格（即7x5个内部角点），每个方格边长建议30mm左右。打印时要注意：

• 使用激光打印机保证线条锐利
• 测量实际打印尺寸与设计值的误差应小于0.5mm
• 将棋盘格粘贴在平整的硬质板材上（如亚克力板）

开发环境配置建议如下：

# 创建Python虚拟环境
python -m venv calib_env
source calib_env/bin/activate  # Linux/Mac
calib_env\Scripts\activate     # Windows

# 安装依赖库
pip install opencv-contrib-python numpy matplotlib

拍摄标定照片时，需要掌握三个黄金法则：

1. 多角度覆盖：从上下左右不同视角拍摄15-20张照片
2. 棋盘格完整：确保每张照片中完整显示整个棋盘格
3. 明暗适中：避免反光和阴影影响角点检测

2. 角点检测与数据准备

OpenCV提供了现成的棋盘格角点检测函数，但实际应用中常会遇到各种边界情况。我们先看基础实现：

import cv2
import numpy as np

# 读取图像并检测角点
img = cv2.imread('calib01.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 定义棋盘格尺寸 (内部角点数量)
pattern_size = (7, 5)  

# 查找角点
ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)

if ret:
    # 亚像素级精确化
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
    corners_refined = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)
    
    # 可视化结果
    cv2.drawChessboardCorners(img, pattern_size, corners_refined, ret)
    cv2.imshow('Corners', img)
    cv2.waitKey(500)

常见问题处理方案：

问题现象	可能原因	解决方案
检测不到角点	光照不均	调整光源或使用直方图均衡化
角点位置偏移	镜头畸变严重	先进行初步畸变校正
部分角点缺失	棋盘格被遮挡	重新拍摄确保完整显示

3. 核心标定流程实现

准备好角点数据后，就可以进行相机参数计算了。我们需要构建两个关键数据结构：

1. 对象点：棋盘格在三维空间中的坐标（假设Z=0）
2. 图像点：检测到的二维角点坐标

# 准备对象点：如(0,0,0), (1,0,0), ..., (6,5,0)
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)

# 乘以实际棋盘格方块的物理尺寸（单位：mm）
square_size = 30.0  # 根据实际测量填写
objp *= square_size

# 收集所有图像的对象点和图像点
objpoints = []  # 三维点
imgpoints = []  # 二维点

# 对每张标定图像重复角点检测过程...
# 将成功的objp和corners_refined分别添加到objpoints和imgpoints

# 执行相机标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None)

标定结果包含五个关键参数：

• mtx：相机内参矩阵（焦距、主点坐标）
• dist：畸变系数（k1,k2,p1,p2[,k3]）
• rvecs/tvecs：每张图像的外参（旋转和平移向量）

4. 结果评估与优化技巧

获得标定参数后，需要验证其可靠性。最直观的方法是计算重投影误差：

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

print(f"平均重投影误差: {mean_error/len(objpoints):.3f} 像素")

误差评估标准：

误差范围（像素）	标定质量评估
< 0.5	优秀
0.5 - 1.0	良好
1.0 - 2.0	可用

2.0 | 需要重新标定

为提高标定精度，可以采用以下进阶技巧：

• 使用动态权重调整不同视角的贡献度
• 采用非线性优化算法细化参数
• 引入温度补偿（工业级应用）
• 实现自动标定流程（减少人为干预）

5. 标定结果的实际应用

获得准确的相机参数后，可以解锁多种计算机视觉能力。以下是一个简单的畸变校正示例：

# 读取测试图像
test_img = cv2.imread('test_image.jpg')
h, w = test_img.shape[:2]

# 优化相机矩阵
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h))

# 校正畸变
dst = cv2.undistort(test_img, mtx, dist, None, newcameramtx)

# 裁剪图像
x, y, w, h = roi
dst = dst[y:y+h, x:x+w]
cv2.imwrite('calibrated.jpg', dst)

更深入的应用还包括：

• 三维重建：结合多视角图像恢复物体三维结构
• 姿态估计：计算物体相对于相机的位置和方向
• AR叠加：将虚拟对象精确叠加到真实场景中
• 视觉测量：实现像素到实际尺寸的精确换算

在工业检测项目中，我们曾用这套方法实现了0.1mm精度的零件尺寸测量。关键是要保证标定板的平整度和拍摄角度的多样性，特别是在边缘区域也要获得足够的数据样本。