企业官网建设流程全解析

简介：这份资源面向计算机、人工智能、通信、物联网等专业的在校学生与教师，提供基于Python和OpenCV的单目与双目相机标定完整源码，可用于课程设计、毕业设计、大作业或项目立项演示，也适合零基础入门与进阶学习。压缩包共8个文件，以4个py脚本为核心，分别实现单目标定与双目立体标定流程，另附2个txt与2个md说明文档，交代运行环境、依赖与使用注意事项，整体约25KB，轻量易部署。目前已有436人学习下载，具备一定参考热度。代码经实际运行验证，稳定可靠，读者可据此理解相机内参、畸变系数、棋盘格角点检测及双目标定参数求解等关键环节，并在此基础上二次开发，扩展测距、三维重建等DIY功能。需注意解压后路径与项目名不要含中文，建议重命名为英文再运行，遇到问题可私信作者沟通。

1. 从一张畸变棋盘格说起：这套 Python + OpenCV 标定源码到底能干什么

很多人第一次做视觉项目，都会遇到一个反直觉的现象：明明用的是标称 6mm 焦距的工业镜头，测出来的距离却总是差那么几个像素，直线在画面边缘还会弯成弧线。这不是镜头坏了，而是相机内参和畸变系数没标定。这套基于 Python 和 OpenCV 的相机标定程序，解决的正是这个问题——它把单目相机标定和双目相机标定两套流程都封装好了，输入一组棋盘格图片，输出内参矩阵、畸变系数，双目还额外给出旋转矩阵、平移向量和极线校正映射。适合正在做毕业设计、课程设计，或者刚接手一个视觉测量、三维重建、双目测距项目的同学。你不需要从零推导张正友标定法的公式，但需要知道每张棋盘格该拍成什么样、参数怎么设、结果怎么判断合不合格。下面我按实际拆包复现的顺序，把这份源码的用法和坑一次讲清。

2. 单目标定：从棋盘格采集到内参矩阵输出

单目相机标定是整个流程的地基。双目标定本质上是在两个单目各自标定完成后，再求两个相机之间的相对位姿。所以先把单目跑通，后面双目的结果才可信。这一章从采集、代码结构到参数含义，把单目这条链路走完。

2.1 棋盘格采集：为什么你拍的图总是标定失败

标定失败十有八九不是代码问题，而是采集的图片不合格。OpenCV 的findChessboardCorners对棋盘格的完整性、清晰度、角度都有要求。常见做法是打印一张 9x6 或 11x8 的棋盘格，贴在硬质平板上，避免纸张弯曲。采集时注意几点：棋盘格要占画面三分之一以上，太小角点检测精度差；至少覆盖画面四个角和中心区域，只在中间拍十几张，边缘畸变系数会估不准；每张图棋盘格要有不同角度，倾斜 20 到 45 度之间比较理想，完全正对会让某些参数不可观测。

我一般会拍 20 到 30 张，宁多勿少，因为标定函数会自动筛选，但图太少一旦有几张检测失败就不够了。光照要均匀，避免反光和阴影压在角点上。如果是双目，左右相机要同时采集，保证同一时刻的棋盘格位姿一致，否则后面立体标定的外参就是错的。

提示：棋盘格内角点数量是 (列数-1) x (行数-1)。比如 10x7 的方格，内角点是 9x6，代码里 pattern_size 要填 (9,6)，填错直接检测不到。

2.2 源码结构与单目标定核心代码

这份源码通常包含单目和双目两个入口脚本，外加一个标定工具模块。目录结构大致是mono_calibration.py、stereo_calibration.py、calibration_utils.py，以及存放图片的images/left、images/right文件夹。先看单目标定的核心逻辑，下面这段是我按源码结构整理的可复现版本：

import cv2 import numpy as np import glob # 棋盘格内角点数，按实际打印的格子减一填写 pattern_size = (9, 6) # 方格实际物理尺寸，单位毫米，用于输出平移向量的真实尺度 square_size = 25.0 # 生成棋盘格在世界坐标系下的三维点，Z=0平面 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) objp *= square_size objpoints = [] # 世界坐标点 imgpoints = [] # 图像像素点 images = glob.glob('images/left/*.jpg') for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找角点，第二个参数为亚像素优化窗口 ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: # 亚像素级角点优化，提高标定精度 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners2) # 执行标定，返回内参、畸变、旋转、平移 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None) print("内参矩阵:\n", mtx) print("畸变系数:", dist.ravel()) print("重投影误差:", ret)

逻辑上分三步：先构造棋盘格在世界坐标系下的理想三维点，Z 全部为 0；再对每张图检测角点并做亚像素优化，把图像点和世界点一一对应；最后交给calibrateCamera求解。参数里square_size决定平移向量的物理单位，如果你只关心像素级精度可以填 1.0，但要做真实测距就必须填实际毫米数。cornerSubPix的窗口 (11,11) 是常见值，图像分辨率高可以适当加大。返回的ret是重投影误差，单位像素，一般要求小于 0.5，超过 1.0 说明采集或角点检测有问题。

2.3 内参矩阵和畸变系数怎么读

标定输出的内参矩阵是三行三列，形式如下：

fx 和 fy 理论上应该相等，实际会有几个像素差异，属于正常。cx、cy 如果离图像中心超过图像宽高的 10%，多半是棋盘格覆盖区域太偏。畸变系数里 k1 是主导项，广角镜头 k1 绝对值可能到 -0.3 甚至更大，普通镜头在 -0.1 左右。p1、p2 是切向畸变，正常应该很小，如果很大说明镜头和传感器不平行或者图片有问题。

注意：畸变系数只有在标定图像覆盖了画面边缘时才有意义。如果你只在画面中心拍，k2、k3 会接近 0，但拿去校正边缘图像就会翻车。

3. 双目标定：外参求解与极线校正的完整链路

双目比单目多出来的部分，是求两个相机之间的旋转和平移关系，以及做极线校正让左右图像的对应点在同一水平线上。这一步做不好，后面做双目测距或者三维重建时，视差图会一塌糊涂。这一章把双目标定的输入要求、代码实现和结果验证讲透。

3.1 双目采集的同步要求

双目标定的前提是左右相机在同一时刻拍摄同一块棋盘格。如果两个相机是分开触发、手动按快门，那基本没法用，因为棋盘格在两次拍摄之间动了，外参就错了。常见做法是用一根同步线连接两个相机做硬件触发，或者用支持双目的采集卡。如果是 USB 相机，至少要用软件触发尽量同时抓帧，但精度会差一些。

采集时棋盘格要同时完整出现在左右画面里，且尽量覆盖两幅图的公共视野。左右相机各自的内参可以先用单目标定分别求出来，也可以直接交给双目标定函数一起优化。我一般会先分别单目标定，检查各自重投影误差合格后，再跑双目标定，这样出问题好定位是哪个相机的问题。

3.2 双目标定核心代码与参数

双目标定在单目的基础上，多了左右角点配对和stereoCalibrate调用。下面这段是核心逻辑：

import cv2 import numpy as np import glob pattern_size = (9, 6) square_size = 25.0 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) objp *= square_size objpoints = [] imgpoints_left = [] imgpoints_right = [] left_images = sorted(glob.glob('images/left/*.jpg')) right_images = sorted(glob.glob('images/right/*.jpg')) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) for lf, rf in zip(left_images, right_images): imgL = cv2.imread(lf) imgR = cv2.imread(rf) grayL = cv2.cvtColor(imgL, cv2.COLOR_BGR2GRAY) grayR = cv2.cvtColor(imgR, cv2.COLOR_BGR2GRAY) retL, cornersL = cv2.findChessboardCorners(grayL, pattern_size, None) retR, cornersR = cv2.findChessboardCorners(grayR, pattern_size, None) # 只有左右都检测到才配对使用 if retL and retR: cornersL = cv2.cornerSubPix(grayL, cornersL, (11, 11), (-1, -1), criteria) cornersR = cv2.cornerSubPix(grayR, cornersR, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints_left.append(cornersL) imgpoints_right.append(cornersR) # 先分别单目标定得到初始内参 retL, mtxL, distL, _, _ = cv2.calibrateCamera( objpoints, imgpoints_left, grayL.shape[::-1], None, None) retR, mtxR, distR, _, _ = cv2.calibrateCamera( objpoints, imgpoints_right, grayR.shape[::-1], None, None) # 立体标定，求解R和T ret, mtxL, distL, mtxR, distR, R, T, E, F = cv2.stereoCalibrate( objpoints, imgpoints_left, imgpoints_right, mtxL, distL, mtxR, distR, grayL.shape[::-1], flags=cv2.CALIB_FIX_INTRINSIC) print("旋转矩阵 R:\n", R) print("平移向量 T:\n", T.ravel()) print("立体标定重投影误差:", ret)

关键点在stereoCalibrate的flags参数。CALIB_FIX_INTRINSIC表示固定前面单目标定得到的内参，只优化外参，适合内参已经标得比较准的情况。如果内参不确定，可以用默认 flags 让函数一起优化，但计算量大、对初值敏感。返回的 R 和 T 描述的是右相机相对于左相机的位姿，T 的模长就是基线距离，单位跟square_size一致。基线是双目测距的核心参数，T 的数值要跟实际卷尺量的基线对比，差太多说明标定有问题。

3.3 极线校正与结果验证

拿到 R 和 T 之后，还要做极线校正，让左右图像的极线水平对齐。OpenCV 提供stereoRectify和initUndistortRectifyMap两个函数完成这件事：

# 极线校正，计算校正后的投影矩阵和映射表 R1, R2, P1, P2, Q, roi1, roi2 = cv2.stereoRectify( mtxL, distL, mtxR, distR, grayL.shape[::-1], R, T, flags=cv2.CALIB_ZERO_DISPARITY, alpha=0) # 生成校正映射，后续对每帧图像做remap mapLx, mapLy = cv2.initUndistortRectifyMap( mtxL, distL, R1, P1, grayL.shape[::-1], cv2.CV_32FC1) mapRx, mapRy = cv2.initUndistortRectifyMap( mtxR, distR, R2, P2, grayR.shape[::-1], cv2.CV_32FC1) # 对测试图做校正，检查极线是否水平 imgL = cv2.imread('images/left/1.jpg') imgR = cv2.imread('images/right/1.jpg') rectL = cv2.remap(imgL, mapLx, mapLy, cv2.INTER_LINEAR) rectR = cv2.remap(imgR, mapRx, mapRy, cv2.INTER_LINEAR) cv2.imwrite('rect_left.jpg', rectL) cv2.imwrite('rect_right.jpg', rectR)

alpha=0表示校正后只保留有效像素，边缘会被裁掉；alpha=1保留全部像素但会有黑边。Q是视差到三维的重投影矩阵，后面做测距会用到。验证方法是把校正后的左右图并排，画几条水平线，看同一物体在左右图中的对应点是否在同一水平线上。如果偏差明显，说明 R、T 不准或者采集时同步没做好。

4. 避坑与排查：标定跑不通时先看这几条

标定这件事，代码往往不是瓶颈，坑都在数据和参数上。下面这几条是我和身边人踩过的，按现象、原因、解决整理，遇到问题按顺序排查。

4.1 角点检测返回 False

现象是findChessboardCorners一直返回 False，一张图都检测不到。原因通常是pattern_size填错，把外角点数量当成了内角点，或者棋盘格打印比例不对导致方格不是正方形。解决方法是先用一张清晰的正面图单独测试，把pattern_size逐个试，同时确认棋盘格是黑白相间、方格等大。如果图片有反光或者棋盘格边缘被裁掉，也会检测失败，换图即可。

4.2 重投影误差过大

现象是标定能跑完，但ret超过 1.0 甚至好几。原因是采集图片质量差，比如棋盘格倾斜角度太单一、画面模糊、角点被遮挡。解决方法是剔除误差贡献最大的那几张图，重新采集覆盖更多角度和位置的图片。可以在代码里打印每张图的重投影误差，把明显偏大的删掉再标。

4.3 双目基线数值离谱

现象是输出的 T 向量模长跟实际基线差几倍甚至符号相反。原因是左右图片没有按顺序配对，或者square_size单位填错。解决方法是确认left_images和right_images排序后一一对应，检查square_size是否跟实际方格尺寸一致。如果 T 的符号反了，说明左右相机定义搞反了，交换左右图重新标定。

4.4 校正后图像黑边严重

现象是极线校正后图像边缘出现大片黑边，有效区域很小。原因是alpha=0裁掉了无效像素，加上畸变系数大，校正后有效区域本来就小。解决方法是把alpha改成 1 保留全部像素，或者调整stereoRectify的newImageSize参数放大输出尺寸。如果黑边大到影响使用，说明镜头畸变太强，考虑换镜头或者接受裁剪。

4.5 换分辨率后结果失效

现象是同一套相机，换了分辨率重新标定，内参完全对不上。原因是内参跟分辨率绑定，fx、fy、cx、cy 都是像素单位，分辨率变了必须重新标定。解决方法是固定项目使用的分辨率，标定和后续处理保持一致。如果必须换分辨率，可以按比例缩放内参作为初值，但精度会下降，最好重新标。

5. 进阶技巧：用 Q 矩阵做双目测距与精度验证

标定的最终目的通常是测量。拿到校正映射和 Q 矩阵后，就可以做双目测距了。这一步能反过来验证标定质量，如果测距误差大，说明前面标定有问题。下面这段是完整的测距验证流程：

import cv2 import numpy as np # 读取校正映射和Q矩阵（前面标定保存下来的） # 这里假设已经通过np.save保存了mapLx等参数 imgL = cv2.imread('rect_left.jpg') imgR = cv2.imread('rect_right.jpg') grayL = cv2.cvtColor(imgL, cv2.COLOR_BGR2GRAY) grayR = cv2.cvtColor(imgR, cv2.COLOR_BGR2GRAY) # SGBM立体匹配，参数需按图像调整 stereo = cv2.StereoSGBM_create( minDisparity=0, numDisparities=128, # 必须是16的倍数 blockSize=5, P1=8 * 3 * 5 ** 2, P2=32 * 3 * 5 ** 2, disp12MaxDiff=1, uniquenessRatio=10, speckleWindowSize=100, speckleRange=32 ) disparity = stereo.compute(grayL, grayR).astype(np.float32) / 16.0 # 用Q矩阵把视差图转成三维点云 points_3d = cv2.reprojectImageTo3D(disparity, Q) # 取画面中心区域某点的深度做验证 h, w = disparity.shape cx, cy = w // 2, h // 2 depth = points_3d[cy, cx, 2] print("中心点深度(mm):", depth)

numDisparities决定视差搜索范围，太小测不了近处，太大会增加计算量，一般设 64 或 128。blockSize是匹配块大小，奇数，越大越平滑但边缘越糊。reprojectImageTo3D用 Q 矩阵把每个像素的视差转成三维坐标，Z 就是深度。验证方法是把棋盘格放在已知距离，比如 500mm，看输出的深度是否接近。如果误差在 1% 到 2% 以内，说明标定合格；误差超过 5%，回去检查基线和内参。

我一般会做一组不同距离的验证，从 300mm 到 1500mm 各测一次，画一条误差曲线。如果近距离准、远距离偏大，多半是基线标小了；如果整体偏移，可能是主点不准。这套流程走下来，标定结果到底能不能用，心里就有数了。从那以后我每次标定完，都强制走一遍已知距离验证，不再只看重投影误差那个数字。希望帮到你。

本文还有配套的精品资源，点击获取