OpenCV双目立体标定与校正实战：从棋盘格到视差图避坑

简介：这份资源是一份基于OpenCV的双目视觉立体标定与校正代码文档，面向已具备一定C++与计算机视觉基础、正在做双目相机标定实验或三维重建项目的开发者和学生，解决从棋盘格图像采集到参数估计、图像校正的完整流程实现问题。压缩包共1个文件，为doc文档，约294KB，内容以源码分析为主线，包含StereoCalib函数的实现讲解与关键代码片段。文档围绕cv::stereoCalibrate完成内外参估计，借助cv::undistort去除镜头畸变，并用cv::stereoRectify做立体校正，同时说明了标定flag的取值含义、棋盘格角点数与方格尺寸等输入参数的设置方式，以及标定结果写入文件的处理思路。读者可据此理解双目标定的整体链路，将示例代码迁移到自己的相机型号与采集环境中，减少在参数配置和接口调用上的试错成本。目前已有2595人学习，适合作为双目视觉入门到实践的参考材料。

1. 一对摄像头摆上支架之后，先别急着开 SGBM

两个摄像头拧上铝型材，很多人第一反应是直接跑 SGBM 看视差图，结果参数调了两天还是满屏麻点——问题八成不在匹配算法，而在前面的双目视觉立体标定与校正没做干净。这份基于 OpenCV 的双目立体标定与校正代码，干的就是这件事：读一组棋盘格图，跑cvStereoCalibrate拿到双目内参和外参，再用cvStereoRectify或cvStereoRectifyUncalibrated算校正映射，cvRemap之后左右图的行就对齐了，顺手还能出一张 BM 视差图。它出自经典教材的配套示例，C 接口写成，代码不长，但两套校正路线、标定质量自检、StereoBM 参数一个不缺。刚搭好硬件想先跑通基线的人，和匹配调到怀疑标定的人，都值得先把它啃一遍。

2. 立体标定的数学模型：内参、外参、本征矩阵和基础矩阵怎么串起来

2.1 为什么左右各标一次再拼起来不行

单目标定做的事，是让一个相机知道自己镜头的焦距、主点和畸变；双目要做的事，是让两个相机知道彼此站着的位置差。看着只差一步，坐标系却完全不同。左右相机各自标定时，棋盘格在左视图坐标系里有一套 R1、t1，在右视图坐标系里有一套 R2、t2，它们描述的是「棋盘相对相机」，而两次拍摄时棋盘可以摆在任意位置——这两个 R 之间没有任何可比性，硬拼出来的基线是错的。

正解是让同一块棋盘同时出现在左右视野里，把「同一组三维物点、两套二维像点」一起丢进优化器，让左右相机的内外参在同一个重投影误差下联合求解。这样输出的R和T才有物理意义：T的模就是基线长度，T的 x 分量（水平双目时）近似就是两台相机的光心间距。这个数字直接决定深度精度，Z = f·B/d，基线 B 差 5%，十米外的深度就偏 5%。所以squareSize这种看着不起眼的量纲参数，后面会反复咬人。

源码里的cvStereoCalibrate调用就是把这件事一次做完：既输出 M1、D1、M2、D2，也输出 R、T、E、F。E 是本征矩阵，F 是基础矩阵，两者关系是E = T× · R、F = M2⁻ᵀ · E · M1⁻¹。E 在归一化坐标下描述对极约束，F 在像素坐标下描述，后者才是能直接拿像素点验证的那个。

2.2cvStereoCalibrate的十五个参数逐个拆

这个函数参数多到反人类，但只要按「输入点 → 输出内参 → 输出外参 → 优化控制」四段去读，就不乱了。

源码里的调用长这样，我补上了返回值判断：

// 立体标定：一次求解左右内参 + 相对位姿 CvMat _objectPoints = cvMat(1, N, CV_32FC3, &objectPoints[0]); CvMat _imagePoints1 = cvMat(1, N, CV_32FC2, &points[0][0]); CvMat _imagePoints2 = cvMat(1, N, CV_32FC2, &points[1][0]); CvMat _npoints = cvMat(1, npoints.size(), CV_32S, &npoints[0]); cvSetIdentity(&_M1); // 内参初值：单位阵 cvSetIdentity(&_M2); cvZero(&_D1); // 畸变初值：全零 cvZero(&_D2); int ok = cvStereoCalibrate( &_objectPoints, &_imagePoints1, &_imagePoints2, &_npoints, &_M1, &_D1, &_M2, &_D2, // 输出内参与畸变 imageSize, // 仅用于内参细化 &_R, &_T, &_E, &_F, // 输出相对位姿与 E、F cvTermCriteria(CV_TERMCRIT_ITER + CV_TERMCRIT_EPS, 100, 1e-5), CV_CALIB_FIX_ASPECT_RATIO + CV_CALIB_ZERO_TANGENT_DIST + CV_CALIB_SAME_FOCAL_LENGTH); if (ok == 0) { fprintf(stderr, "stereo calibrate failed: check correspondences\n"); }

这里的逻辑顺序值得说清楚：先给初值，再求解，最后判返回值。内参初值给单位阵不是偷懒，而是让优化器从「一个焦距等于 1 的针孔模型」起步，靠 LM 迭代收敛到真实值；如果给了一组离谱的初值（比如手填了 5000），反而容易在错误的局部极小值停下。返回值 0 表示求解失败，最常见的原因是有效棋盘帧数太少、或者所有角点近似共线，此时不会抛异常，只会静默给你一堆垃圾数字，所以这个判断别省。

参数里最容易被忽略的是imageSize。源码取的是最后一帧图像的尺寸，如果这组图里混进了不同分辨率的照片，这个值就是错的，内参细化会偏。我一般会在读图的循环里加一句尺寸一致性检查，不一致直接报错退出，比后面查半天强。

2.3 三个标定 flag 的取舍：什么时候该放，什么时候该收

源码用的组合是CV_CALIB_FIX_ASPECT_RATIO + CV_CALIB_ZERO_TANGENT_DIST + CV_CALIB_SAME_FOCAL_LENGTH，这三个不是随便挑的。

CV_CALIB_FIX_ASPECT_RATIO把 fy/fx 锁成一个自由参数，等于承认「像素是方的」。绝大多数工业相机和 USB 相机确实如此，锁上能少一个自由度，在小样本（十几帧）时明显更稳。但如果相机用了非方形像素或者做过裁剪缩放，这条就得去掉，否则标出来的焦距看上去很漂亮，实际重投影误差会异常偏大。

CV_CALIB_ZERO_TANGENT_DIST强制切向畸变 p1、p2 为 0。镜片装配良好的相机切向畸变确实接近零，锁掉它能防止这两个参数在噪声里乱跑——这是最常见的翻车点之一：不锁的时候，某些数据集会解出 p1 = 0.03 这种量级，然后你拿它去畸变，边角直接被拽歪。但如果镜头明显歪（比如拆机重装的模组），锁死反而掩盖问题，这时应该放开，同时把帧数堆到 30 以上。

CV_CALIB_SAME_FOCAL_LENGTH假设左右相机焦距完全相同。同一批次同一型号的模组通常成立，但如果你手上是两只来源不同的镜头，这条必须去掉，否则优化器会强行让两边妥协，误差全压到主点上。

判断标准不玄学：跑一遍看avg err，把某个 flag 放开再跑一遍，如果误差没降反而参数跳变得离谱，说明这条约束对你的硬件是成立的，留着。

2.4 用极线误差自检：那个avg err到底在算什么

标定跑完不能直接信，得验。源码里的做法很地道：先把角点用cvUndistortPoints拉到去畸变空间，再用cvComputeCorrespondEpilines分别算出左右图每个点对应的极线，最后把点代进直线方程取绝对值累加。

// 去畸变后再算极线误差，避免畸变污染判断 cvUndistortPoints(&_imagePoints1, &_imagePoints1, &_M1, &_D1, 0, &_M1); cvUndistortPoints(&_imagePoints2, &_imagePoints2, &_M2, &_D2, 0, &_M2); cvComputeCorrespondEpilines(&_imagePoints1, 1, &_F, &_L1); cvComputeCorrespondEpilines(&_imagePoints2, 2, &_F, &_L2); double avgErr = 0; for (int i = 0; i < N; i++) { double err = fabs(points[0][i].x * lines[1][i].x + points[0][i].y * lines[1][i].y + lines[1][i].z) + fabs(points[1][i].x * lines[0][i].x + points[1][i].y * lines[0][i].y + lines[0][i].z); avgErr += err; } printf("avg err = %g\n", avgErr / (nframes * n));

这段的关键在于「先去畸变」。畸变会让极线弯成曲线，而F描述的是针孔模型下的直线约束，不先去畸变，误差里混的是畸变量而不是标定质量，数字没有参考价值。第二个注意点是：这个avg err是代数误差，不是点到直线的像素距离——代码没有除以sqrt(a²+b²)，所以严格来说它偏大一点，量纲也不完全是像素。作为相对指标够用：同一批数据同一套参数，误差从 0.6 降到 0.3 说明改进有效；但要跟别人比绝对值就没意义了，想比就自己补上归一化。

我的经验阈值：1280×720 的图，avg err在 0.2～0.5 属于正常，0.5～1.0 要看看是不是某几帧拖后腿，超过 1.5 基本可以判断角点提取有错配或者棋盘不平。想定位是哪一帧，把每帧的误差单独打印出来排序，最差的那几帧拉出来看图，十有八九能看见反光、运动模糊或者棋盘被遮挡。

3. 角点提取与列表组织：源码里那几个数组的来龙去脉

3.1ch12_list.txt的格式约定与左右交替读取

这份代码没有用目录遍历，而是要求你提供一个纯文本列表，一行一个图片路径，左右图交替排列——第一行左、第二行右、第三行左、第四行右。源码里靠lr = i % 2判断当前行属于哪一路，#开头的行跳过，行尾空白会被裁掉。

手工维护这个文件很容易错位，我一般用脚本生成，顺便做一次「左右图能否配对」的检查：

import os left_dir, right_dir = "stereo/left", "stereo/right" out = [] lefts = sorted(f for f in os.listdir(left_dir) if f.lower().endswith((".png", ".jpg", ".bmp"))) for name in lefts: lpath = os.path.abspath(os.path.join(left_dir, name)) rpath = os.path.abspath(os.path.join(right_dir, name)) if not os.path.exists(rpath): # 缺右图直接报出来，别静默跳过 print("missing pair:", name) continue out.append(lpath) out.append(rpath) # 严格左、右交替 with open("ch12_list.txt", "w", encoding="utf-8") as f: f.write("\n".join(out) + "\n") print("pairs:", len(out) // 2)

逻辑说明：sorted保证左右两侧按同一顺序取，配对靠同名文件；先写左再写右这个顺序不能反，源码的i % 2是死约定，反了整个标定会算出一个横向基线的镜像值，误差看着还不大，装到设备上才发现左右颠倒。参数说明：如果采集时左右图用了不同前缀（比如L_001.png/R_001.png），把生成 rpath 的那行换成相应的重命名规则即可。

还有两个细节：路径里不要带空格，fgets加cvLoadImage这条链路处理空格路径虽说不至于崩，但 Windows 下的反斜杠容易在转义上出问题，统一用正斜杠最省事。

3.2 角点检测、放大重试与亚像素精化

cvFindChessboardCorners在低分辨率、大畸变或者边缘虚焦的图上经常返回 0 个角点。源码的处理是加了一个maxScale的重试机制，先原图检测，失败就放大再试。虽然这里maxScale被设成 1（等于没开），但机制是现成的，把它改成 2 或 3 能救回不少边缘帧。

// 角点检测 + 亚像素精化 int count = 0, found = 0; for (int s = 1; s <= maxScale; s++) { IplImage* timg = img; if (s > 1) { // 放大重试 timg = cvCreateImage(cvSize(img->width * s, img->height * s), img->depth, img->nChannels); cvResize(img, timg, CV_INTER_CUBIC); } found = cvFindChessboardCorners( timg, cvSize(nx, ny), &temp[0], &count, CV_CALIB_CB_ADAPTIVE_THRESH | CV_CALIB_CB_NORMALIZE_IMAGE); if (timg != img) cvReleaseImage(&timg); if (found || s == maxScale) for (int j = 0; j < count; j++) { // 坐标还原回原尺度 temp[j].x /= s; temp[j].y /= s; } if (found) break; } if (found) { // 亚像素精化，窗口 11x11，迭代 30 次或精度 0.01 cvFindCornerSubPix(img, &temp[0], count, cvSize(11, 11), cvSize(-1, -1), cvTermCriteria(CV_TERMCRIT_ITER + CV_TERMCRIT_EPS, 30, 0.01)); }

关键点在于坐标还原：放大 s 倍检测出来的角点坐标是放大图上的，必须除以 s 才能在原图上用，源码在循环里做了这件事。第二个关键点是cvFindChessboardCorners只给整像素粗定位，cvFindCornerSubPix才把它精化到亚像素。源码注释里那句 "Calibration will suffer without subpixel interpolation" 不是客套话——不做亚像素，重投影误差基本卡在 0.5 像素往上，做了能压到 0.1 量级。

参数上，亚像素窗口cvSize(11, 11)对应 640×480 到 1280×720 这一档比较合适；如果图是 4K 的，棋盘格在画面里占比很小，11 像素窗口可能连一个格子的边都跨不过去，得放大到 15 或 21。终止条件30 次 / 0.01 像素是稳妥值，迭代次数给太小（比如 10）在低对比度图上会提前停。

3.3 三维物点怎么造：i和j的顺序别搞反

物点列表是「假装棋盘就摆在某个已知位置」造出来的理想坐标。源码这段只有五行，但错一个下标就全废：

objectPoints.resize(nframes * n); for (int i = 0; i < ny; i++) // 注意：外层是 ny for (int j = 0; j < nx; j++) // 内层是 nx objectPoints[i * nx + j] = cvPoint3D32f(i * squareSize, j * squareSize, 0); for (int i = 1; i < nframes; i++) // 其余帧复制第一帧 copy(objectPoints.begin(), objectPoints.begin() + n, objectPoints.begin() + i * n);

索引是i * nx + j，坐标却写成(i * squareSize, j * squareSize)——也就是行方向给了 x、列方向给了 y，跟常见的「x 走列、y 走行」相反。这算 bug 吗？在这个场景里不算：棋盘是平面规则网格，x、y 轴互换等价于整块板子绕 z 轴转 90°，只要左右两路用的是同一套物点，联合优化出来的 R、T 仍然正确，只是坐标系的定义换了。真正致命的是另一件事：物点的排列顺序必须和cvFindChessboardCorners返回角点的顺序一一对应。那个函数是按行扫描从左到右返回的，所以物点也必须按「第 0 行所有列、第 1 行所有列」这样排。顺序一乱，优化器会试图把棋盘扭曲成一个不存在的形状，现象是avg err直接飙到几十，但程序一声不吭地跑完了。

squareSize在源码里是1.f，意思是「一格 = 1 个单位」。这个设定对标定内参没影响（内参是像素单位，与物点尺度解耦），但会让 T 变成「多少格」，比如 T = [-3.2, 0.05, 0.1] 表示基线约 3.2 格。后面要拿 T 算真实基线长度或者做尺度恢复，就必须把它换回毫米。我的习惯是直接把squareSize设成实测格长（比如 25.0 表示 25mm），一次到位，省得后面换算时把单位丢了。

3.4active[]和npoints：成功与失败帧的记录方式

源码里有个容易被忽略的设计：active[lr]记录每帧是否检测成功，npoints记录每帧的点数。这是为「部分帧检测失败」准备的——理论上你可以在后面只挑成功的帧参与标定。但源码实际用的nframes = active[0].size()只看了左路，然后npoints.resize(nframes, n)全部填满n，等于默认左右两路帧数和成功情况完全一致。这是个隐患，第 5 章会展开。

我一般会把这个逻辑改成显式配对：只有左右同一帧都检测成功，才把这一对推进物点列表，否则整对丢弃。宁可少几帧，也不要让左右点的对应关系错位。

4. 两条校正路线：Bouguet 和 Hartley 分别适合谁

4.1 Bouguet：有内参就走这条，映射表一次算好反复用

useUncalibrated == 0走的是标定校正，也就是 Bouguet 方法。核心是两个函数接力：cvStereoRectify算出左右各一个 3×3 旋转矩阵 R1、R2 和两个 3×4 投影矩阵 P1、P2，把两个成像平面「掰」到共面且行对齐；cvInitUndistortRectifyMap把内参、畸变、R、P 揉成两张映射表 mx/my，之后每帧只需cvRemap查表，速度很快。

CvMat _R1 = cvMat(3, 3, CV_64F, R1); CvMat _R2 = cvMat(3, 3, CV_64F, R2); CvMat _P1 = cvMat(3, 4, CV_64F, P1); CvMat _P2 = cvMat(3, 4, CV_64F, P2); // alpha=0：只保留有效像素；flags 给 0 表示不强制零视差 cvStereoRectify(&_M1, &_M2, &_D1, &_D2, imageSize, &_R, &_T, &_R1, &_R2, &_P1, &_P2, 0, 0); // 判断是不是上下堆叠的双目 isVerticalStereo = fabs(P2[1][3]) > fabs(P2[0][3]); // 预计算映射表，后续每帧复用 cvInitUndistortRectifyMap(&_M1, &_D1, &_R1, &_P1, mx1, my1); cvInitUndistortRectifyMap(&_M2, &_D2, &_R2, &_P2, mx2, my2);

cvStereoRectify的第六个参数是alpha，源码传 0，含义是「裁剪掉所有黑边，只留两图共有的有效区域」。传 1 则保留全部原始像素但会引入大片黑边，做视差时黑边区域没有匹配值。做测量类应用我倾向 0，做可视化倾向 1。

flags传 0 而不是CV_CALIB_ZERO_DISPARITY，意味着不强制把主点对齐到同一行，好处是保留更多有效像素，代价是最小视差可能不为零，minDisparity得相应设成负值——源码里minDisparity = -64就是在兜这个底。如果你希望视差从 0 开始、方便直接映射成深度，就把 flag 加上，同时把minDisparity改回 0。

isVerticalStereo那句判断很巧：P2的第 4 列是右相机光心在左相机坐标系下的投影，若 y 分量比 x 分量大，说明两台相机是上下装的。这个标志后面控制拼接显示方向和是否允许做 BM 匹配，别删。

4.2 Hartley：没有内参也能救，但要接受精度损失

useUncalibrated == 1 或 2走的是非标定校正。顾名思义，不需要事先知道内参，只靠左右匹配点算出的基础矩阵 F，直接求两个单应 H1、H2 把极线掰平行。== 2的区别仅仅是在内部重新调一次cvFindFundamentalMat，== 1则用cvStereoCalibrate输出的 F。

double H1[3][3], H2[3][3], iM[3][3]; CvMat _H1 = cvMat(3, 3, CV_64F, H1); CvMat _H2 = cvMat(3, 3, CV_64F, H2); CvMat _iM = cvMat(3, 3, CV_64F, iM); if (useUncalibrated == 2) cvFindFundamentalMat(&_imagePoints1, &_imagePoints2, &_F); cvStereoRectifyUncalibrated(&_imagePoints1, &_imagePoints2, &_F, imageSize, &_H1, &_H2, 3); // H 是在像素坐标下的单应，转成旋转矩阵形式 R = M^-1 * H * M cvInvert(&_M1, &_iM); cvMatMul(&_H1, &_M1, &_R1); cvMatMul(&_iM, &_R1, &_R1); cvInvert(&_M2, &_iM); cvMatMul(&_H2, &_M2, &_R2); cvMatMul(&_iM, &_R2, &_R2);

这段推导值得看懂：H作用在像素坐标上，而cvInitUndistortRectifyMap要的是作用在归一化坐标上的旋转矩阵，所以要做一次相似变换R = M⁻¹ · H · M。源码用两次cvMatMul实现，中间那次cvMatMul(&_H1, &_M1, &_R1)的结果直接覆盖进_R1，再左乘M⁻¹，顺序不能反，反了矩阵就不是旋转了，remap 出来的图会明显扭曲。

cvStereoRectifyUncalibrated的最后一个参数3是极线距离阈值，用于把匹配点分成内点和外点。点质量差的时候可以放宽到 5 甚至 8，但放太宽会让 F 被少量错误匹配带偏。

什么时候用 Hartley？我的判断是：手上只有一对相机、没有任何标定板、又必须先把视差跑起来做算法验证的时候。它能用，但输出的不是真正的行对准，而是「极线大致平行」，垂直方向仍残留视差，做 BM/SGBM 时匹配窗口跨行搜索会显著掉精度。真要测量，还是老老实实回到 Bouguet。

顺带说一句这份源码里的一个笔误：Hartley 分支最后两行是

cvInitUndistortRectifyMap(&_M2, &_D1, &_R2, &_M2, mx2, my2); // 注意这里传的是 _D1

右相机用左相机的畸变系数去建映射表，畸变差异大时右图会被拉歪。正确写法应该是&_D2。这类错误在用同一型号相机的实验里几乎看不出来，换镜头就暴露了。

4.3 校正完还得看视差：StereoBM 参数怎么定

源码在 remap 之后直接接了一个 BM 匹配，参数是写死的：

41 的 SAD 窗口放到 1280×720 的图上偏大，边缘会被啃掉一大圈；我一般从 15 或 21 起步，看噪点情况再往上加。numberOfDisparities是最容易设错的一个：它决定了能测多近的物体，d_max < B·f / Z_min，基线 60mm、焦距 700 像素、想测最近 0.5m，就需要d_max > 84，取 96 或 128 都行，取 16 就完全测不到近处。

CvStereoBMState* BMState = cvCreateStereoBMState(); BMState->preFilterSize = 41; BMState->preFilterCap = 31; BMState->SADWindowSize = 41; BMState->minDisparity = -64; BMState->numberOfDisparities = 128; BMState->textureThreshold = 10; BMState->uniquenessRatio = 15; cvFindStereoCorrespondenceBM(img1r, img2r, disp, BMState); cvNormalize(disp, vdisp, 0, 256, CV_MINMAX); // 16S -> 8U 便于显示 cvShowImage("disparity", vdisp); cvReleaseStereoBMState(&BMState); // 别忘了释放

cvFindStereoCorrespondenceBM的输入必须是已经 remap 过的灰度图，顺序是左、右、输出视差。输出disp是 16 位有符号，单位是像素的 1/16（OpenCV 的定点表示），直接当像素用会小 16 倍。源码用cvNormalize(..., 0, 256, CV_MINMAX)映射到 8 位只是为了显示，如果后面要算深度，得用原始disp除以 16 再乘1/16——这个换算关系是 BM 的一个经典坑，很多人第一次看到视差图全是黑的，就是这里没除。

4.4 C 接口到 C++ 接口的对照

这份代码是 2008 年前后的 C 接口写法，现在新项目基本都是cv::命名空间。对照关系整理如下，迁移时逐个替换即可。

迁移时有一处语义差异要注意：C 接口的cvStereoCalibrate接收CvMat*，矩阵维度靠cvMat(1, N, ...)显式声明；C++ 接口接收std::vector<cv::Point3f>和std::vector<cv::Point2f>，点集组织方式变成「每帧一个 vector」，外层再套一个 vector。别直接把扁平数组塞进去，维度对不上会抛断言。

5. 避坑清单：那些让avg err从 0.3 飙到 5 的细节

5.1 现象：左右检测成功数不同，程序不报错但标定结果离谱

现象很隐蔽——程序正常跑完，avg err也能打出来，但数字大得离谱，或者T的模长跟实测基线差一大截。

原因是源码用nframes = active[0].size()只统计了左路的帧数，npoints全部填n，而points[1]的长度取决于右路实际检测成功多少帧。一旦右路少了几帧，两边点集长度就不一致，优化器会把错位的点当成对应点去拟合，解出来的东西自然没法看。

解决办法很直接：在读图循环结束后，对左右两路的active逐帧做与运算，只保留两边都成功的那几帧，重建objectPoints、points[0]、points[1]。宁可丢帧，不能错位。

5.2 现象：列表文件里有一行路径写错，整个标定直接中断

if (!img) break;这句话的意思是「读不到图就跳出整个循环」，而不是跳过这一帧。列表里只要有一张图被删了、路径有中文、或者大小写不对，程序会在那一行悄无声息地结束，后面所有帧都白采。

改法是把break换成continue并打印警告，同时在循环外用计数器记录实际读入的对数，低于 10 对就拒绝标定。另外，文件夹路径尽量用全英文，虽然 OpenCV 在多数平台能处理中文路径，但fgets读进来的字符串编码和cvLoadImage期望的编码未必一致，与其赌，不如避开。

5.3 现象：棋盘格检测总返回 0，换了角度也不行

先确认nx、ny填的是内角点数而不是方格数。一块 10×7 格的棋盘，内角点是 9×6——源码里StereoCalib("ch12_list.txt", 9, 6, 1)就是 9 列 6 行内角点。填成 10 和 7 的话，函数永远找不到。

再确认行列顺序：cvSize(nx, ny)里 nx 是列方向（水平）角点数。如果棋盘在画面里是竖着放的，nx 和 ny 要交换。判断方法是把displayCorners打开，加一个窗口把检测到的角点画出来，一眼就知道是数量不对还是顺序不对。此外，棋盘格必须留白边——四周没有白边的棋盘，外圈角点检测会不稳定，这是打印时最容易忽略的一条。

5.4 现象：标定能跑，但 remap 之后左右图行对不齐

先看squareSize。设成 1.f 的时候，T 的单位是「格」，如果你后面拿 T 去和实测基线比对，会发现数字对不上，从而误以为标定错了。真正的行对齐问题和这个无关，但要先把量纲排除掉。

真正的常见原因是畸变没去干净。Bouguet 路线里cvInitUndistortRectifyMap同时做了去畸变和旋转，理论上一步到位；但如果标定阶段用了CV_CALIB_ZERO_TANGENT_DIST而镜头实际有明显切向畸变，去畸变就是不完整的，残差会体现在行方向上。验证方法是拿几张标定集之外的图，remap 之后在左右图上画同一水平线，看同一物理点是否落在同一行——差超过 2 像素就得回头放开切向畸变重标。

还有一个只在上下堆叠双目上出现的问题：源码注释里写得很清楚，垂直双目且用标定校正时，图像不会被转置，极线是竖直的，而 BM 匹配只支持水平极线。这时要么把相机转 90 度装，要么在校正后手动转置图像再匹配。

5.5 现象：视差图整片发黑或者全是噪点

整片发黑，八成是numberOfDisparities太小或者minDisparity设错，真实视差落在搜索范围之外，全部被判无效。把disp归一化前后的最大值打印出来看看，如果最大值恰好等于numberOfDisparities，说明搜索范围被撑满了，得往上加。

全是噪点则通常是纹理问题：白墙、纯色桌面这种低纹理场景，textureThreshold = 10会把大片区域直接判无效，这其实是正确行为，不是 bug。真要在这类场景出图，就得换 SGBM 或者加结构光/投影纹理，BM 本身救不了。

6. 把标定结果落盘并做一次闭环验证

标定跑通只是第一步，真正上线要把 M1、D1、M2、D2、R、T、R1、R2、P1、P2 全部存下来，否则每次启动都重标一遍，既慢又不可复现。用cv::FileStorage存成 YAML，读写都方便：

// 保存：一次写全，避免上线时缺参数 cv::FileStorage fs("stereo_calib.yml", cv::FileStorage::WRITE); fs << "image_width" << imageSize.width; fs << "image_height" << imageSize.height; fs << "M1" << cv::Mat(3, 3, CV_64F, M1) << "D1" << cv::Mat(1, 5, CV_64F, D1); fs << "M2" << cv::Mat(3, 3, CV_64F, M2) << "D2" << cv::Mat(1, 5, CV_64F, D2); fs << "R" << cv::Mat(3, 3, CV_64F, R) << "T" << cv::Mat(3, 1, CV_64F, T); fs << "R1" << cv::Mat(3, 3, CV_64F, R1) << "R2" << cv::Mat(3, 3, CV_64F, R2); fs << "P1" << cv::Mat(3, 4, CV_64F, P1) << "P2" << cv::Mat(3, 4, CV_64F, P2); fs << "square_size_mm" << squareSize; // 量纲一起存，防止后人猜 fs.release(); // 加载：尺寸不匹配就直接拒绝，别硬算 cv::FileStorage in("stereo_calib.yml", cv::FileStorage::READ); int w, h; in["image_width"] >> w; in["image_height"] >> h; if (w != frame.cols || h != frame.rows) { throw std::runtime_error("calib resolution mismatch"); }

存的时候把square_size_mm一起写进去，是我踩过坑之后加的习惯：半年前标的一套参数，回头要用时死活想不起T的单位是格还是毫米，只能重标。加载时校验分辨率同理，同一套参数拿去处理不同分辨率的图，initUndistortRectifyMap不会报错，只是默默给你一张歪的图。

闭环验证我一般做两件事。一是留出法：采集时预留 5 对标定集之外的图，用保存的参数跑一遍完整的 remap，然后在左右图上叠加等间距水平线，肉眼看同一特征点是否在同一行；差 1～2 像素可以接受，超过就得回头查。二是重投影：拿标定集里的角点，用 R、T、M、D 反投影回图像，算 RMS 误差，跟当初的avg err对得上，说明参数落盘没写错位。

还有个小技巧：把numberOfDisparities做成可配置项，按B·f/Z_min估出来再取 16 的整数倍，比拍脑袋填 128 靠谱。做完这套，同一套硬件换个场景重采一组图重标，十几分钟就能走完。

从那以后我每次标完双目，都会强制走一遍「存盘 → 重加载 → 预留图 remap 画线」这三步，哪怕当时急着出结果也不跳——跳过的那几次，无一例外都在一周后以「视差错得莫名其妙」的形式找回来。希望帮到你。

本文还有配套的精品资源，点击获取