4. 标定基础理论
好，咱们进入真正的动手环节了。前面几章我们把相机模型、畸变原理、标定板设计都捋了一遍，现在终于要拿OpenCV干活了。这一章我会带着你走完单目标定的完整流程——从棋盘格角点检测，到调用calibrateCamera，再到评估标定结果好不好。
说实话，标定这件事，理论看十遍不如亲手跑一遍。我当年第一次标定车载环视摄像头时，以为调个API就完事了，结果重投影误差大得离谱，排查了两天才发现是角点检测时棋盘格图像没拍好。嗯，这些坑我会在下面一一给你指出来。
4.1 棋盘格角点检测：findChessboardCorners
角点检测是标定的第一步，也是最容易出问题的一步。说白了，就是让OpenCV在图像里找到棋盘格上那些黑白方块的交点。
核心API就两个：
ret, corners = cv2.findChessboardCorners(image, patternSize, flags)
corners2 = cv2.cornerSubPix(gray, corners, winSize, zeroZone, criteria)
参数说明：
| 参数 | 含义 | 我的建议 |
|---|---|---|
| image | 输入图像（灰度或彩色） | 直接传灰度图，省去内部转换开销 |
| patternSize | 棋盘格内角点数，如(9,6) | 注意是内角点，不是格子数！ |
| flags | 检测算法标志 | 一般用CALIB_CB_ADAPTIVE_THRESH就够了 |
| winSize | 亚像素搜索窗口半尺寸 | 我习惯用(5,5)，太小不稳定 |
| criteria | 迭代终止条件 | (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) |
我曾经踩过的坑： patternSize传成了棋盘格的行列数(10,7)，而不是内角点数(9,6)。OpenCV不会报错，但角点位置全偏了，标定出来的内参完全不能用。记住：内角点数 = 格子数 - 1。
检测到角点后，我强烈建议你用cv2.drawChessboardCorners把角点画出来看看。肉眼确认一下，比什么都靠谱。
cv2.drawChessboardCorners(image, patternSize, corners, ret)
cv2.imshow('Corners', image)
4.2 calibrateCamera函数详解
角点检测完了，就该进入核心环节了。calibrateCamera这个函数，说白了就是求解相机内参矩阵和畸变系数的最小二乘优化问题。
函数签名长这样：
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
objectPoints, imagePoints, imageSize,
cameraMatrix, distCoeffs,
flags=None, criteria=None
)
输出参数解读：
- ret：重投影误差的RMS值，越小越好。我一般要求<0.5像素才算合格。
- mtx：相机内参矩阵，3x3，包含fx, fy, cx, cy。
- dist：畸变系数向量，默认5个参数(k1,k2,p1,p2,k3)。
- rvecs, tvecs：每张图片的旋转向量和平移向量，标定板相对于相机的外参。
个人经验： 我习惯在调用calibrateCamera之前，先把cameraMatrix初始化为单位矩阵，distCoeffs初始化为全零。这样优化起点比较中性，收敛更快。
flags参数我常用的几个：
| 标志 | 作用 | 什么时候用 |
|---|---|---|
| cv2.CALIB_FIX_K3 | 固定k3为0 | 图片数量少时，防止过拟合 |
| cv2.CALIB_ZERO_TANGENT_DIST | 固定p1,p2为0 | 确认镜头没有切向畸变时 |
| cv2.CALIB_FIX_PRINCIPAL_POINT | 固定主点(cx,cy) | 已知主点在图像中心时 |
4.3 标定结果评估：重投影误差
标定完了，怎么知道结果好不好？最直观的指标就是重投影误差。
原理很简单：用标定得到的内参和外参，把世界坐标系中的棋盘格角点投影回图像平面，算一下投影点和实际检测到的角点之间的距离。这个距离的平均值就是重投影误差。
OpenCV提供了现成的函数：
total_error = 0
for i in range(len(objectPoints)):
imgpoints2, _ = cv2.projectPoints(
objectPoints[i], rvecs[i], tvecs[i], mtx, dist)
error = cv2.norm(imagePoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2)
total_error += error
print(f"平均重投影误差: {total_error/len(objectPoints):.4f} 像素")
我的判断标准：
- < 0.3像素：优秀，可以用于高精度环视拼接
- 0.3 - 0.5像素：良好，满足大部分车载应用
- 0.5 - 1.0像素：及格，需要检查标定图片质量
- > 1.0像素：不合格，重新采集数据吧
为什么会重投影误差大？我遇到过的情况有：
- 标定图片模糊，角点检测不准
- 棋盘格没有覆盖整个视野
- 图片数量太少（我建议至少15-20张）
- 标定板平面度不够（车载环视常用亚克力板，容易变形）
4.4 标定流程全景图
下面这张图把整个单目标定流程串起来了，你可以对照着走一遍：
4.5 完整代码示例
最后，给你一个可以直接跑的完整脚本。这是我个人习惯的写法，注释都写清楚了：
import cv2
import numpy as np
import glob
# 棋盘格参数
CHECKERBOARD = (9, 6) # 内角点数
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
# 准备世界坐标系中的点
objp = np.zeros((CHECKERBOARD[0]*CHECKERBOARD[1], 3), np.float32)
objp[:,:2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1,2)
objpoints = [] # 世界坐标系点
imgpoints = [] # 图像坐标系点
images = glob.glob('calib_images/*.jpg')
for fname in images:
img = cv2.imread(fname)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None)
if ret:
objpoints.append(objp)
corners2 = cv2.cornerSubPix(gray, corners, (5,5), (-1,-1), criteria)
imgpoints.append(corners2)
cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret)
cv2.imshow('img', img)
cv2.waitKey(100)
cv2.destroyAllWindows()
# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
objpoints, imgpoints, gray.shape[::-1], None, None)
print(f"内参矩阵:\n{mtx}")
print(f"畸变系数:\n{dist}")
print(f"重投影误差: {ret:.4f} 像素")
注意： 标定图片不要用JPEG压缩太狠的，压缩伪影会影响角点检测精度。我习惯用PNG或者低压缩率的JPEG。
好了，这一章的内容就到这儿。你拿着上面的代码和流程，找一组标定图片跑一遍，很快就能上手。标定这件事，动手做一次比看十遍书都管用。