相机内参标定：张正友标定法原理、棋盘格角点检测、内参矩阵与畸变系数的计算

说到相机内参标定，这其实是整个点云与图像融合项目里，我最先踩坑的地方。你想想看，如果相机本身的内参都不准，那后面做的所有投影、关联，说白了都是空中楼阁。今天我们就来聊聊张正友标定法——这个在工业界和学术界都广泛使用的经典方法。

张正友标定法的核心思想

张正友标定法，本质上是一种介于传统标定和自标定之间的方法。它不需要你知道标定板在空间中的精确三维位置，只需要你拿着棋盘格在相机前摆几个不同的姿态，拍几张照片就行。

我个人觉得，这个方法最大的优点是：操作简单，精度够用。我在做自动驾驶项目时，经常需要在现场快速标定相机，张正友法几乎成了我的首选。

它的核心逻辑是这样的：

假设棋盘格平面在世界坐标系中 Z=0
通过角点检测，得到图像坐标系中的点
利用单应性矩阵，建立世界坐标与图像坐标的映射关系
通过多张不同姿态的图像，求解内参矩阵和畸变系数

关键点：张正友法要求标定板是平面，且我们已知棋盘格每个角点的物理尺寸（比如格子边长 30mm）。这是整个标定过程的输入前提。

棋盘格角点检测

角点检测这一步，我建议你用 OpenCV 的 cv2.findChessboardCorners()。这个函数专门为棋盘格设计，鲁棒性不错。

不过，我在实际项目中遇到过一个问题：如果棋盘格反光严重，或者光照不均匀，角点检测很容易失败。后来我总结了一个小技巧——拍摄时尽量让棋盘格占据画面 1/3 到 1/2 的面积，并且避免强光直射。

检测到角点后，还需要用 cv2.cornerSubPix() 做亚像素级别的精炼。这一步很多人会忽略，但它的精度提升非常明显。

import cv2
import numpy as np

# 棋盘格尺寸（内角点数量）
pattern_size = (9, 6)  # 9列6行内角点

# 准备世界坐标系中的点
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)
# 注意：这里单位是格子边长，实际标定时需要乘以物理尺寸

# 存储所有图像的点
objpoints = []  # 世界坐标
imgpoints = []  # 图像坐标

# 读取图像并检测角点
for fname in image_files:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
    
    if ret:
        objpoints.append(objp)
        
        # 亚像素精炼
        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（可选）
        cv2.drawChessboardCorners(img, pattern_size, corners2, ret)

我的经验：拍摄时，让棋盘格在画面中呈现不同的角度——倾斜、旋转、靠近、远离。至少拍 10-20 张，覆盖画面的各个区域。我曾经只拍了 5 张，结果标定出来的畸变系数偏差很大。

内参矩阵的计算

有了角点对应关系，接下来就是求解内参矩阵了。内参矩阵的形式是：

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

其中 fx、fy 是焦距（以像素为单位），cx、cy 是主点坐标（通常接近图像中心）。

张正友法的求解过程，我简单概括一下：

对每张图像，计算单应性矩阵 H
利用 H 的约束条件，建立关于内参的线性方程组
通过 SVD 分解求解内参矩阵的初始值
用最大似然估计进行非线性优化，得到最终结果

嗯，这里要注意：单应性矩阵 H 有 8 个自由度，而每张图像提供 2 个约束。所以理论上至少需要 3 张图像才能求解全部内参。但实际中，我建议至少用 10 张以上，这样结果更稳定。

OpenCV 封装了这一切，你只需要调用：

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None
)

print("内参矩阵:\n", mtx)
print("畸变系数:\n", dist)

畸变系数的计算

畸变主要分两种：径向畸变和切向畸变。径向畸变是镜头本身的光学特性造成的，表现为图像边缘的桶形或枕形变形。切向畸变则是镜头与成像平面不平行导致的。

张正友法通常考虑 5 个畸变系数：

参数	含义	典型范围
k1	径向畸变系数 1	-0.5 ~ 0.5
k2	径向畸变系数 2	-0.5 ~ 0.5
p1	切向畸变系数 1	-0.1 ~ 0.1
p2	切向畸变系数 2	-0.1 ~ 0.1
k3	径向畸变系数 3（高阶）	-0.5 ~ 0.5

避坑指南：我曾经在标定一个广角相机时，发现 k3 的值异常大。后来排查发现，是因为标定图像没有覆盖画面的边缘区域。广角相机的畸变在边缘最明显，如果只拍中心区域，畸变系数根本算不准。

标定完成后，可以用 cv2.undistort() 对图像进行去畸变处理：

# 去畸变
h, w = img.shape[:2]
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))
dst = cv2.undistort(img, mtx, dist, None, newcameramtx)

知识体系总览

下面这张图，是我自己梳理的相机内参标定流程。你可以把它当作一个快速参考：

标定结果的质量评估

标定完成后，千万别急着用。我建议你做两件事来验证结果：

重投影误差：将世界坐标点投影到图像上，计算与检测到的角点之间的像素误差。一般小于 0.5 像素就算不错。
去畸变效果：观察去畸变后的图像，直线是否变直了？边缘区域是否还有明显的变形？

# 计算重投影误差
total_error = 0
for i in range(len(objpoints)):
    imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)
    error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2)
    total_error += error

print("平均重投影误差: {:.3f} 像素".format(total_error / len(objpoints)))

一个小建议：如果重投影误差大于 1 个像素，先别急着调算法。检查一下标定板是不是平整？拍摄时有没有模糊？角点检测有没有漏检？很多时候，问题出在数据采集阶段。

好了，关于相机内参标定，核心内容就是这些。说白了，张正友法就是一个从图像到几何的桥梁——它把相机这个光学设备，变成了一个我们可以精确控制的数学模型。后面做点云投影、目标关联，全靠这个模型来对齐。

可可精品资料库

📚 课程目录

相机内参标定：张正友标定法原理、棋盘格角点检测、内参矩阵与畸变系数的计算

张正友标定法的核心思想

棋盘格角点检测

内参矩阵的计算

畸变系数的计算

知识体系总览

标定结果的质量评估