相机标定原理与实操：从张正友标定法到OpenCV畸变校正

简介：本资源是一份面向计算机视觉初学者与工程实践者的相机标定MATLAB实现脚本，聚焦于解决图像几何失真校正与二维-三维坐标映射精度提升问题，适用于自动驾驶感知模块开发、机器人视觉定位、工业测量及3D重建等实际场景。压缩包仅含1个核心文件（camera_calibration.m），为2KB大小的MATLAB脚本，封装了棋盘格角点检测、内参（焦距、主点、径向/切向畸变系数）与外参（旋转平移矩阵）联合优化、以及基于Levenberg-Marquardt算法的非线性最小二乘求解全流程，支持用户输入基础参数后一键完成标定与畸变校正。已有239人学习下载，脚本结构清晰、注释完备，无需额外依赖库即可运行，可直接用于教学演示、课程实验或嵌入小型视觉系统作为标定工具模块，显著降低从理论到落地的实现门槛。

1. 先聊聊相机标定这件事到底有多重要

搞机器视觉的朋友应该都有过这种经历：项目前期算法调得挺顺，特征提取、模板匹配都跑通了，结果一上产线，精度就是差那么几个像素。查来查去，最后发现根本不是算法的问题，而是相机本身的成像“歪了”。这里的“歪”不是指相机没装正，而是镜头畸变、焦距偏差这些内参没校准，导致图像坐标和真实世界坐标之间差了那么一层“翻译”。

相机标定，英文常写作 camera_calibration，部分资料里也会叫“像机标定”，其实指的都是同一件事：确定相机内部几何参数（焦距、主点、畸变系数）和外部位姿参数（旋转、平移）的过程。简单说，就是让算法知道“图像上的一个像素，到底对应现实世界里的哪个点、在哪个方向、距离多远”。

我见过不少刚入行的同学，觉得标定就是跑个OpenCV接口，打印一张棋盘格拍几张照就完事了。结果换了个镜头、换了工作距离，精度立刻崩盘。原因很简单：标定的本质是“建立数学模型并求解参数”，而模型的准确度直接取决于你输入的数据质量。拍得不规范、棋盘格不平整、覆盖区域不完整，求出来的参数就是错的。这个错不是小错，而是系统性的错，后面做三维重建、手眼标定、尺寸测量，全都会跟着错。

这篇内容我按自己这些年做项目的实际路径来写：先说清标定的原理和模型，再说方案怎么选，然后给一套从打印棋盘格到结果评估的完整实操流程，最后把常见问题和排查手段整理成速查表。无论你是刚接触视觉的小白，还是被标定精度折磨过的老手，应该都能找到点有用的东西。

2. 相机成像模型与畸变：标定到底在算什么

很多人以为标定就是“算个焦距”，其实远远不止。要理解标定，得先搞清楚相机是怎么把三维世界变成二维图像的。

2.1 小孔成像模型：理想情况下的坐标变换

理想情况下，相机成像可以用小孔成像模型来描述。空间中的一个三维点，经过四个坐标系的变换，最终落到图像平面上：

1. 世界坐标系（三维，单位毫米或米）→
2. 相机坐标系（以相机光心为原点，三维）→
3. 图像物理坐标系（以主点为原点，二维，单位毫米）→
4. 图像像素坐标系（以图像左上角为原点，二维，单位像素）

这四个步骤中，第一步涉及外部参数（旋转矩阵R和平移向量T），后两步涉及内部参数（焦距fx、fy，主点cx、cy）。整个映射可以用一个3×4的投影矩阵表示，但这里我不堆公式，只说核心逻辑：

相机的内参决定了“光心到像素”的比例关系，外参决定了“相机在世界坐标系中的位置和朝向”。标定要做的，就是同时解出这两类参数。

实际项目中，外参往往在手眼标定或位姿估计时单独求解。你拿棋盘格拍一组照片做标定，本质上就是用“已知三维结构的标定板”来反推相机的内参和畸变。

2.2 畸变模型：为什么直线会变弯

任何镜头都不可能是完美的小孔成像，光线经过镜片时会发生折射，导致图像边缘出现变形。畸变主要分两类：

• 径向畸变：由镜片形状引起，越靠近边缘越明显。表现为直线向外凸（桶形畸变）或向内凹（枕形畸变）。用k1、k2、k3三个系数来描述。
• 切向畸变：由镜头与成像平面不平行引起，表现为图像像被“拧”了一下。用p1、p2两个系数来描述。

OpenCV默认的畸变模型就是那五个系数：[k1, k2, p1, p2, k3]。鱼眼镜头可能还要用更复杂的模型（如Fisheye模型，支持k1-k4），但大部分常规镜头用五参数模型就够了。

我经常用一个比喻来解释畸变：镜头就像一面哈哈镜，只不过哈哈镜的变形太大能直接看出来，相机镜头的变形很小，需要精确测量时才会发现“歪了”。标定的核心任务之一，就是把这面“微哈哈镜”的变形规律用数学模型精确描述出来，然后在图像处理时反向纠正掉。

2.3 标定板上的角点：天然的“已知量”

张正友标定法是目前最主流的相机标定方法，它的巧妙之处在于：只需要拍摄不同姿态下的平面标定板（通常是棋盘格或圆点阵列），就能同时求解内参、外参和畸变系数。不需要昂贵的精密设备，一张打印出来的棋盘格贴在平板上就能干活。

为什么用棋盘格？因为黑白交界的角点（内角点）具有两个方向上的梯度都很大的特征，亚像素级定位精度高，而且检测算法成熟稳定。圆点阵列（如Halcon常用的方式）也有优势——圆心定位精度高，但对透视变形和离焦更敏感。普通项目用棋盘格最省事，高精度项目可以试试圆点阵列。

这里有个需要注意的细节：标定板棋盘格的规格要写清楚，比如“9×6，方格边长20mm”。这里的“9×6”指的是内角点数，不是格子数。OpenCV检测时说的patternSize是角点行列数（比如9×6表示每行9个角点、每列6个角点），对应棋盘上10×7的格子。这个参数填错，程序必然报错或检不到。

3. 标定方案选型：不是所有项目都该用同样的方法

选标定方案，先想清楚你的精度需求和应用场景。我习惯按下图逻辑来分：要标定的相机是单目还是双目？工作距离是固定还是变化的？精度要求是毫米级还是亚像素级？有没有条件用标定板？

3.1 单目标定：最常见、最基础

单目标定就是求单个相机的内参和畸变，适用于以下几种场景：

• 平面测量：比如工件尺寸测量、定位抓取，前提是物体近似处于一个平面内，配合标定板求出一个“像素到毫米”的比例关系（有时甚至不需要完整内参，算个单应性矩阵就行）。
• 畸变纠正：比如用广角镜头拍全景图，先标定再对图像去畸变。
• 三维重建的基础：双目视觉、结构光、多相机系统，都先要完成每个相机的单目标定。

单目标定的投入产出比最高：十几分钟拍图，半小时处理，就能让相机从“浑浑噩噩”变成“心里有数”。

3.2 双目标定：不只是标两次

双目标定的流程是在单目标定基础上，再计算两个相机之间的相对位姿（旋转矩阵R和平移向量T），以及本质矩阵或基础矩阵。做完双目标定，才能对左右图像做极线校正，让对应的像素点落在同一水平线上，这样才能用视差计算深度。

有一点容易被忽略：双目标定对左右图像同步性要求很高。如果两个相机不是硬件触发同步采集，标定板稍微动一下，左右图的角点位置就不对应，求出来的外参会不准。实操中建议使用支持硬件触发或外部信号的工业相机，采集时把标定板固定不动再触发。

3.3 相机-激光雷达、相机-机械臂的联合标定

再往深走一步，如果你的系统里有多个传感器（如相机+激光雷达，或者相机+机械臂），还需要做联合标定。这类方案我简要说一下思路：

• 相机与机械臂（手眼标定）：求解的是相机坐标系与机械臂末端坐标系之间的变换关系，常见做法是控制机械臂带着标定板运动到多个位姿，分别记录标定板在相机下的位姿和机械臂的正运动学位姿，然后用AX=XB方程求解。
• 相机与激光雷达：通过采集包含标定板的点云和图像，提取标定板在两者中的位姿，最小化重投影误差得到外参。

这些联合标定的基础都是单目标定，如果单目内参不准，后面的标定就全白搭。所以很多同学问“为什么手眼标定精度那么差”，我第一反应都是先让他回去查单目标定结果。

3.4 无标定板方案：什么时候能凑合，什么时候不能

有时候现场条件不允许摆标定板（比如产线不能停机），有人会问能不能用“自标定”或“无标定”方案。我的回答是：能凑合，但别指望高精度。

自标定方法（利用多视图几何约束）不需要标定板，但需要足够的纹理特征和基准尺度信息，精度一般只有标定板方案的几分之一。适合做AR、SLAM这类对绝对精度要求不高的场景。如果你要做尺寸测量、缺陷检测的坐标定位，老老实实用标定板。

4. 完整实操流程：从打印棋盘格到标定结果评估

下面这部分是重点，我按自己跑过无数遍的流程写。照着做，基本不会翻车。

4.1 准备工作：标定板的选择与制作

标定板有三种获取方式：

1. 在线生成棋盘格图片并打印：网上能搜到很多标定板生成器，也可以用OpenCV代码生成，再拿激光打印机打出来贴在硬平板上。
2. 购买陶瓷或玻璃基板的工业标定板：精度高、平整度好，适合精密测量项目，价格从几百到几千都有。
3. 用液晶显示器显示标定板：适合科研验证，但屏幕的平整度取决于显示器本身，且屏上覆盖玻璃会有重影，不推荐现场用。

我的建议：普通视觉项目，用A4纸打印棋盘格贴在平整的亚克力板或玻璃板上就够。但要注意三点：

• 打印介质不能有褶皱，贴的时候要确保完全服帖。
• 棋盘格区域要保持哑光，避免反光导致角点检测失败。
• 方格边长要尽量精确，建议用游标卡尺量一下实际打印出来的格子边长，填到代码里要用实测值，别用理论值。

顺便说一句，方格边长是否精确，直接影响标定结果的尺度意义。如果标定时填的边长是20mm，实际打印出来是19.8mm，那么标定出的焦距也会按比例偏差约1%。对很多测量场景来说，这个误差不能接受。

4.2 拍摄采集：质量远比数量重要

拍标定板照片是很多人最容易翻车的一步。先说结论：15到20张不同姿态的清晰图像，远比30张千篇一律的正面图有用。

采集时记住这几个关键原则：

• 姿态要多样：包括正面、左右倾斜、上下倾斜、旋转，让标定板在画面中形成不同的透视关系。畸变系数对视角变化很敏感，只拍正面图无法正确估计畸变。
• 覆盖整个画面：标定板要出现在图像的边缘、角落和中心，尤其在四角多拍几张。因为径向畸变在画面边缘最严重，如果标定板只在画面中心区域出现，畸变系数基本就是瞎猜。
• 距离要有变化：靠近和远离相机各拍一些，这样能更好地约束焦距和主点。
• 标定板要平整、静止：拍摄瞬间标定板不能抖动，不然角点会模糊。
• 光照要均匀：避免强光直射导致棋盘格过曝，或者阴影遮挡部分格子。

另外，工业相机尽量用固定光圈和焦距拍，标定过程中不要去动镜头调焦环。道理很简单：标定算出来的内参是和“当前镜头状态”绑定的，你标完再去拧镜头，先前的标定就作废了。

4.3 OpenCV标定代码：核心流程怎么写

我以Python + OpenCV为例，给一个可以直接改来用的流程骨架。核心步骤就五段：读图、找角点、亚像素细化、标定、评估。

import cv2 import numpy as np import glob # 棋盘格内角点行列数（以9x6为例） pattern_size = (9, 6) # 方格边长（单位：毫米，务必用实测值） square_size = 20.0 # 准备对象点：标定板上所有角点的三维坐标（z=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 # 收集所有图像中的角点 obj_points = [] # 世界坐标系下的三维点 img_points = [] # 图像坐标系下的二维点 images = glob.glob('calib_imgs/*.jpg') for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: # 亚像素细化，提升角点精度 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners) cv2.drawChessboardCorners(img, pattern_size, corners, ret) cv2.imshow('corners', img) cv2.waitKey(100) cv2.destroyAllWindows() # 执行标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None ) print("重投影误差:", ret) print("内参矩阵:\n", mtx) print("畸变系数:\n", dist)

这段代码的核心逻辑是：

1. 利用棋盘格尺寸构造三维对象点（所有角点 z=0）。
2. 在每张图上找角点并做亚像素细化。
3. 用所有图像中的二维-三维对应点，通过张正友算法优化出内参。

关于亚像素细化，有个细节值得说明：cornerSubPix的窗口大小(11, 11)不是固定死的，图像分辨率越大、棋盘格角点越稀疏，窗口可以适当调大，比如(15, 15)或(21, 21)。窗口太小，细化效果不明显；窗口太大，可能跨过角点邻域，反而引入误差。

4.4 标定结果评估：别只看重投影误差

OpenCV的calibrateCamera返回的第一个值ret是重投影误差（RMS），单位是像素。很多人以为这个值小于0.1就万事大吉，其实不一定。

重投影误差的计算方式是：把标定得到的参数代回去，把三维角点投影到图像上，算投影点和实际检测点的像素距离，然后求均方根。它反映的是“模型拟合程度”，但不直接反映实际测量的毫米精度。

我的经验标准是：

• ret < 0.1：优。说明数据一致性很好。
• ret < 0.3：良。大多数项目可接受。
• ret > 0.5：差。建议排查数据问题（标定板不平、图像模糊、姿态单一等）。

但更关键的是要盯住内参矩阵和畸变系数是否符合物理直觉：

• 焦距fx、fy是否接近镜头标称焦距换算到像素的值。换算公式为f_pixel = f_mm / pixel_size，比如8mm镜头，像元尺寸3.45μm，fx大约在2319像素左右。如果差得离谱，说明标定数据有问题。
• 主点cx、cy是否接近图像中心。一般偏差几十个像素内合理，差几百像素就要警惕。
• 畸变系数k1是否在合理范围。普通镜头k1通常在-0.5到0.5之间，如果出来一个-5或者+5这种离谱值，基本说明数据不可用。

4.5 图像去畸变：标定完怎么用

标定得到的畸变系数，最终要用来纠正图像。OpenCV提供两种方式：

# 方式一：直接去畸变 undistorted = cv2.undistort(img, mtx, dist, None, new_mtx) # 方式二：先算映射表，再用remap重映射（适合实时处理） mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, new_mtx, (w, h), cv2.CV_32FC1) undistorted = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)

实际项目中强烈推荐用方式二（remap）。因为undistort每次调用都重新计算映射，而initUndistortRectifyMap可以只算一次映射表，之后每帧只做一次查表重映射，性能差距可能在几毫秒以上。在需要实时处理的产线上，这个优化很关键。

这里还有一个细节：new_mtx默认和mtx一样，但如果你想在去畸变后适当裁剪边缘（避免图像边缘的黑色区域），可以用cv2.getOptimalNewCameraMatrix来获取一个调整后的内参矩阵，它会根据可选的alpha参数决定保留多少边缘像素。alpha=0表示裁剪掉所有黑色区域，alpha=1表示保留全部原始像素（会看到黑边）。

h, w = img.shape[:2] new_mtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 0, (w, h))

去畸变后，如果只想保留有效区域，可以用返回的roi对图像做裁剪。

4.6 像素到物理尺寸的换算：测量项目的最后一步

去畸变之后，图像坐标和相机坐标之间就有了一个干净的单应关系。对平面测量场景，最常用的做法是：用标定板计算一个单应性矩阵H，然后直接把像素坐标转换为毫米坐标。

具体操作是：放一张标定板在测量平面上，检测角点，得到图像坐标和对应的世界坐标（毫米），用cv2.findHomography求H。之后图像上任意一个像素点p，都可通过P = H * p换算到毫米坐标。

这种方法比“单独用内参+深度信息”更简单，而且精度通常更高，因为它直接把畸变纠正和尺度变换一步到位。但它有一个前提：被测物体必须在标定板所在的同一个平面上，否则透视变换的结果是错的。

如果你要测的物体有高度差，那就得用双目视觉或结构光方案了，不是单张图能解决的。

5. 常见问题与排查技巧实录

这部分我花了大量篇幅整理，因为真正干活时，卡住你的往往不是原理，而是各种奇怪的现象。

5.1 棋盘格角点检测失败或误检

这是新手遇到最多的问题。典型表现是findChessboardCorners返回False，或者检测出的角点排列错乱。

排查步骤：

1. 确认pattern_size填得对。记住是内角点数，不是格子数。9×6棋盘实际有10×7个格子，这个最容易填错。
2. 检查图像是否过曝或欠曝。棋盘格需要黑白分明，如果高光盖住了白色格子，或者阴影让黑色格子变成灰色，检测必挂。
3. 检查标定板是否太小。如果标定板在图像中占比太小，角点间的像素距离太小，亚像素定位精度会大幅下降。建议标定板在画面中至少占三分之一以上面积。
4. 试试adapative threshold。OpenCV内部检测有自适应阈值机制，但遇到光照不均时，可以手动预处理：先高斯模糊，再大津法二值化，让黑白边界更清晰。
5. 换检测参数或改用不同方法。新版OpenCV中有cv2.findChessboardCornersSB，对模糊和光照变化更鲁棒，实测效果比老接口好不少。

5.2 标定结果每次都不一样

如果你反复标定，发现结果差异较大（比如焦距波动超过几十像素），先检查：

• 标定照片数量是否稳定。照片太少，结果波动肯定大。
• 是否用了不同分辨率的图像。同一相机切了ROI之后再标定，内参和分辨率相关，需要重新标定。
• 镜头是否松动。工业相机镜头锁紧螺丝没拧紧，轻微震动就会让焦距变化。以前在产线遇到过这个问题，折腾了一天才发现是镜头没锁紧。

我一般会用“稳定重复标定验证法”：同一组图像标定三次，如果结果差异极小，说明算法层面没问题；然后换一组图像再标定，如果差异大，说明采集数据的可重复性差。

5.3 重投影误差小，但实际测量却不准

这个现象最容易让人迷惑。理论上重投影误差小说明参数拟合度高，为什么测量还是差？

最常见的原因是：标定板的平面度不够。如果棋盘格贴在表面不平整的板子上，相邻角点之间的实际距离和理想值不一致，重投影误差依然可能很小（因为畸变模型“吸收”了这些误差），但真实世界中的测量精度就是上不去。

另一个原因是：标定时的工作距离/对焦状态和实际使用时不一样。标定时的焦距是固定的，如果你在实际测量时改变了工作距离、重新调过焦，内参就变了。有些镜头有微距对焦环，稍微一碰就变了。

还有一个坑：用了自动光圈或自动增益。光照变化时，光圈自动调整，画面亮度变了，但镜头的畸变特性也可能微变。精密测量项目中，相机应该设置为手动曝光、固定增益。

5.4 畸变纠正后图像边缘还“发飘”

如果你做了去畸变，但边缘的直线依然弯曲，可能的原因：

• 畸变模型不够，比如普通五参数模型不适用于某些大畸变的广角镜头。可以试试OpenCV的Fisheye模块，或者用更高阶的多项式模型。
• 标定板在边缘的图像太少，导致边缘畸变估计不准。这时要多拍几张标定板在画面四角的照片，重新标定。
• 传感器与镜头不匹配。比如大靶面相机配了小靶面镜头，成像圈不够大，边缘画质崩坏严重，畸变不再是平滑的曲线变化。这种情况建议直接换镜头，别指望标定能救。

5.5 常见的标定姿势错误汇总

我把实操中的典型错误整理成一个表格，方便大家对照自查：

6. 标定之后还能做什么：扩展思路

标定做完，一套内参和畸变系数只是起点，后面能接的东西其实不少。

• 三维重建与深度估计：有了相机内参，双目立体匹配才有了计算视差的基础，再配合外参，就能算出深度图。
• 手眼标定与机器人抓取：把相机标定的结果传给手眼标定算法，把“看到的物体位置”换算成“机械臂要去的位姿”。
• 多相机拼接：多台相机做大幅面测量时，用各相机标定结果做图像拼接和坐标统一，让测量范围扩大而不损失精度。
• 视觉SLAM：视觉里程计和SLAM系统初始化时，通常需要相机内参作为已知量输入，标定精度直接影响轨迹估计和建图质量。

我个人体会是，标定这件事做好之后，整个视觉系统就有了一个可以依赖的“坐标系语言”。后面无论是做算法调试还是排查问题，都有一个可信的基准。反过来，如果内参不对，后面的每一步都是“从错误的坐标出发做推理”，越推越偏。

最后分享一个我自己检查标定质量的小习惯：标定完不急着用，先拍一张标定板在画面各个位置的照片，用标定结果去畸变，再用findChessboardCorners重新检测角点，看角点坐标在去畸变前后的差异。如果边缘角点偏移明显、中间角点偏移很小，说明畸变模型基本合理；如果边缘偏移忽大忽小或者方向无序，说明数据采集有问题，回去重新拍。这个验证方法不用额外工具，几行代码就能做，能帮你省下很多后面排查的功夫。

本文还有配套的精品资源，点击获取