要使用Python和OpenCV获取相机的内参矩阵和畸变系数，核心方法是利用棋盘格进行标定。整个过程分为数据准备、角点检测、标定计算和评估验证四个步骤。下面将详细介绍每个步骤的原理、实现方法并提供完整的代码示例。 ### **一、 标定原理与方法概述** 相机标定的目标是求解相机的**内参矩阵（Intrinsic Matrix）**和**畸变系数（Distortion Coefficients）**。 * **内参矩阵 K**：将三维相机坐标系中的点投影到二维图像平面。其形式通常为： `K = [[fx, 0, cx], [0, fy, cy], [0, 0, 1]]`，其中 `(cx, cy)` 是主点坐标，`fx`, `fy` 是焦距在像素尺度上的表示[ref_1][ref_4]。 * **畸变系数**：描述镜头引起的图像畸变，主要包括径向畸变（`k1, k2, k3,...`）和切向畸变（`p1, p2,...`）[ref_3][ref_4]。 * **方法**：最常用的是**张正友标定法**。它通过让相机从不同角度拍摄多张已知几何图案（如棋盘格）的图片，利用检测到的角点与世界坐标系中已知的角点位置进行对应，然后通过优化算法求解出相机的内外参数[ref_2][ref_4]。 ### **二、 完整标定流程与代码实现** 以下是使用OpenCV-Python进行相机标定的详细步骤与代码。 #### **1. 准备标定图片** 使用同一个相机，从不同角度、不同距离拍摄**10-20张**棋盘格图片。棋盘格最好是黑白相间，且角点清晰。确保图片覆盖图像的各个区域，以得到更准确的标定结果[ref_5]。 #### **2. 角点检测与数据准备** 这一步需要在所有图片中找到棋盘格的内部角点，并为其建立与世界坐标系（假设棋盘格平面为Z=0）的对应关系。 ```python import cv2 import numpy as np import glob # 1. 定义棋盘格规格（内角点数量，例如 9x6 表示每行10个方格点，每列7个方格点，内部交点为9x6） CHECKERBOARD = (9, 6) # (width, height) 请根据你的棋盘格实际情况修改 # 2. 为世界坐标系中的角点准备坐标 (0,0,0), (1,0,0), (2,0,0) ....,(8,5,0) # 假设每个方格的实际边长为1个单位（如1cm），最终求出的焦距单位与此一致。 objp = np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) # 3. 创建用于存储所有图片对应点的数组 objpoints = [] # 存储世界坐标系中的3D点 imgpoints = [] # 存储图像坐标系中的2D像素点 # 4. 读取所有标定图片 images = glob.glob('./calibration_images/*.jpg') # 替换为你的图片路径 # 5. 遍历所有图片，查找角点 for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None) # 如果找到，则添加数据并优化角点位置 if ret: objpoints.append(objp) # 亚像素角点检测，提高角点定位精度 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) imgpoints.append(corners2) # 可视化角点（可选） img = cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret) cv2.imshow('Found Corners', img) cv2.waitKey(500) else: print(f"未能在 {fname} 中找到角点") cv2.destroyAllWindows() ``` 这段代码完成了角点检测和数据的收集，`objpoints` 和 `imgpoints` 是所有图片的对应点集合，是标定的输入数据[ref_3][ref_5]。 #### **3. 执行相机标定** 利用收集到的对应点数据，调用OpenCV的 `calibrateCamera` 函数进行标定。 ```python # 6. 执行相机标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None) print("标定成功！" if ret else "标定失败。") print("\n--- 相机内参矩阵 (K) ---") print(mtx) print("\n--- 畸变系数 ---") print(dist) # 通常为 [k1, k2, p1, p2, k3, ...] 的形式 ``` * **`ret`**: 重投影误差，值越小表示标定精度越高。 * **`mtx`**: 相机内参矩阵 K。 * **`dist`**: 畸变系数向量[ref_1][ref_3]。 #### **4. 评估标定结果与图像去畸变** 标定完成后，可以通过计算重投影误差来评估精度，并利用得到的参数对图像进行去畸变矫正。 ```python # 7. 计算重投影误差以评估标定质量 mean_error = 0 for i in range(len(objpoints)): # 将世界坐标系点投影到图像平面 imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) # 计算原始角点与重投影角点之间的误差 error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) mean_error += error print(f"\n平均重投影误差: {mean_error / len(objpoints):.6f} 像素") # 8. 保存标定参数（可选） np.savez('camera_params.npz', mtx=mtx, dist=dist, rvecs=rvecs, tvecs=tvecs) # 9. 测试去畸变效果 # 取一张标定图片进行测试 test_img = cv2.imread(images[0]) h, w = test_img.shape[:2] # 获取更优的新相机矩阵和ROI区域（可选，用于裁剪黑边） newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) # 方法1：使用cv2.undistort去畸变 dst = cv2.undistort(test_img, mtx, dist, None, newcameramtx) # 方法2：使用映射函数（适合处理视频流） # mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w,h), 5) # dst = cv2.remap(test_img, mapx, mapy, cv2.INTER_LINEAR) # 裁剪ROI区域 x, y, w_roi, h_roi = roi dst = dst[y:y+h_roi, x:x+w_roi] # 并排显示原图与去畸变图 concat_img = np.hstack((test_img, dst)) cv2.imshow('Original vs Undistorted', concat_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` ### **三、 关键要点与最佳实践** 为了获得准确可靠的标定结果，请遵循以下建议： | 要点 | 说明与建议 | | :--- | :--- | | **棋盘格质量** | 使用高对比度、平整的棋盘格。打印时确保方格是标准的正方形，且边数（内角点数）设置正确[ref_3]。 | | **图片数量与多样性** | 通常需要15-20张图片。图片应覆盖整个视野，包含不同角度（倾斜、旋转）、不同距离，并让棋盘格出现在图像的不同位置[ref_5]。 | | **角点检测稳定性** | `findChessboardCorners` 可能对光照和模糊敏感。确保图片清晰，光线均匀。使用 `cornerSubPix` 可以显著提高角点坐标精度[ref_3][ref_6]。 | | **评估指标** | **重投影误差**是衡量标定质量的核心指标。一般认为误差小于0.5像素是较好的结果。如果误差过大，应检查角点检测是否正确，或增加更多高质量的标定图片[ref_3][ref_6]。 | | **参数保存与使用** | 标定出的内参和畸变系数应保存下来（如使用`numpy.savez`），供后续的视觉任务（如三维重建、SLAM、测量）直接调用，对图像或视频流进行实时去畸变[ref_5][ref_6]。 | | **鱼眼相机标定** | 若使用广角或鱼眼镜头，需要使用OpenCV的鱼眼模型进行标定，主要函数为 `fisheye.calibrate`，其原理和流程与普通模型类似，但畸变模型不同[ref_1]。 |