棋盘格相机标定全流程：OpenCV内参畸变校正与误差排查

简介：面向计算机视觉初学者及需要落地相机标定工程的开发者，这份资料以张正友标定法为主线，提供可直接运行的OpenCV实现与配套采集数据，着力解决从原理理解到参数输出之间的实践断层。压缩包共107个文件，约95.67MB，主体为60张jpg标定图，另含cpp源码、VS2015工程与解决方案文件、棋盘格打印pdf、bat批处理脚本、mat结果数据及编译中间文件；手机与摄像头两组拍摄图可用于对比不同成像条件下的标定表现。工程注释较完整，支持一键运行，涵盖内参、外参、旋转与平移矩阵求解，并给出标定效果评价及原始棋盘图矫正，标定结果与Matlab较为接近。已有6820人学习下载，适合课程实验、项目预研和算法复核时作为可复现的参考样例。

1. 一张棋盘格照片背后的标定账：棋盘格相机标定能解决什么

相机标定这件事，很多人第一次翻车不是算法不会写，而是棋盘格打印比例错了、图片拍得太正，最后重投影误差看着不大，实际测距就是偏。这份资源把 OpenCV 实现、棋盘格打印 PDF 和测试图片放在一起，解决的是从“拍板子”到“拿到内参、畸变系数并完成校正”的完整闭环，适合做机器人抓取、AR 贴图、双目测距、工业视觉入门的人。它不追求标定场那套昂贵设备，核心就是棋盘格平面标定：打印一张板、拍十几张姿态、跑一遍角点检测和calibrateCamera，再把参数落到实际图像上验证。下面按我实际复现的顺序拆，先讲清楚内参和外参在解什么，再落到打印、拍摄、代码和排错。

2. 相机模型与标定量：内参、外参、畸变在解什么

2.1 针孔模型：像素坐标背后是一条三维射线

棋盘格标定不是“把图片变清晰”的滤镜，它解的是相机成像的几何参数。最常用的针孔模型把三维点从相机坐标系投到像素平面，核心是一个 3×3 内参矩阵：

K = [[fx, skew, cx], [0, fy, cy], [0, 0, 1]]

fx、fy是焦距在像素尺度上的表达，cx、cy是主点，通常接近图像中心但不一定正好在中心。skew在大多数现代相机里接近 0，OpenCV 默认也不强制估计它。标定要拿到的就是这几个数，外加每张图片对应的旋转向量rvec和平移向量tvec。外参不是相机固有属性，它描述的是“这张棋盘格在拍摄那一刻相对相机的位置”，所以同一台相机拍不同姿态，内参应该稳定，外参每张都变。

很多人把fx和镜头焦距毫米数混在一起。镜头标称 6mm、8mm 是物理焦距，fx是像素焦距，二者差一个像元尺寸的换算关系。实际调试时不要拿镜头铭牌去反推fx，而是看标定结果是否稳定：同一台相机、同一分辨率、同一焦距下，多次标定的fx、fy应该接近，cx、cy不应该跑到图像外面。如果fx和fy相差很大，先怀疑图片姿态太单一或者棋盘格不是正方形网格，而不是急着改代码。

2.2 畸变模型：径向占主导，切向别忽略

针孔模型是直线投影，但真实镜头会让直线在图像边缘弯掉。OpenCV 的常用畸变模型是：

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

k1、k2、k3是径向畸变，广角镜头通常k1为负，表现为桶形畸变；长焦或某些镜头可能出现枕形。p1、p2是切向畸变，来自镜头和传感器不完全平行，量级一般比径向小，但在高精度测量里不能随手丢掉。普通工业镜头用 5 参数(k1,k2,p1,p2,k3)足够，鱼眼镜头不要硬套这个模型，OpenCV 有单独的cv2.fisheye模块，模型和初始化方式都不一样。

这里有一个选型判断：如果只是做 1080p 视频里贴个 AR 标签，5 参数畸变加一次undistort就够；如果要做亚像素级测量，必须看校正后边缘直线的弯曲程度，而不是只看 RMS。RMS 是重投影误差的均方根，它衡量的是“三维棋盘格角点投回图像后和检测角点的平均偏差”，单位是像素。RMS 小不代表畸变模型适合你的镜头，尤其画面边缘样本少的时候，RMS 会被中心区域拉低。

2.3 棋盘格平面标定：闭式初值加最大似然

棋盘格平面标定的思路不复杂：棋盘格是平面，世界坐标可以令Z=0，于是单应矩阵把平面点映射到像素点。每张图提供一个单应矩阵，多个姿态的单应矩阵给内参矩阵施加约束，先解出一个闭式初值，再用最大似然优化把所有参数一起调整，让重投影误差最小。OpenCV 的calibrateCamera做的就是这套流程，内部会先用初值跑优化，所以输入图片的质量比算法细节更决定结果。

为什么这套方法能成为入门首选？棋盘格容易打印，角点定义明确，OpenCV 的findChessboardCorners和cornerSubPix成熟，测试图片可以直接复现。圆点标定板在远距离、部分遮挡、大视场下可能更稳，但对打印精度和检测器要求更高；这份资源带的是棋盘格 PDF 和测试图片，先把棋盘格跑通，比一上来换标定板更划算。

2.4 标定前先盘点三个参数

动手前我会先建一张记录表，不然后面参数对不上，排错会变成玄学。至少要记录：图像分辨率、镜头焦距是否可变、棋盘格打印后的实际方格边长。分辨率决定cx、cy的量级；变焦镜头如果中途拧过，内参就变了，必须重新标；方格边长填错，外参平移量会整体缩放，重投影误差却可能看起来正常，这是最隐蔽的坑。

这张表不是形式主义。后面代码里的PATTERN_SIZE和SQUARE_SIZE都从这里来，测试图片换一批、镜头换一个，记录表也要跟着换。标定结果一旦要交付给下游，记录表比一段没有上下文的K矩阵更有用。

3. 棋盘格PDF与测试图片：打印、拍摄、命名三步落地

3.1 打印PDF：比例、平整度与反光

棋盘格 PDF 最容易翻车的地方是打印比例。打印对话框里默认可能有“适应页面”“缩放以适合”，这会把方格边长改掉。正确做法是选实际大小或 100% 比例，纸张用 A4，打印后拿尺子量连续 10 个方格的总长度再除以 10，得到实际边长。不要直接相信 PDF 上标的 25mm，打印机进纸误差、纸张热胀冷缩都会让实际值差一点。这个实测值要填进代码的SQUARE_SIZE，单位统一用米，25mm 就写 0.025。

第二是平整度。打印纸用胶带贴在硬纸板或亚克力板上，四边和中间都要贴住，不能拱起来。棋盘格一旦弯曲，平面假设就被破坏，角点检测看着没问题，重投影误差会飘。第三是反光。亚光纸比铜版纸好，表面覆膜容易在灯光下形成高光，角点被吃掉。拍摄时让光源从两侧打，不要正对棋盘格打闪光灯。棋盘格如果脏了、折了，直接重新打印，不要试图用图像处理补，补出来的角点坐标不可信。

3.2 拍摄：姿态覆盖比数量更重要

我见过有人拍 50 张，全部是棋盘格正对镜头、只平移不旋转，标定结果依然不稳。原因是平面标定需要不同姿态提供约束，纯平移会让单应矩阵退化。合格的一组图片至少覆盖：棋盘格在画面中心、左上、右上、左下、右下；每张有 20°～45° 的倾斜；远近各来几张，让棋盘格占画面 1/3 到 2/3；绕光轴旋转几个角度，比如 0°、45°、90°。数量上 15～25 张通常够用，但姿态覆盖比数量重要。如果只能拍 8 张，也要保证四个角和中心都有。

拍摄时相机要固定焦距。手机自动对焦、变焦镜头中途拧动、工业相机换光圈，都会改变内参。手持拍摄可以，但快门速度要够，运动模糊会让cornerSubPix的亚像素结果偏。棋盘格不要过曝，黑白交界清晰但不溢出。每拍一张检查一下角点是否完整，边缘被裁掉的棋盘格不要用，内角点必须全部落在图像内。

3.3 测试图片：命名、筛选与目录结构

资源里的测试图片可以直接跑，但我建议按自己的拍摄批次重新组织目录，不要把不同镜头、不同分辨率的图片混在一个文件夹。下面这套目录和重命名命令是我常用的，先把原始图放raw/，筛过的图放test_images/，角点可视化放debug/：

mkdir -p raw test_images debug # 批量重命名，保留原始顺序，避免中文名和空格影响读取 i=0 for f in raw/*.jpg; do i=$((i+1)) cp "$f" "test_images/calib_$(printf '%03d' $i).jpg" done

这段命令做两件事：建立三个目录，把原始图复制成calib_001.jpg这种无空格、无中文的连续文件名。printf '%03d'保证排序稳定，后面 Python 里用sorted(glob)时不会因为文件名顺序乱掉。复制而不是移动，是为了保留原始图，后面筛图时还能回头查。debug/用来存drawChessboardCorners的可视化结果，哪张图角点检测错了，一眼能看出来。

筛图的标准很简单：棋盘格完整、不模糊、不过曝、内角点数量对得上。同一批里如果有几张明显失焦，不要舍不得，删掉比硬标好。文件名里可以带距离和角度，比如calib_005_50cm_30deg.jpg，后面看单张误差时能对应到拍摄条件。测试图片不是越多越好，重复姿态的图片对优化贡献很小，反而可能把误差分布拉偏。

4. OpenCV标定全流程：从角点检测到calibrateCamera

4.1 角点检测与亚像素优化

先把最小可运行代码跑通。下面这段按 9×6 内角点、25mm 方格边长写，实际用 PDF 时以你手上棋盘格的内角点为准。注意PATTERN_SIZE是内角点数量，不是方格数量，9×6 内角点对应 10×7 个方格。

import cv2 import numpy as np from pathlib import Path # 内角点数量：列×行，必须和棋盘格 PDF 一致 PATTERN_SIZE = (9, 6) # 打印后实测的方格边长，单位米；25mm 写 0.025 SQUARE_SIZE = 0.025 IMG_DIR = Path("test_images") DEBUG_DIR = Path("debug") DEBUG_DIR.mkdir(exist_ok=True) # 亚像素迭代终止条件：30 次或步长小于 1e-3 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 1e-3) # 世界坐标：Z=0，按列优先展开，和检测角点顺序对应 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 objpoints, imgpoints = [], [] image_size = None for p in sorted(IMG_DIR.glob("*.jpg")): img = cv2.imread(str(p)) if img is None: print("读取失败", p.name) continue gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 自适应阈值 + 归一化，适合光照不均的测试图 found, corners = cv2.findChessboardCorners( gray, PATTERN_SIZE, flags=cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_NORMALIZE_IMAGE ) if not found: print("未找到角点", p.name) continue # 亚像素优化窗口 11×11，搜索窗口 -1 表示按默认 corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp.copy()) imgpoints.append(corners) image_size = gray.shape[::-1] vis = cv2.drawChessboardCorners(img.copy(), PATTERN_SIZE, corners, found) cv2.imwrite(str(DEBUG_DIR / f"corners_{p.name}"), vis) print("有效图片数", len(objpoints), "图像尺寸", image_size)

这段代码的关键不是findChessboardCorners本身，而是顺序和参数。objp用mgrid生成规则网格，乘SQUARE_SIZE后单位是米；objpoints每张图复制一份，因为后面优化不会改它，但复制能避免引用问题。cornerSubPix必须在灰度图上做，窗口(11,11)对 1080p 棋盘格通常够，棋盘格占画面很小时可以适当放大到(15,15)，但不要过大，否则会把邻近角点拉进来。image_size取gray.shape[::-1]，得到(width, height)，传给calibrateCamera的顺序不能反。

如果某张图found=False，先看debug/里有没有可视化。没有可视化说明检测阶段就失败了，常见原因是PATTERN_SIZE写成了方格数而不是内角点数，或者打印比例导致角点太密。不要急着加cv2.CALIB_CB_FAST_CHECK，那个标志会降低检测率，适合视频流粗筛，不适合静态标定图。

4.2 标定主循环：对象点、图像点与RMS

角点齐了之后，标定本身只有一行核心调用：

# 标定：输入世界坐标、图像坐标、图像尺寸 ret, K, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, image_size, None, None ) print("RMS 重投影误差", ret) print("内参 K=\n", K) print("畸变系数 dist=", dist.ravel()) # 逐张计算重投影误差，定位坏图 total_error = 0.0 per_view = [] for i in range(len(objpoints)): imgpts, _ = cv2.projectPoints( objpoints[i], rvecs[i], tvecs[i], K, dist ) err = cv2.norm(imgpoints[i], imgpts, cv2.NORM_L2) / len(imgpts) per_view.append((i, err)) total_error += err print("平均重投影误差", total_error / len(objpoints)) print("单张误差", per_view) # 保存参数，后续校正直接加载 np.savez("camera_calib.npz", K=K, dist=dist, rvecs=rvecs, tvecs=tvecs, rms=ret)

calibrateCamera返回的ret是 RMS，单位像素，通常希望小于 1，做测量时尽量压到 0.5 以下，但不要为了追小误差把图片删到只剩中心几张。rvecs、tvecs是每张图的外参，projectPoints用它们把世界坐标投回图像，和检测到的imgpoints做 L2 距离，再除以角点数，得到单张平均误差。逐张看误差比只看总 RMS 有用：如果总 RMS 是 0.6，但某一张是 3.2，说明那张图有问题，可能是模糊、角点错位或者棋盘格不平。

np.savez把K、dist、外参和 RMS 一起存下来，文件名不要用中文。后面做校正、做测距、做双目，都从这个文件读，避免每次重新标。注意dist的形状可能是(1,5)，用的时候dist.ravel()或直接传都可以，但自己写矩阵运算时记得展平。

4.3 畸变校正与参数落盘

标定完必须做一次校正验证，不然参数错了也看不出来。下面用getOptimalNewCameraMatrix加undistort：

import cv2 import numpy as np data = np.load("camera_calib.npz") K, dist = data["K"], data["dist"] img = cv2.imread("test_images/calib_001.jpg") h, w = img.shape[:2] # alpha=1 保留全部像素，边缘会有黑边；alpha=0 裁掉黑边但会丢视场 newK, roi = cv2.getOptimalNewCameraMatrix(K, dist, (w, h), 1, (w, h)) undist = cv2.undistort(img, K, dist, None, newK) # roi 是有效区域，需要裁切时再用 x, y, rw, rh = roi undist_crop = undist[y:y+rh, x:x+rw] cv2.imwrite("undist_full.jpg", undist) cv2.imwrite("undist_crop.jpg", undist_crop) print("newK=\n", newK) print("roi=", roi)

alpha=1表示保留所有校正后的像素，适合检查边缘畸变；alpha=0会把黑边裁掉，适合直接出图，但会损失视场。getOptimalNewCameraMatrix返回的新内参newK要和undistort配套用，不能拿旧K去裁切。roi是有效区域，裁切时注意x,y可能为负？OpenCV 返回的 roi 一般是非负的，但不同版本行为略有差异，裁切前打印确认。校正后看直线：门框、桌边、棋盘格边线，如果边缘还是弯的，要么畸变模型不够，要么图片边缘样本太少。

5. 避坑与排查：重投影误差大、角点错位、参数发散

5.1 角点检测失败：先怀疑内角点数量和打印比例

现象：findChessboardCorners对大部分图片返回False，或者只在某几张正对图片上成功。原因通常不是算法坏了，而是PATTERN_SIZE填错。棋盘格 PDF 上数的是方格数，代码要的是内角点数，10×7 个方格对应 9×6 个内角点。另一个原因是打印缩放，方格太小导致角点粘连，或者打印太大超出画面。解决：先用drawChessboardCorners把检测结果画出来，拿一张图手动数内角点；打印时选 100% 比例，量实际边长；如果棋盘格占画面太小，靠近拍或者换更大纸张。不要用cv2.CALIB_CB_FAST_CHECK硬扛，静态图不需要。

5.2 重投影误差超过1像素：逐张看误差，不要只看RMS

现象：总 RMS 看着 0.8，但实际测距偏，或者某几张图误差明显高。原因可能是SQUARE_SIZE和实际打印边长不一致、图片有运动模糊、角点被高光吃掉、不同焦距的图片混在一起。解决：先量 10 个方格总长除以 10，更新SQUARE_SIZE；再打印单张误差，把误差大于 2 像素的图挑出来看debug/可视化；模糊图、过曝图直接剔除；确认拍摄过程中没有拧变焦环。不要为了让 RMS 变小反复调cornerSubPix窗口，窗口只影响亚像素精度，救不了错位的角点。

5.3 焦距主点离谱：姿态太正、图片太少

现象：fx和fy差很多，cx、cy跑到图像角落，或者多次标定结果跳变。原因：棋盘格全部正对镜头，单应矩阵约束退化；图片数量太少，优化没有足够观测；棋盘格只占画面中心一小块，边缘畸变没有样本。解决：补拍四个角和倾斜姿态，每张倾斜 20°～45°，让棋盘格覆盖画面不同区域；至少保留 12～15 张有效图；如果镜头是广角，边缘一定要有棋盘格。标定不是解方程越多越好，而是观测要覆盖待估参数的影响范围。

5.4 校正边缘拉丝：畸变模型和alpha用错

现象：undistort后图像边缘出现拉伸、黑边很大，或者裁切后视场小得没法用。原因：alpha参数选错，alpha=0会裁掉大量边缘；鱼眼镜头用了普通 5 参数模型，边缘怎么调都拉不直；newK和K混用。解决：先用alpha=1看全图，确认边缘畸变是否被拉直；鱼眼镜头换cv2.fisheye.calibrate和cv2.fisheye.undistortImage；裁切时用getOptimalNewCameraMatrix返回的roi，不要自己拍脑袋定边界。校正后拿一张带直线的图复测，直线弯不弯比参数表更直观。

6. 验收标定结果的三个动作：误差分布、留一验证与参数冻结

标定跑完不等于能用，我验收时只看三件事。第一，单张重投影误差分布：总 RMS 小于 1 只是及格线，把每张图的误差打印出来，超过 2 像素的图回到debug/看角点，别让一张坏图拉低整体可信度。第二，留一验证：把图片分成两组，各标一次，比较fx、fy、cx、cy和k1、k2的差异，差异大说明样本覆盖不够，补拍比调参有用。第三，参数冻结后复测：用camera_calib.npz里的K、dist去校正一张没参与标定的图，看门框、桌边、棋盘格边线是否直，再看getOptimalNewCameraMatrix的roi是否合理。

那张表我一般会贴在项目目录里，谁接手都能对上。从那以后我每次标定都强制走一遍“逐张误差、留一验证、冻结复测”，不再只看一行 RMS 就收工。希望帮到你。

本文还有配套的精品资源，点击获取