当前位置：首页 > news >正文

保姆级教程：在Ubuntu 22.04上给ROS2 Humble的USB摄像头做内参标定（附结果文件解读）

news 2026/8/27 3:40:33

从零到精通的ROS2 Humble USB摄像头内参标定实战指南

在机器人视觉开发中，摄像头标定是构建可靠感知系统的第一步。想象一下，当你试图让机器人识别物体或构建环境地图时，如果摄像头本身提供的图像存在畸变或测量误差，后续所有算法都将建立在错误的数据基础上。这就是为什么我们需要进行摄像头内参标定——它相当于给机器人的"眼睛"配一副精确的"眼镜"，确保它看到的世界与我们物理世界的几何关系准确对应。

本文将带你完整走一遍在Ubuntu 22.04系统中为ROS2 Humble环境下的USB摄像头进行内参标定的全过程。不同于简单的步骤罗列，我会深入解释每个操作背后的原理，特别是标定结果文件中那些看似神秘的参数究竟代表什么物理意义，以及如何在实际视觉节点中应用这些参数。无论你是刚接触ROS2的开发者，还是已经有一定经验但对标定细节存疑的工程师，都能从本指南中获得实用价值。

1. 环境准备与基础概念

在开始实际操作前，我们需要确保系统环境正确配置，并理解一些核心概念。Ubuntu 22.04作为长期支持版本，提供了稳定的基础，而ROS2 Humble则是目前推荐用于生产环境的发行版。

1.1 系统与ROS2环境检查

首先确认你的系统版本和ROS2安装情况：

lsb_release -a # 查看Ubuntu版本 ros2 version # 检查ROS2版本

如果尚未安装ROS2 Humble，可以参考官方文档进行安装。这里假设你已经完成了基础ROS2环境的搭建。

1.2 USB摄像头驱动安装

ROS2中的usb_cam包是将普通USB摄像头接入ROS生态的桥梁。安装命令如下：

sudo apt install ros-humble-usb-cam

安装完成后，我们可以测试摄像头是否正常工作：

ros2 launch usb_cam camera.launch.py

在另一个终端中查看图像话题：

ros2 topic list | grep image

正常情况下，你应该能看到类似/camera1/image_raw的话题。可以通过image_view工具查看实时图像：

ros2 run image_view image_view image:=/camera1/image_raw

1.3 标定工具安装

ROS2提供了专门的摄像头标定工具包camera_calibration，安装命令为：

sudo apt install ros-humble-camera-calibration

这个工具基于OpenCV的标定算法实现，能够自动计算摄像头的内参和畸变系数。

1.4 标定板的选择与准备

标定过程中需要使用特定的标定板（通常是棋盘格），这里有几个关键参数需要考虑：

参数	推荐值	说明
棋盘格尺寸	9x6	指内部角点数量，不是方格数
方格边长	0.026m	实际物理尺寸，需精确测量
材质	硬质平面	避免反光、变形

为什么选择9x6的棋盘格？这背后有几个考量：

角点数量足够多（54个）以提供充分的约束条件
尺寸适中，便于在普通USB摄像头的视场范围内完整显示
奇数x偶数的组合有助于算法识别方向

重要提示：实际物理尺寸必须准确测量，这是所有计算的基础。使用游标卡尺测量几个方格的边长并取平均值。

2. 执行摄像头标定流程

有了前面的准备，现在可以开始实际的标定过程了。这一节将详细介绍每个步骤的操作方法和背后的原理。

2.1 启动标定程序

运行以下命令启动标定节点：

ros2 run camera_calibration cameracalibrator \ --size 9x6 \ --square 0.026 \ image:=/camera1/image_raw \ camera:=/usb_cam

参数解释：

--size 9x6：指定棋盘格内部角点数量
--square 0.026：每个方格的实际边长（单位：米）
image:=/camera1/image_raw：图像话题名称
camera:=/usb_cam：相机名称空间

启动后会弹出一个GUI窗口显示摄像头画面，以及四个进度条（X、Y、Size、Skew）。

2.2 采集标定数据

现在需要移动棋盘格让摄像头从不同角度观察它。有效的采集策略包括：

前后移动：改变标定板与摄像头的距离
倾斜旋转：展示不同的视角
覆盖整个画面：确保标定板出现在图像各个区域

关键技巧：

保持每个姿态稳定1-2秒，让算法有足够时间处理
尽量覆盖摄像头的整个视场范围
当X、Y、Size、Skew四个进度条都变绿时，说明数据已足够

2.3 计算标定参数

当采集足够数据后，"CALIBRATE"按钮会变为可用状态。点击它开始计算标定参数。这个过程可能需要几分钟时间，具体取决于硬件性能。

计算完成后，GUI右上角会显示一个数值，这是重投影误差（单位：像素），通常：

<0.5：非常优秀
0.5-1.0：良好
1.0-2.0：可接受
2.0：考虑重新标定

2.4 保存标定结果

点击"SAVE"按钮保存标定结果。默认情况下，结果会保存在/tmp/calibrationdata.tar.gz中，包含以下文件：

ost.yaml：标定参数文件
一系列标定过程中采集的图像
用于验证的脚本

注意：建议立即将结果文件复制到安全位置，因为/tmp目录可能在系统重启后被清空。

3. 标定结果文件深度解析

标定完成后生成的YAML文件包含了摄像头所有的内参信息。理解这些参数对于后续的视觉应用至关重要。让我们逐项解析这些参数的实际物理意义。

3.1 基础图像参数

image_width: 640 image_height: 480 camera_name: narrow_stereo

这些参数相对直观：

image_width和image_height：摄像头的分辨率
camera_name：摄像头的标识名称，可以在标定时自定义

3.2 相机内参矩阵

camera_matrix: rows: 3 cols: 3 data: [620.78764, 0. , 301.03635, 0. , 623.18712, 249.98162, 0. , 0. , 1. ]

这是一个3x3的矩阵，通常表示为：

[ \begin{bmatrix} f_x & 0 & c_x \ 0 & f_y & c_y \ 0 & 0 & 1 \end{bmatrix} ]

其中：

f_x和f_y（620.78和623.18）：x和y方向的焦距，单位是像素
c_x和c_y（301.03和249.98）：主点坐标，即图像中心的理论位置

为什么两个焦距值不同？这反映了像素不是完美的正方形，存在微小的纵横比差异。

3.3 畸变系数

distortion_model: plumb_bob distortion_coefficients: rows: 1 cols: 5 data: [0.156418, -0.248802, 0.003859, -0.003760, 0.000000]

plumb_bob是ROS中常用的一种畸变模型，对应OpenCV的Brown-Conrady模型。五个畸变系数分别代表：

系数	名称	影响的畸变类型
k1	径向畸变1	桶形/枕形畸变
k2	径向畸变2	高阶径向畸变
p1	切向畸变1	由于镜头与成像平面不平行
p2	切向畸变2	同上
k3	径向畸变3	更高阶径向畸变

3.4 其他矩阵

rectification_matrix: rows: 3 cols: 3 data: [1., 0., 0., 0., 1., 0., 0., 0., 1.] projection_matrix: rows: 3 cols: 4 data: [635.97443, 0. , 298.43981, 0. , 0. , 638.92316, 251.00522, 0. , 0. , 0. , 1. , 0. ]

rectification_matrix：单目摄像头通常为单位矩阵
projection_matrix：将3D点投影到2D图像的矩阵，包含内参和基线信息（单目时为0）

4. 标定参数的实际应用

获取标定参数只是第一步，更重要的是如何在你的ROS2节点中使用这些参数。本节将介绍几种常见的应用场景和方法。

4.1 在ROS2节点中加载标定参数

在Python节点中，可以通过以下方式加载和使用标定参数：

import yaml import numpy as np def load_calibration(calib_file): with open(calib_file, 'r') as f: calib_data = yaml.safe_load(f) camera_matrix = np.array(calib_data['camera_matrix']['data']).reshape(3,3) dist_coeffs = np.array(calib_data['distortion_coefficients']['data']) return camera_matrix, dist_coeffs # 使用示例 camera_matrix, dist_coeffs = load_calibration('ost.yaml')

4.2 图像去畸变处理

使用OpenCV的undistort函数可以去除图像中的畸变：

import cv2 def undistort_image(image, camera_matrix, dist_coeffs): h, w = image.shape[:2] new_camera_matrix, roi = cv2.getOptimalNewCameraMatrix( camera_matrix, dist_coeffs, (w,h), 1, (w,h)) undistorted = cv2.undistort( image, camera_matrix, dist_coeffs, None, new_camera_matrix) return undistorted

4.3 在图像处理节点中使用标定参数

假设你正在开发一个物体检测节点，需要将像素坐标转换为真实世界坐标（反之亦然），可以使用以下方法：

def pixel_to_camera_coord(u, v, z, camera_matrix): """ 将像素坐标(u,v)和深度z转换为相机坐标系下的3D坐标 """ fx = camera_matrix[0,0] fy = camera_matrix[1,1] cx = camera_matrix[0,2] cy = camera_matrix[1,2] x = (u - cx) * z / fx y = (v - cy) * z / fy return x, y, z

4.4 常见问题排查

在实际应用中可能会遇到以下问题：

标定误差过大：
- 检查棋盘格打印质量
- 确认物理尺寸测量准确
- 增加标定时的姿态多样性
去畸变后图像边缘异常：
- 尝试调整getOptimalNewCameraMatrix的alpha参数
- 考虑裁剪ROI区域
坐标转换结果不合理：
- 确认使用的是正确的坐标系（ROS通常使用右手系）
- 检查单位一致性（米/毫米）

5. 高级技巧与最佳实践

经过多次标定实践和实际项目应用，我总结了一些能够提高标定质量和效率的技巧。

5.1 提高标定精度的技巧

光照控制：保持均匀照明，避免反光和阴影
棋盘格质量：使用高精度打印，确保方格边缘锐利
多角度覆盖：特别关注图像边缘区域
多次标定取平均：进行3-5次独立标定，取参数平均值

5.2 自动化标定流程

对于需要频繁标定的场景，可以编写自动化脚本：

#!/bin/bash # 启动摄像头 ros2 launch usb_cam camera.launch.py & # 等待摄像头初始化 sleep 2 # 启动标定程序 ros2 run camera_calibration cameracalibrator \ --size 9x6 \ --square 0.026 \ image:=/camera1/image_raw \ camera:=/usb_cam