企业官网建设流程全解析

简介：面向计算机视觉入门学习者的相机内参标定配套资源，以棋盘格为标定板，通过Python脚本实现单目相机标定，适合需要动手理解焦距、主点与畸变系数求解过程的读者，也是机器人视觉、自动驾驶等应用方向的基础练习。压缩包共6个文件，包含5张不同角度和距离拍摄的棋盘格图像和1个Python脚本，整体仅1.12MB，图像供角点检测与标定实验使用，脚本则覆盖图像处理、角点提取、参数解算与畸变校正的完整流程。目前已有1063人学习浏览，可作为课堂实验或自学项目的参考资料。通过这套小规模资源，读者可快速复现棋盘格角点检测、世界坐标与像素坐标对应、重投影误差最小化等关键步骤，并得到可保存的相机内参与畸变系数，为后续三维重建与视觉应用打下基础。

1. 为什么棋盘格标定不能只看重投影误差

很多项目把“相机内参标定”做成一行calibrateCamera调用，看到重投影误差 0.2 就交给下个环节。但同一组棋盘格图片换一个标定库，或换一套角点检测参数，结果可能差出几个像素；新拍一个角度，误差立刻反弹。真正决定标定质量的，是角点检测的亚像素精度、图片姿态覆盖、畸变模型阶数和验证方法。这篇博客从针孔成像模型开始，把 OpenCV 单目棋盘格标定的完整流程拆开，并给出可直接运行的代码与参数边界。适合第一次系统接触标定的开发者，也适合手里已经有一组内参、却不确定该不该信的工程师。

2. 相机内参与畸变模型：标定到底在求什么

2.1 针孔模型与内参矩阵 K

标定的目标不是算出一个“看起来能用的矩阵”，而是估计相机的固有属性：焦距、主点、畸变系数。三维空间点 P 先经外参 [R|t] 变换到相机坐标系，再投影到像素平面：

lambda * [u, v, 1]^T = K * [R | t] * [X, Y, Z, 1]^T

K 是 3x3 内参矩阵。fx、fy 分别表示焦距在 x/y 方向的像素当量，物理含义是镜头焦距除以单个像素的长宽，方形像素下两者近似相等，但不要假设相等。cx、cy 是主点坐标，即光轴穿过像平面的位置。短焦镜头或批量组装的模组，主点偏离画面中心 5~10 个像素很常见，直接固定为图像中心会带来边缘误差。

实践中，我通常会把重投影过程包装成一个函数，方便后续逐图分析误差：

import cv2 import numpy as np def project_board_points(obj_pts, rvec, tvec, k_mat, dist): """ obj_pts: (N,3) 棋盘格对象点 rvec, tvec: 当前视角的旋转向量和平移向量 k_mat: 3x3 内参矩阵 dist: 畸变系数，OpenCV 顺序为 k1,k2,p1,p2,k3 """ img_pts, _ = cv2.projectPoints(obj_pts, rvec, tvec, k_mat, dist) return img_pts.reshape(-1, 2)

cv2.projectPoints会先使用旋转向量和平移向量把对象点变换到相机坐标系，再对归一化坐标做畸变映射，最后用内参矩阵投影到像素平面。这个包装函数让第 4 章的逐图误差统计变得干净，也能直接用来做标定结果的离线验证。注意传入的obj_pts是 float32，k_mat要用 double，否则个别 OpenCV 版本会因为类型不匹配抛异常。

2.2 棋盘格作为标定靶的几何依据

棋盘格之所以成为单目标定的默认靶，不只是因为角点好找。角点是两个黑白区域的公共顶点，在局部图像上能产生很强的梯度响应，可以稳定收敛到亚像素位置；相比之下，圆点图案在透视投影下会变成椭圆，圆心检测还需要额外做椭圆拟合补偿。

另一个关键点是棋盘格是平面靶，所有对象点第三维坐标固定为 0。每一个视角的投影关系由此坍缩成一个单应性矩阵 H，标定过程实际上是约束不同视角单应矩阵之间的一致性。平面靶有一个已知退化场景：如果所有拍摄都只绕同一根轴旋转，比如只左右转动相机，那么对 fx 和 fy 的约束会变弱，重投影误差看起来不高，内参却不可信。这也是后文采集规范要求“倾斜加旋转”的原因。

2.3 畸变模型与 OpenCV 参数顺序

镜头畸变分为两类。径向畸变由镜片曲率引起，表现为直线向中心或边缘弯曲，用 k1、k2、k3 描述；切向畸变由镜头与像面不平行引起，用 p1、p2 描述。OpenCV 标准模型下 dist 向量的排列顺序是：

(k1, k2, p1, p2, k3)

畸变后坐标可以写成：

x_dist = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + 2*p1*x*y + p2*(r^2 + 2*x^2) y_dist = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + p1*(r^2 + 2*y^2) + 2*p2*x*y

这里的 x、y 是归一化像平面坐标，不是像素坐标。k3 只在图像边缘贡献显著，普通镜头往往接近 0，图片数量不够时强行估计 k3 容易过拟合。鱼眼镜头则需要换cv2.fisheye模型，参数定义与普通针孔模型完全不同。常用参数的量级见下表，可作为标定结果的 sanity check：

2.4 模型复杂度与图片数量要匹配

重投影误差一定会随参数增多而下降，但泛化能力不一定提升。10 张图以内建议只估计 k1、k2、p1、p2；超过 20 张且覆盖了画面边角，再考虑 k3。还有一点容易被忽略：如果把主点、焦距、切向畸变同时放开，它们之间存在较强的相关性，小样本下会有多组解同时满足误差约束。所以第 4 章的流程会先跑默认参数，再根据误差分布决定是否固定某些自由度。

3. 棋盘格角点检测与亚像素细化：误差的第一道关口

3.1 findChessboardCorners 的 flags 如何选

OpenCV 提供两套检测入口。经典接口是findChessboardCorners，对光照均匀的清晰图片效果稳定；新接口findChessboardCornersSB基于梯度方向，对压缩噪声和失焦更耐受，但计算稍重。先看经典接口的常见用法：

found, corners = cv2.findChessboardCorners( gray, (9, 6), flags=cv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_NORMALIZE_IMAGE | cv2.CALIB_CB_FILTER_QUADS )

flags 中ADAPTIVE_THRESH对每个局部区域做自适应二值化，处理光照不匀；NORMALIZE_IMAGE先做全局直方图拉伸，低对比度图片优先调它；FILTER_QUADS过滤掉不是凸四边形的候选块，减少误检。三者组合是标定脚本里最常见的配置。如果仍然失败，我会先换成findChessboardCornersSB(gray, (9, 6))，不再手动cornerSubPix，因为 SB 返回的已经是浮点亚像素坐标。

需要特别注意，pattern size 填的是内角点数量而不是格子数量。比如 9x6 表示有 9 列内角、6 行内角，对应 10x7 个格子。填成 10x7 是新手最常见的报错来源，因为图里根本没有那么多角点。不同素材下 API 选择参考下表：

3.2 cornerSubPix 亚像素细化

经典接口返回的角点坐标是整数像素。直接进入标定，重投影误差的下限大约在 0.3 到 0.5 像素；做一次亚像素细化，通常能把角点定位误差压到 0.1 像素以内。细化调用如下：

criteria = (cv2.TERM_CRITERIA_MAX_ITER + cv2.TERM_CRITERIA_EPS, 30, 0.001) corners_refined = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)

winSize是搜索窗口半径，11x11 表示以初值为中心的 11x11 邻域参与梯度统计。窗口太小在模糊图上不收敛，太大则相邻角点梯度互相干扰。zeroZone传 (-1,-1) 表示不使用零区域，让所有邻近像素参与计算。criteria的 30 是最大迭代次数，0.001 是角点位置变化的终止精度，一般不需要更严格。

如果细化后角点出现偏移，常见原因是细化用的 gray 图和检测时不是同一张图，比如检测用了增强图、细化用了原始灰度图。务必保证两次调用使用同一个灰度数据。

3.3 对象点顺序与棋盘格索引一致

标定流程中对象点生成看起来简单，但顺序错误会导致误差偏高且无法通过调参数修复。OpenCV 的角点排序是行优先，从图像左上角开始逐行扫描内角点：

objp = np.zeros((cols * rows, 3), np.float32) objp[:, :2] = np.mgrid[0:cols, 0:rows].T.reshape(-1, 2)

mgrid生成了 cols x rows 的网格坐标，第 0 维是列索引，第 1 维是行索引，reshape 后正好对应角点检测输出的从左到右、从上到下顺序。如果把 cols 和 rows 写反，标定不会报错，但外参会扭曲、内参误差增大。一个可靠的检查方式是cv2.drawChessboardCorners把角点画回图像，观察角点编号是否蛇形跳跃。

3.4 一张图一个函数：检测与日志

下面这段是项目里常用的检测封装，把对象点生成、SB 检测、失败日志放在一起：

import cv2 import numpy as np CHESSBOARD = (9, 6) # 内角点列数, 行数 SQUARE_MM = 25.0 # 实际棋盘格边长，单位毫米 def detect_corners_from_paths(paths): obj_points = [] img_points = [] for p in paths: img = cv2.imread(p) if img is None: print("[warn]", p, "读取失败") continue gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ok, corners = cv2.findChessboardCornersSB(gray, CHESSBOARD, flags=cv2.CALIB_CB_MARKER) if not ok: print("[skip]", p, "未检测到完整棋盘格") continue objp = np.zeros((CHESSBOARD[0] * CHESSBOARD[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHESSBOARD[0], 0:CHESSBOARD[1]].T.reshape(-1, 2) * SQUARE_MM obj_points.append(objp) img_points.append(corners) print("[ok]", p, "角点数", len(corners)) return obj_points, img_points

这段代码把 3.1 和 3.3 的内容合并成一个可复用函数。SB 检测在角点排序上更稳定；SQUARE_MM在这里乘到对象点上，单位只影响外参 tvec 的尺度，不影响内参。如果只关心内参，SQUARE_MM设为任意正数都可以；如果要和手眼标定或三维重建衔接，建议使用真实毫米值。

4. 单目相机内参标定完整流程：从图片序列到 camera_calib.yml

4.1 图片采集：数量、覆盖和姿态缺一不可

标定算法再稳也弥补不了糟糕的输入图集。像 camera.zip 这类压缩包解开往往是 01.png 到 05.png 的散图，我建议先把文件统一归到 images 目录再跑 glob 脚本。图片集需要满足三条：

• 数量：15 到 25 张。少于 10 张，外参和内参的耦合约束不足；超过 40 张收益明显下降，异常图片混入的成本升高。
• 覆盖：棋盘格尽量出现在画面中心和四个角。如果只在中间平移拍摄，畸变系数几乎无法约束，模型只能靠先验猜。
• 姿态：绕相机光轴旋转、绕水平轴和垂直轴倾斜 20 到 40 度。纯正对前后移动只改变棋盘格尺度，对 fx、fy 和畸变的约束非常弱。

棋盘格在画面中最好占 1/4 以上面积，且四周留出一些黑色背景，否则最外圈的角点容易落在图像外或贴边，检测会直接失败。

4.2 calibrateCamera 的调用与 flags 选择

采集完成后的主流程比较固定，先检测角点再标定。完整可运行代码如下：

import cv2 import numpy as np import glob CHESSBOARD = (9, 6) SQUARE_MM = 25.0 objp = np.zeros((CHESSBOARD[0] * CHESSBOARD[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHESSBOARD[0], 0:CHESSBOARD[1]].T.reshape(-1, 2) * SQUARE_MM obj_points, img_points = [], [] image_size = None for path in sorted(glob.glob("images/*.png")): img = cv2.imread(path) if img is None: continue gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) if image_size is None: image_size = (gray.shape[1], gray.shape[0]) ok, corners = cv2.findChessboardCorners( gray, CHESSBOARD, flags=cv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_NORMALIZE_IMAGE) if not ok: print("[skip]", path) continue criteria = (cv2.TERM_CRITERIA_MAX_ITER + cv2.TERM_CRITERIA_EPS, 30, 1e-3) corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners) if len(obj_points) < 5: raise RuntimeError("有效图片不足 5 张，请检查棋盘格大小或拍摄质量") ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, image_size, cameraMatrix=None, distCoeffs=None, flags=0) print("reprojection error:", ret) print("camera matrix:\n", mtx) print("dist:\n", dist.ravel())

参数说明：cameraMatrix和distCoeffs传 None 表示让算法自动估计全部内参；flags=0等同于默认约束。image_size是像素尺寸，必须与实际图片一致，如果混入不同分辨率的图片，后面的结果没有意义。rvecs和tvecs是每张图的姿态外参，工程上通常不需要保存，但会用在逐图误差分析里。

calibrateCamera内部使用 Levenberg-Marquardt 迭代，初始值由 DLT 算法提供。如果输出 fx 为负或主点跑出图像范围，优先检查角点顺序和图集覆盖，而不是怀疑迭代没有收敛。不同场景下 flags 的参考选择如下：

4.3 逐图重投影误差分析与剔除异常图片

全局误差只是一个均值，单张图片误差更能暴露问题。比如快门较慢导致的模糊角点，或高光区域导致的角点偏移，都会体现为个别图片误差明显偏大。逐图统计方法如下：

errors = [] for i in range(len(obj_points)): proj, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist) diff = img_points[i].reshape(-1, 2) - proj.reshape(-1, 2) errors.append(np.mean(np.linalg.norm(diff, axis=1))) print("per-image errors:", np.round(errors, 3))

单张误差超过中位数的 1.5 倍时，我会把这张图剔除后重新标定，而不是直接复用旧mtx和dist。判定标准上，平均重投影误差小于 0.3 像素是理想状态，0.3 到 0.8 像素在普通镜头里可接受，超过 1 像素就要回到角点检测阶段排查。注意误差单位是像素，不同分辨率之间的数值不能直接比较。

4.4 保存 YAML 并接入工程

标定结果通常要跨语言使用，我会同时保存 npz 和 yml 两种格式：

np.savez("camera_calib.npz", mtx=mtx, dist=dist, image_size=image_size) fs = cv2.FileStorage("camera_calib.yml", cv2.FILE_STORAGE_WRITE) fs.write("camera_matrix", mtx) fs.write("dist_coeffs", dist) fs.write("image_width", image_size[0]) fs.write("image_height", image_size[1]) fs.release()

yml 用 OpenCV FileStorage 写入，C++ 和 Python 都能读；npz 适合在 Python 原型里快速加载。读取 yml 时注意 dist 的 shape，写入后读出来可能是 (1,5) 或 (5,1)，使用前统一np.ravel()再 reshape。VisionMaster、Halcon 这类视觉软件也接受相机内参输入，参数顺序仍是 k1、k2、p1、p2、k3，只是界面里把字段拆开了。

5. 验证标定结果的三个动作和两个工程细节

5.1 动作一：用未参与标定的图做直线验证

内参好坏的最终标准是去畸变后的图像几何是否变直。拿一张没有参与标定、包含直线的场景图做cv2.undistort，然后在边缘上用 Canny 和 HoughLinesP 提取直线，计算拟合点到直线的最大偏差。偏差超过 2 像素，说明畸变模型残余还比较明显。

newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) undistorted = cv2.undistort(img, mtx, dist, None, newcameramtx)

alpha=1保留全部像素，适合验证；alpha=0会裁剪黑边，适合实际部署时扩大有效视场。两者对应的映射矩阵不同，验证和部署最好保持一致。

5.2 动作二：子集标定看主点稳定性

从 20 张图里随机抽 10 张标定一次，重复几次。观察 cx、cy 的波动，如果在 10 个像素以内说明主点约束充分；漂移太大则说明棋盘格在画面中央的图片太多，四角覆盖不足，畸变和主点互相抢参数。此时再去调迭代精度意义不大，应该补充边角图片。

5.3 动作三：观察去畸变后的棋盘格网格变形

选一张倾斜角度大的标定图，去畸变后把角点连线画出来。所有小格边长应接近一致，边长差超过 5% 说明标定结果对画面外推不可靠。这个检验直观且不需要额外标定板。

5.4 工程细节：标定板平整度与分辨率绑定

打印纸直接贴软木板是不可取的，纸张热胀冷缩会带来表面起伏，角点位置系统性偏移。常见做法是 3mm 亚克力板贴哑光棋盘格，工业上也有陶瓷材质。内参严格绑定输入分辨率，1920x1080 的结果缩放到 1280x720 使用时，fx、fy、cx、cy 可以按比例缩放做近似，但畸变系数不能简单照搬，最稳妥是重新采集对应分辨率的标定图。如果连相机 sensor 都换了，哪怕像元尺寸只差零点几微米，旧内参也要作废，重标定比迁移省事得多。

本文还有配套的精品资源，点击获取