棋盘格相机标定实战：从内参矩阵到畸变校正的关键细节

简介：相机内参标定是计算机视觉的基础环节，直接影响图像畸变校正与三维测量精度。这份练习包面向需要快速上手单目相机标定的学生、研究者或开发者，定位明确：通过棋盘格图像与Python脚本，解决相机焦距、主点坐标及畸变系数的求解问题。包内文件共6个，包含5张不同角度与距离拍摄的棋盘格PNG图像和1个Python标定脚本，压缩包整体约1.12MB，轻量易用，适合本地运行或二次修改，已有1063人学习/下载。使用者可替换图像、调整棋盘格尺寸，借助OpenCV完成角点检测、内参矩阵计算与畸变校正，直观理解成像模型与标定流程。资源可作为课程实验、毕业设计或入门项目的起点，衔接理论公式与代码实现，为后续三维重建、视觉测量等任务打下基础。

1. 棋盘格标定：把相机从“能成像”变成“能量测”

刚接触 camera 的工程师，往往先问“如何标定相机内参”；拿到一套棋盘格标定代码后，真正影响结果的又不只是代码本身。相机内参标定要回答的核心问题是：像素坐标怎么换回物理坐标？棋盘格标定则是实践中流传最广、门槛最低的解法——一张打印出来的黑白棋盘，贴在平整表面，用 OpenCV 就能同时得到内参矩阵和畸变系数。这件事看起来简单，坑却不少：图像拍得好看不代表标得准，张数堆得多也不代表误差低。我把棋盘格标定的几何依据、采集姿势、OpenCV 参数和评价方法拆开讲，新手能照着一个流程跑通，老手可以挑畸变模型、图像分布和单帧误差这些小节看。

2. 相机内参标定背后的几何：内参矩阵与畸变模型

2.1 针孔模型里的 fx、fy、cx、cy 到底表示什么

针孔相机模型把三维点 X=[X, Y, Z] 投影到像素坐标 u=[u, v]。忽略畸变时，投影写成齐次形式：λ[u, v, 1]^T = K[R|t][X, Y, Z, 1]^T。其中 K 是内参矩阵，R 和 t 是当前图像的外参，λ 是深度比例因子。棋盘格标定要解出的就是 K 和畸变系数，而不是 R、t。

内参矩阵 K 的具体形式是 [fx, 0, cx; 0, fy, cy; 0, 0, 1]。fx 是焦距在 x 方向上的像素长度，fy 是 y 方向上的像素长度。它们不是物理焦距 f，而是 f 除以单个像素在 x、y 方向的物理尺寸。现代标定算法不关心传感器像素尺寸，直接优化 fx、fy。cx、cy 是光轴穿过成像面的像素坐标，称为主点。很多人误认为 cx、cy 一定等于图像中心，实际上镜头安装偏心、传感器切割误差都会让主点偏离中心几十个像素。做测量时如果固定主点为图像中心，外参计算和高精度测距都可能出现系统性偏差。

2.2 径向畸变与切向畸变

内参矩阵之外，镜头还会引入畸变。OpenCV 默认使用五参数畸变模型：dist = [k1, k2, p1, p2, k3]。其中 k1、k2、k3 是径向畸变系数，描述图像点从理想位置沿半径方向移动的量。低端摄像头常见桶形畸变，长焦镜头则可能出现枕形畸变。k3 是为了补偿视场角很大的镜头边缘，广角和鱼眼镜头必须估计 k3，普通工业镜头可以先用 0 初始化再看误差。

p1、p2 是切向畸变系数，由镜头与传感器平面不平行引起。棋盘格标定里，切向畸变通常比径向畸变小一个数量级，但这不代表可以忽略。工业相机如果安装时镜头座有轻微倾斜，p1、p2 仍然会显著影响标定板边缘的角点位置。OpenCV 的坐标系原点在图像左上角，x 向右，y 向下，z 朝相机前方。很多人在后期做手眼标定时把坐标轴方向弄反，往往不是外参错了，而是从内参标定的坐标系沿用时就带错了方向。

2.3 棋盘格给标定提供了什么约束

棋盘格上的黑白角点具有明确的空间约束：相邻角点间距固定，所有角点位于同一平面。操作时把标定板平面设为 Z=0，则每个角点的世界坐标可以人为指定，例如第 i 行第 j 列角点坐标为 (j * square_size, i * square_size, 0)。如果以格子边长为单位，fx、fy 的单位就是“像素每格”；如果以毫米为单位，后续所有三维重建结果都会以毫米为尺度。这个选择影响几何尺度，不影响像素比例，但会直接干扰与机械臂坐标系的统一。

单张棋盘格图像中，三维 Z=0 平面到像素坐标的映射是一个单应矩阵 H，H 有 8 个自由度。一个 9×6 的棋盘格提供 54 个角点约束，足以解出单应。但单应中包含内参和外参的耦合，只有让标定板在多个位置、多个角度出现，内参和外参才能被分开约束。这也是为什么单张棋盘格照片无法标定出完整内参，而多张不同姿态的图像可以。棋盘格的好处在于角点检测精度高，且角点坐标的对应关系完全确定，不像圆形标定板还涉及椭圆中心偏移补偿。

一个常见做法是在标定脚本里先生成世界坐标数组：

import numpy as np pattern_size = (9, 6) # 内角点数量：列数-1，行数-1 square_size = 0.025 # 单个格子的边长，单位：米 objp = np.zeros((np.prod(pattern_size), 3), dtype=np.float32) objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp[:, :2] *= square_size print(objp[:5])

这段代码生成的数组顺序是 x 方向优先，也就是从左到右、从上到下，和 cv2.findChessboardCorners 返回的角点顺序一致。如果写成 mgrid[0:rows, 0:cols] 然后 reshape，行和列的顺序就会颠倒，标定时会得到一组完全错误的 R、t，而内参却看起来基本正常。这是棋盘格标定脚本里最隐蔽的坑之一。

3. OpenCV 棋盘格标定从采集到参数导出的完整命令

3.1 采集前先确认 patternSize 与角点检测参数

网上很多标定代码抄下来跑不通，一半是棋盘格图片本身的问题，另一半是 patternSize 传错。cv2.findChessboardCorners 的第一个参数是灰度图，第二个参数必须传“内角点数量”。如果打印出来的棋盘是 10×7 个格子，那么内角点就是 9×6，也就是(x方向有9个角点，y方向有6个角点)。传成 (10, 7) 会一直检测失败，或偶尔检出一个排错后的错误角点。

检测 flags 建议显式指定。对于光照不均匀的场景，使用 CALIB_CB_ADAPTIVE_THRESH 和 CALIB_CB_NORMALIZE_IMAGE 会明显提高检出率。不要在生产采集流程里用 CALIB_CB_FAST_CHECK，它为了提速会跳过候选区域，导致一帧中棋盘格稍大或稍偏就漏检。正式标定的每一帧都值得用完整检测，哪怕单帧处理时间多几十毫秒。

检测到角点之后还要做亚像素精化。findChessboardCorners 返回的角点坐标是整数级精度，不足以支撑高质量标定。cornerSubPix 会在局部窗口内利用灰度梯度迭代优化角点位置。常用窗口是 (11, 11)，零区域设为 (-1, -1) 表示不屏蔽邻域，迭代条件设为 MAX_ITER + EPS，最大迭代 30 次，精度 0.01。如果角点整体较小，可以把窗口缩小到 (5, 5) 防止窗口跨过多个角点。

import cv2 pattern = (9, 6) img = cv2.imread("chess_01.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ok, corners = cv2.findChessboardCorners( gray, pattern, flags=cv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_NORMALIZE_IMAGE ) if ok: criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.01) corners_refined = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) cv2.drawChessboardCorners(img, pattern, corners_refined, ok)

这一步里，findChessboardCorners 的输出 corners_refined 是 N×1×2 的数组，而 cornerSubPix 的输入输出结构完全一致，不能改成 (N, 2) 传入。OpenCV 很多函数同时接受这两种形状，但 calibrateCamera 内部期望的是 list of arrays，每个数组是 N×1×2。建议从检测到标定全程保持 OpenCV 角点数组的原生形状，不要在中间做 reshape。

3.2 最少拍多少张，角度和位置怎么铺

棋盘格标定的有效图像数量建议在 20 到 30 张之间。少于 15 张时，图像之间的姿态相关性往往过高，解出来的内参容易过拟合到当前拍摄范围；多于 40 张时，如果某几张标定板弯曲或反光，反而拉低整体精度。重点是张数之外的角度覆盖：棋盘格应占据画面的 1/4 到 3/4，不要只在画面正中央出现；前后移动改变距离，让角点尺寸覆盖较大的像素尺度区间；左右上下平移，让角点出现在画面四角和边缘；绕相机的 X 轴和 Y 轴方向倾斜 10 到 30 度，让标定板平面与成像平面不平行。

一个常见的错误是绕 Z 轴旋转棋盘格连续拍很多张，看起来角度很多，但所有图像中标定板都正对相机，畸变约束和焦距约束都不充分。更好的拍摄顺序是：固定相机曝光和焦距，先拍三张正对远距离，再拍倾斜上、下、左、右各两张，再拍近距离四角边缘，最后补几张中等距离、不同旋转角度的。每拍一张就检测一次，有角点漏检就调整光照重新拍，不要用模糊或过曝的图像硬标。

3.3 calibrateCamera 参数与返回值的实际含义

OpenCV 的标定入口是 cv2.calibrateCamera，完整调用如下：

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( object_points, image_points, gray.shape[::-1], None, None )

object_points 是一个 Python list，每个元素对应一帧棋盘格的三维世界坐标；image_points 是同样长度的 list，每个元素是该帧亚像素精化后的角点数组；gray.shape[::-1] 得到的是 (width, height)，不是 (height, width)，写反会导致图像宽高互换，畸变模型里的归一化坐标计算错误。cameraMatrix 和 distCoeffs 传 None 时，OpenCV 使用默认初始值和内参矩阵估计。

返回值里，ret 是重投影误差的 RMS，mtx 是 3×3 内参矩阵，dist 是畸变系数数组，rvecs 和 tvecs 是每帧的外参。对只做图像矫正的人，外参可以暂时不关心，但后续如果做手眼标定或二维码定位，rvecs、tvecs 可以直接复用。下表列出关键参数的常见选择：

flags 参数在多相机标定时很有用。CALIB_FIX_PRINCIPAL_POINT 会把 cx、cy 固定在图像中心，适用于视角很小且主点偏移不明显的镜头；CALIB_ZERO_TANGENT_DIST 会把 p1、p2 固定为 0，适合确认镜头没有切向畸变后的快速回归；CALIB_FIX_K3 则固定 k3 为 0，普通 60 度视场角镜头可以先固定 k3，减少自由参数。对手机广角镜头或带畸变的运动相机，不要轻易固定 k3。

3.4 把内参和畸变系数导出成 JSON 标定文件

标定完成后，代码进程一结束，mtx 和 dist 如果没有落盘就白做了。常见做法是保存为 JSON，方便后续 Python、C++ 或部署脚本读取。保存时不要把 arrays 直接写入，必须调用 tolist() 转换成原生 list。

import json with open("camera_calib.json", "w") as f: json.dump({ "mtx": mtx.tolist(), "dist": dist.tolist(), "image_width": int(gray.shape[1]), "image_height": int(gray.shape[0]), "pattern": list(pattern), "square_size": square_size, "rms": ret, }, f, indent=2)

这里除了内参和畸变系数，还把 image_width、image_height、pattern、square_size 一起保存。原因是同一台相机切换分辨率后内参会变，换一个格式或裁剪区域后，原来的标定结果不能直接用。保存 imageSize 可以防止下次加载时拿 1280×720 的标定文件去矫正 1920×1080 的图像；保存 pattern 和 square_size 则是为了后续用同一块标定板做重投影验证。

4. 标定结果调优：角点质量、图像覆盖与参数选择的几个坑

4.1 直接用原始角点标定，误差会偏大

findChessboardCorners 返回的角点经过棋盘内部几何约束的粗定位，但没有亚像素精化。直接用这些整数坐标做 calibrateCamera，重投影误差通常落在 0.5 到 1.5 像素。cornerSubPix 能把误差压到 0.1 到 0.3 像素。对于需要毫米级定位的视觉引导场景，0.5 像素的原始误差在物体距离 500mm 时会放大成数毫米的位置偏差。

也可以使用 OpenCV 4.5 以后提供的 findChessboardCornersSB，它基于 CLAHE 和迭代拟合，对光照渐变、运动模糊的鲁棒性更好，并且内部已经包含亚像素精化。如果使用 SB 函数，后面不要再调用 cornerSubPix，否则会把已经精化的角点再迭代一次，部分情况下会引入轻微抖动。我在处理反光明显的包装线时，会优先尝试 findChessboardCornersSB，但它的速度比默认慢约一倍，适合标定这种离线场景，不适合在线找棋盘格。

4.2 图像覆盖不到位，RMS 再小也不可信

一个常见的误判是：20 张图像全部正对棋盘格，calibrateCamera 返回的 RMS 只有 0.2 像素，就认为标定完事了。实际上这种图像分布下，径向畸变和焦距之间存在强耦合，解出的 fx、fy 和 k1、k2 可能同时偏大或偏小，但投影误差仍然很小。内参标定不仅要误差小，还要参数唯一。唯一的条件是标定板在不同深度、不同倾斜角度下提供足够的独立约束。

判断覆盖是否充分，可以画一张“棋盘格角点在图像坐标系中的散点图”，把所有帧的角点画在同一坐标系里。如果散点集中在图像中央一个圆形区域，说明覆盖不足；如果散点覆盖了四角和边缘，同时对每个区域都有倾斜拍摄，才是比较健康的分布。另外，标定板所在平面和成像平面夹角超过约 45 度时，角点检测精度会快速下降，因此不要为了“角度丰富”而强行拍接近 90 度的侧视图。

4.3 畸变模型选 3 项还是 5 项：先跑一次 5 项再看数值

OpenCV 的 calibrateCamera 默认估计 5 个畸变参数，但很多工程遗留代码只用 4 个或 3 个参数。不能简单认为“参数越少越稳定”，关键是这些参数是否真实存在于镜头中。下表是我在实际项目中常用的选择方式：

如果一开始不确定，先用 5 项标定，观察 dist 数组里的 k3 和 p1、p2。k3 的数值如果接近 0，说明镜头边缘畸变不强，可以在下一次标定中用 CALIB_FIX_K3 固定它；p1、p2 如果接近 0，也可以固定。但 p1、p2 数值大并不意味着镜头坏了，在很多 C 口镜头里，切向畸变是真实存在的，直接固定会损失精度。稳妥做法是保留 5 项，除非你明确知道镜头型号和安装方式。

4.4 重投影误差不是唯一指标，单帧最大误差才值得查

calibrateCamera 返回的 ret 是所有角点的总体 RMS，它会把误差平均掉。假设 29 张图误差都在 0.1 像素，唯一 1 张图的某几个角点误差高达 1.5 像素，总体 RMS 可能只上升到 0.2 像素，看起来仍然正常。要找到问题帧，必须逐帧重新投影。

import numpy as np errors = [] for i in range(len(object_points)): proj, _ = cv2.projectPoints( object_points[i], rvecs[i], tvecs[i], mtx, dist ) err = cv2.norm(image_points[i], proj, cv2.NORM_L2) / len(proj) errors.append(err) errors = np.array(errors) print("mean:", errors.mean(), "max:", errors.max(), "frame:", errors.argmax())

这段代码利用标定结果反算第 i 帧角点的投影位置，再和检测到的角点求平均距离。如果最大帧误差超过总体均值 3 倍，优先检查那一帧有没有局部反光、标定板是否弯曲、角点排序是否出现跳变。把明显偏大的坏帧从 object_points 和 image_points 里删掉后重新标定，通常比单纯增加新图更有效。

5. 标定完不重训：用同一块棋盘格快速验证内参是否可靠

5.1 用 solvePnP 对“没见过”的图像做增量验证

标定过程里参与计算的那些图像，内参会向它们“妥协”，所以训练集 RMS 只能证明优化收敛，不能证明内参对没见过的图像同样准确。我会在每轮标定结束后，另拍一张新的棋盘格照片，只检测角点，不做筛选，然后用 solvePnP 估计该帧外参并计算重投影误差。如果这个误差和整体 RMS 在同一量级，说明内参具备泛化能力；如果高出太多，说明采集覆盖有问题或标定板本身不平。

objp = object_points[0].copy() ok, corners = cv2.findChessboardCorners(gray2, pattern, None) if ok: corners = cv2.cornerSubPix(gray2, corners, (11, 11), (-1, -1), criteria) ok_pnp, rvec, tvec = cv2.solvePnP(objp, corners, mtx, dist) proj, _ = cv2.projectPoints(objp, rvec, tvec, mtx, dist) validate_err = cv2.norm(corners, proj, cv2.NORM_L2) / len(objp) print("validation error:", validate_err)

这里必须用同一块棋盘格，并且 world coordinate 的 square_size 要和标定时一致。验证时不要使用标定训练集里的图像，否则误差会被人为压低。如果验证误差稳定在 0.2 像素以内，内参可以用于测量；如果超过 0.5 像素，先补拍几张四角和倾斜图像，再重新标定，而不是反复调 flags。

5.2 标定文件里还应该记下这些现场信息

JSON 里除了 mtx、dist、imageSize 和 pattern，建议再加三个字段：相机型号、镜头焦距、标定板编号。相机内参随传感器批次和镜头安装会有细微差异，同型号的另一台相机不能直接共用标定文件；变焦镜头在任意焦距变化后都必须重新标定；标定板被弯曲或污染过也要重新标定。保存这些现场信息，能避免三个月后拿一份旧标定文件给新相机用而查不出问题。

最后再补一个实用技巧：每次标定结束，把当时的标定板照片和 JSON 文件放到同一个目录，目录名用“日期_相机型号_分辨率”命名。这样后续不管是做图像矫正还是手眼标定，都能快速回溯“这套内参到底是哪台相机、哪个分辨率、哪块板子标出来的”。

本文还有配套的精品资源，点击获取