张正友标定法详解：棋盘格照片如何算出相机内参与畸变

发布时间：2026/10/25 18:14:55
张正友标定法详解：棋盘格照片如何算出相机内参与畸变

简介：一套面向计算机视觉入门与进阶学习者的张正友标定法实现资料包。资源围绕单平面棋盘格模板，系统呈现摄像机标定的完整技术路线：从针孔模型与内参矩阵出发，经特征点检测、单应性矩阵求解、内外参数估计，再到畸变系数计算与图像校正。内容涵盖摄像机模型、角点检测、参数求解与畸变校正等核心环节，配有m脚本、测试数据及说明文档，可帮助读者理清从模板标定到实际应用的流程。压缩包共27个文件，以10个m脚本为主，辅以9个txt数据/说明、7个asv备份及1个caj论文，整体仅85KB，便于查阅；已有501人学习下载，适合代码研读与算法复现。除可直接运行的脚本函数外，还包含多组测试数据、旋转与单应性计算工具、点归一化函数以及张正友原始文献，便于对照理论逐行验证，是从理论过渡到动手实践的高性价比参考资料。

1. 张正友标定法是什么：为什么棋盘格拍几张照片就能算出相机内参

做视觉测量、机器人抓取或者三维重建的工程师，多半绕不开相机标定。张正友标定法，就是目前最主流的“用棋盘格照片求相机内参和畸变系数”的办法，OpenCV 里calibrateCamera的默认算法就是它。它的价值在于：不需要昂贵的标定设备，只需要打印一张棋盘格，从不同角度拍 10 到 20 张照片，就能得到焦距、主点、畸变系数这些参数。刚接触的人会觉得这是“玄学”——明明每张照片里的角点位置都不一样，为什么算出来的内参是固定的？答案藏在单应矩阵分解里。这篇笔记适合两类人：一是刚入行要自己标定相机的，二是标定结果不稳定想排查原因的，我会把原理、命令、参数和几个拿时间换来的坑一次讲完。

2. 标定前的准备：棋盘格规格、拍摄姿态与采集脚本

2.1 棋盘格的物理尺寸与角点数量怎么选

张正友标定法的输入是棋盘格的“角点”，不是棋盘格的“格子”。OpenCV 里的findChessboardCorners找的是黑白格交界的内部角点。比如一张 9×6 的棋盘格，指的不是 9 行 6 列格子，而是内角点数为 9×6，对应格子数量实际上是 10×7。打印的时候要区分PatternSize和SquareSize两个参数：

  • PatternSize：内角点数，例如(9, 6)，这是代码里检测的目标数量。
  • SquareSize：每个格子的物理边长，单位毫米，例如30，这是后续标定时世界坐标系下角点坐标的间隔。

物理尺寸的选择要看你相机的视野。一般原则是在画面里每个格子至少占 15 到 20 个像素，否则角点检测不稳定。我用过的组合里，500 万像素相机配 30mm 格子的 9×6 棋盘格，在距镜头 0.5 到 1 米范围内效果最好。如果棋盘格太小，角点会被混叠吃掉；如果太大，近距离拍摄时边缘格子出画，内角点数量不足，直接失败。

另一个容易被忽略的点是：棋盘格必须打印在平面上。普通的 A4 纸会翘边，建议贴在硬纸板或者铝塑板上。不要用覆膜反光的材料，高光会导致局部过曝，角点附近的梯度被抹平，检测结果会跳。

2.2 拍摄时覆盖视场与姿态变化的实用规则

采集照片是整个标定里最影响成败的一步。经验法则是：

  • 拍 15 到 20 张，不要少于 10 张。
  • 棋盘格要出现在画面的不同位置：左上、右上、中心、下边缘，都要覆盖。
  • 姿态要有变化：倾斜、俯仰、旋转都要有，不能全是正对相机。
  • 保证棋盘格至少占画面 1/3 以上，最好 1/2。
  • 对焦要清晰，特别是边角处的格子不能糊。

为什么姿态变化这么重要？因为张正友标定法是从每张图的单应矩阵里解出内参的，如果所有棋盘格都正对相机，单应矩阵退化，内参解不出来。我见过不少工程师拍了一堆“很完美”的正对照片，标定结果焦距乱跳，就是这个原因。

采集时还要注意不要移动相机。标定求的是相机内参，不是位姿，相机应该保持固定，只移动棋盘格。如果你用手持相机对着固定棋盘格变换角度，拍出来的图也能标定，但结果一致性会比“相机固定、棋盘格动”要差一些，因为手持抖动引入了额外的运动模糊。

2.3 用 OpenCV 的 findChessboardCorners 做初筛：一段可复用的采集检查脚本

拍完照片不要直接丢给标定函数，先跑一遍角点检测，把不合格的照片剔除。这个初筛能省掉后面调试的很多时间。我一般会写一个检查脚本，批量读图、检测、绘制并保存结果：

import cv2 import glob pattern_size = (9, 6) # 内角点数 (宽, 高) image_paths = sorted(glob.glob("calib_images/*.jpg")) valid_images = [] for path in image_paths: img = cv2.imread(path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) found, corners = cv2.findChessboardCorners( gray, pattern_size, flags=cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_NORMALIZE_IMAGE ) if not found: print(f"跳过: {path} 未找到完整棋盘") continue # 亚像素细化，提升角点位置精度 corners_refined = cv2.cornerSubPix( gray, corners, (11, 11), (-1, -1), (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) ) valid_images.append((path, corners_refined)) cv2.drawChessboardCorners(img, pattern_size, corners_refined, found) out_path = "check/" + path.split("/")[-1] cv2.imwrite(out_path, img) print(f"合格图片数: {len(valid_images)} / {len(image_paths)}")

这段脚本的逻辑很简单：先做粗检测，再用cornerSubPix做亚像素细化。注意findChessboardCorners的flags里我加了ADAPTIVE_THRESH和NORMALIZE_IMAGE，这两个 flag 能处理光照不均和过曝场景，代价是速度稍慢，但标定场景不在乎这点时间。(11, 11)是亚像素搜索窗口的一半尺寸，如果棋盘格在画面里很小，可以改成(5, 5)；如果很大，(21, 21)会慢但更稳。TERM_CRITERIA表示迭代 30 次或精度到 0.001 像素就停。

跑完这个脚本，如果合格图片数少于 10 张，别急着标定，回到拍摄阶段补拍。检查绘制图片时重点看角点是否贴在内角中心，如果有一排角点偏移明显，说明图像模糊或者畸变太重，这张图建议丢掉。

3. 从单应矩阵到内参：张正友标定法的核心原理与数学脉络

3.1 为什么把世界坐标系放在棋盘格平面上

张正友标定法的一大聪明之处是：它不需要你知道棋盘格在空间里的具体位姿，只需要假设棋盘格平面是世界坐标系的 Z=0 平面。这样一来，棋盘格上每个角点的世界坐标(X, Y, 0)可以直接用SquareSize乘以索引得到，比如第(i, j)个角点就是(i*30, j*30, 0)。

相机成像模型把三维点投影到像素坐标，公式是：

s * [u, v, 1]^T = A * [R|t] * [X, Y, 0, 1]^T

因为 Z=0，旋转矩阵的第三列被消掉，原来的 3×4 外参矩阵变成了 3×3 的单应矩阵 H。每张棋盘格照片能估计出一个 H，而 H 同时包含内参 A 和外参（旋转和平移）。这里的关键是：不同照片的外参不同，但内参 A 是同一个。用多张照片的 H 联立解方程，就能把 A 分离出来。

这是整个方法的核心思想：用平面标定物，把非线性的相机标定问题转化成一组线性方程，先求闭式解，再用最大似然优化精化。这也是为什么它比传统 DLT 方法更稳定，因为平面棋盘格的角点提取容易做到亚像素精度。

3.2 单应矩阵 H 如何分解出内参矩阵 A

单应矩阵 H 是 3×3 的，它把棋盘格平面上的点映射到图像平面。设 H 的三列是[h1, h2, h3]，内参矩阵 A 是上三角矩阵，包含焦距 fx、fy 和主点 cx、cy。根据旋转向量的正交性和模长相等约束，可以得到两个关于 A 的基本方程：

h1^T * (A^{-T} * A^{-1}) * h2 = 0 h1^T * (A^{-T} * A^{-1}) * h1 = h2^T * (A^{-T} * A^{-1}) * h2

这里的A^{-T} * A^{-1}是一个对称矩阵，张正友用B来表示它。因为 B 是对称的，只有 6 个未知数，所以一张照片能贡献两个方程。理论上 3 张照片就能解出 6 个未知数，实际通常拍 10 张以上是为了抵抗噪声和数值误差。

解出 B 之后，再对 B 做 Cholesky 分解或者直接按元素反解，就能得到内参矩阵 A。这一步在 OpenCV 里由cv2.calibrateCamera内部完成，不需要你手写。但理解这个脉络能帮你排查问题：如果照片数量少或者姿态单一，B 的方程是欠约束的，求出来的焦距自然不可信。

3.3 畸变系数的引入与非线性优化：让重投影误差说话

线性求解出来的内参只是初始值，因为没有考虑镜头畸变。张正友标定法使用了一个常用的畸变模型，包含径向畸变 k1、k2（以及可选 k3）和切向畸变 p1、p2：

x_distorted = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + 2*p1*x*y + p2*(r^2 + 2*x^2) y_distorted = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + p1*(r^2 + 2*y^2) + 2*p2*x*y

其中(x, y)是归一化相机坐标系下的坐标，r^2 = x^2 + y^2。畸变系数先用最小二乘估计初始值，然后把内参、外参、畸变系数一起扔进非线性优化器，优化的目标是最小化所有角点的重投影误差：

sum( || m_ij - project(A, k, R_i, t_i, M_j) ||^2 )

OpenCV 默认用 Levenberg-Marquardt 算法做这个优化。最终输出的retval就是每个角点的平均重投影误差，单位是像素。这个值通常应该小于 0.5，如果超过 1，说明标定输入有问题。

这一节想强调的是：重投影误差是衡量标定质量的唯一直接指标，但它不是万能的。误差小只代表“这些照片的内部一致性”好，不代表真实世界精度高。后面避坑章节里我会讲一个误差很小但实际效果翻车的案例。

4. 用 OpenCV 跑通最小标定流程：从图片目录到相机参数文件

4.1 calibrateCamera 的完整调用与参数含义

有了合格角点，标定主流程就很简单。下面是完整代码，它读取上一步保存的角点数据，计算世界坐标，调用标定函数并打印结果：

import numpy as np import cv2 import json # 上面第 2 节筛选出来的角点列表，每个元素是 (image_path, corners_refined) # 这里直接构造标准输入格式 square_size = 30.0 # 棋盘格边长，单位 mm pattern_size = (9, 6) # 与角点检测时一致 obj_points = [] # 世界坐标点集 img_points = [] # 像素坐标点集 for img_path, corners in valid_images: # 生成棋盘格世界坐标：z=0 平面，单位 mm 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) * square_size obj_points.append(objp) img_points.append(corners.reshape(-1, 1, 2)) # 相机分辨率，可以从图片读取 img_sample = cv2.imread(valid_images[0][0]) h, w = img_sample.shape[:2] # 标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, (w, h), cameraMatrix=None, distCoeffs=None, flags=cv2.CALIB_RATIONAL_MODEL # 启用 k1-k3, p1-p2 共 5 个畸变系数 ) print(f"重投影误差: {ret:.4f} 像素") print("内参矩阵:\n", mtx) print("畸变系数:\n", dist.ravel()) # 保存为 JSON，方便后续程序读取 calib_data = { "image_width": w, "image_height": h, "camera_matrix": mtx.tolist(), "dist_coeffs": dist.ravel().tolist(), "rms_error": ret } with open("camera_params.json", "w") as f: json.dump(calib_data, f, indent=2)

参数说明：calibrateCamera的第一个参数是每张图的世界坐标点列表，第二个是像素坐标点列表，这两个列表长度必须一致。第三个是图像尺寸(w, h)，注意 OpenCV 里宽在前。cameraMatrix=None表示让算法自动估计内参，如果你想固定主点位置，可以传入一个初始矩阵并配合CALIB_FIX_PRINCIPAL_POINT使用，但新手不建议这么做。CALIB_RATIONAL_MODEL会估计 5 个畸变系数，普通镜头用None或者CALIB_RATIONAL_MODEL都行，但如果镜头畸变很轻，用 5 参数模型可能过拟合，这时建议用默认 4 参数模型，即去掉这个 flag。

4.2 保存标定结果为 YAML/JSON：内参矩阵与畸变系数怎么用

保存成 JSON 是为了让其他程序方便加载。内参矩阵mtx的排布是：

[fx, 0, cx] [ 0, fy, cy] [ 0, 0, 1]

其中fx = f / dx，fy = f / dy，dx、dy是像素尺寸。如果你的像素是正方形，fx和fy应该非常接近。如果两者相差超过 5%，第一反应不是镜头问题，而是标定板姿态覆盖不够，或者照片里有严重的透视变形没被模型解释掉。

畸变系数dist是个 1×5 的矩阵，顺序是[k1, k2, p1, p2, k3]。在用 OpenCV 去畸变时，直接传给cv2.undistort即可。注意不要弄混顺序，我曾经把[k1, k2, k3, p1, p2]当成 OpenCV 的顺序传进去，结果图像边缘扭曲，换了 5 分钟才意识到。

4.3 角点检测不完整时的处理：亚像素参数与CALIB_CB_EXHAUSTIVE

实战里经常遇到findChessboardCorners检测不到完整棋盘的情况。除了重拍，还有两个可调的偏方。

第一个是降低pattern_size的要求，比如检测 8×5 的内角点，如果完整 9×6 检测失败。这个做法能用，但代价是标定板外圈的信息被丢弃，导致视场边缘的畸变估计不准。适合应急，不适合追求精度的场景。

第二个是启用CALIB_CB_EXHAUSTIVE参数。OpenCV 4.x 里这个 flag 会做更密集的角点搜索，速度慢但能提高检出率。代价是偶尔会误检，跑完初筛脚本后一定要人眼检查绘制图。

亚像素细化的窗口大小也要根据分辨率调整。500 万像素图里棋盘格单格约 30 像素，窗口(11, 11)够用；如果是 1200 万像素，建议(21, 21)。窗口太小，角点位置会偏；窗口太大，边缘处的非角点容易被拉进来。这个参数没有绝对最优，我通常会在保存结果前用cornerSubPix反复细化两次，把maxIter从 30 提到 50，能换回零点几个像素的精度。

5. 张正友标定法常见问题排查：5 个让标定翻车的真实案例

5.1 现象：重投影误差小于 0.3，但去畸变后图像边缘扭曲严重

这是最隐蔽的坑。误差小通常意味着标定模型拟合得很好，但边缘扭曲说明畸变模型没有覆盖真实镜头的变形，或者边缘的角点参与太少了。原因是畸变系数主要由画面边缘的棋盘格决定，如果你拍的图里棋盘格只在画面中心区域移动，边缘畸变没有被充分激励，算法就会低估畸变系数。

解决方法是回到采集阶段：画面边缘四角都要让棋盘格出现，即使只有一半棋盘在画框内也可以。如果某些姿态下无法检测完整角点，可以用 7×5 或者更小的内角点数量重新标，但需要注意不同图像使用不同 pattern_size 可能需要分开处理。

5.2 现象：不同图片组合标出的焦距波动超过 5%

同一台相机，用 10 张图标定焦距是 1200，换另外 10 张变成 1280，这种波动说明标定输入不稳定。常见原因有两个：一是照片中有运动模糊，角点亚像素位置偏移；二是姿态覆盖不够，特别是绕光轴的旋转角度变化太少。

处理办法是做一个滑窗测试：从照片集里随机抽 2/3 的子集各标定 5 次，看焦距的标准差。标准差如果大于焦距值的 1%，就回到采集步骤补拍。这个测试没必要写复杂脚本，手动多跑几次calibrateCamera就行。

5.3 现象：findChessboardCorners 明明能检测，却报“Chessboard detection failed”

这类错误通常发生在循环批量处理图片时。原因多半是图片列表里有非标定板照片、灰度图通道数不对、或者pattern_size和实际棋盘不匹配。我犯过的错是：拍摄时把棋盘格照片里的某一张换成了不同格数的棋盘，检测脚本的pattern_size没变，结果有的图能检测、有的不能。

解决方法是每张图检测前打印image.shape和检测状态，发现异常先看一眼图片内容。另外要确保所有图片都是从同一块棋盘拍摄的，不要混用不同规格的标定板。

5.4 现象：棋盘格只出现在画面中心时，结果不稳定

中心区域是畸变影响最小的区域，也是单应矩阵条件数最差的区域。因为当棋盘格很小时，单应矩阵对姿态角的变化不敏感，内参解算的数值稳定性变差。从数学上看，单应矩阵 H 的估计误差会被放大到内参上。

解决办法是老规矩：让棋盘格在画面不同位置倾斜，尤其是画面四角。还有一个技巧：拍摄时让棋盘格平面与相机光轴成 45 度左右的夹角，这样角点分布能撑满更宽的视场范围，观察到的畸变分量更丰富。

5.5 现象：鱼眼镜头直接套用 calibrateCamera 失败或误差巨大

普通针孔模型加 5 参数畸变不能描述鱼眼镜头的强畸变。张正友标定法本身适用于普通镜头和轻微畸变的广角镜头，鱼眼要用cv2.fisheye.calibrate，它使用等距投影模型。如果你手上只有普通标定函数，可以考虑缩小棋盘格在画面中的占比，只标定中心区域，但这样边缘畸变就不要想了。

我遇到过一个更平常的问题：手机前置摄像头外参矩阵在标定时出现负的 tz，代表标定板在相机后面的伪解。这个需要检查图片是否有镜像翻转。OpenCV 的cv2.imread读出来是正常的，但如果你的图集被处理过做了水平翻转，角点坐标就和世界坐标对不上，结果就翻车。检查方法是看第一张图的角点顺序是不是从左到右、从上到下排列。

6. 让标定结果更可靠的一个技巧：用重投影误差做质量门禁与自动化筛选

最后分享一个我每次标定都会做的技巧：不只输出一个总误差，而是输出每一张图片的单独重投影误差，用这个误差做质量门禁，自动剔除贡献大的“坏图”。很多人只盯着calibrateCamera返回的总ret，但总误差是平均过的，一张坏图可能被其他好图平均掉。

做法是在标定后对每个角点重新投影，计算每张图的均方根误差：

def per_image_error(obj_points, img_points, rvecs, tvecs, mtx, dist): errors = [] for i in range(len(obj_points)): proj, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist) err = np.mean(np.linalg.norm(proj[:, 0, :] - img_points[i][:, 0, :], axis=1)) errors.append(err) return errors errs = per_image_error(obj_points, img_points, rvecs, tvecs, mtx, dist) for idx, e in enumerate(errs): print(f"图像 {idx}: 误差 {e:.3f} 像素")

逻辑说明：projectPoints用当前标定结果的内参、外参把世界坐标重新投影到图像，再和检测到的像素坐标做差。误差大的图片说明要么角点提取有偏差，要么该视角下模型拟合不好。一般以 0.8 像素作为门禁，超过就剔除，然后重新标定。

这个技巧的另一个用法是评估新增照片的价值。标定完成后如果你还想补拍照片提高精度，先拿新增照片算一下误差，如果误差和当前平均水平差不多，就加进去；如果特别大，说明姿态太极端或者有遮挡，补了反而拉低整体精度。这比盲目加照片高效得多。

另外，验证标定质量不能只看重投影误差。一个更贴近实际需求的验证是在真实场景里测量：用标定结果去畸变一张包含已知长度物体的图像，用像素距离乘以比例算出物理长度，和真实长度对比。这个做法的好处是能暴露“摄影测量意义上的精度”问题，而重投影误差只能说明对棋盘格自身的拟合程度。我吃过亏的情况是：重投影误差 0.2 像素，但用去畸变图像做 0.5 米距离的尺寸测量，误差到了 3 毫米，最后查下来是棋盘格贴纸本身不平整，角点世界坐标引入了几毫米偏差。所以标定板平面的平整度永远是最值得投资的硬件前提。

我的习惯是每一批标定都保留原始图片、筛选后的角点、以及最终参数三个文件，这样后续发现问题还能回头排查。这套流程从采集到出参数，熟练后十分钟内能跑完，但中间沉淀下来的这些边界条件和参数取舍，才是真正决定标定质量的东西。希望这篇笔记能帮你少走几步弯路。

本文还有配套的精品资源，点击获取