4. 鱼眼相机标定实战：OpenCV fisheye模块、标定板制作、采集标定图片、运行标定脚本、重投影误差分析

鱼眼相机标定，说白了就是给镜头“算命”。你得知道它把世界扭曲成了什么样，才能在算法里把它掰回来。我最早接触鱼眼标定时，踩过不少坑——标定板打印歪了、图片拍糊了、参数调错了，结果重投影误差大得离谱。今天咱们就把这整套流程捋一遍，从做板子到看误差，一步不落。

4.1 标定板制作——别在这步省事

标定板是标定的“尺子”。尺子不准，后面全白搭。我个人习惯用棋盘格，因为OpenCV的角点检测对棋盘格支持最好。

参数	推荐值	说明
棋盘格尺寸	9×6 或 11×8（内角点）	内角点 = 格子数 - 1
方格边长	20mm ~ 30mm	太小了角点检测不准，太大了视野装不下
打印介质	哑光相纸或PVC板	反光材料会导致角点检测失败
底板	硬质平板（亚克力/铝板）	软纸板会弯曲，引入额外误差

4.2 采集标定图片——角度比数量重要

很多人以为拍个十几张就够了。其实不然。鱼眼镜头视场角大（通常≥180°），边缘畸变严重。你需要让标定板出现在画面的各个位置——中心、左上、右下、边缘、角落，还要有不同倾斜角度。

我建议至少拍20-30张，遵循以下原则：

• 覆盖全视野：标定板要出现在画面的9个区域（上中下×左中右）
• 多角度倾斜：前后倾斜30°、左右倾斜30°，模拟实际安装姿态
• 距离变化：从0.5米到2米，不同距离各拍几张
• 光照均匀：避免强光直射标定板，否则角点检测会失败
• 标定板占画面1/3以上：太小了角点提取精度不够

4.3 OpenCV fisheye模块——为什么用它？

OpenCV有两个标定模块：普通的cv::calibrateCamera和cv::fisheye::calibrate。普通模型用针孔模型+径向切向畸变，对鱼眼镜头（尤其是视场角>120°）拟合效果很差。fisheye模块用的是Scaramuzza的等距投影模型，专门为大视场角设计。

说白了，普通模型是给手机镜头用的，鱼眼模型才是给环视摄像头用的。我见过有人用普通模型标鱼眼，结果边缘畸变校正后图像都扭曲成S形了。

4.4 运行标定脚本——手把手来一遍

下面是我常用的标定脚本框架。注意，这里用的是C++版本，Python版本逻辑完全一样。

#include <opencv2/opencv.hpp>
#include <opencv2/fisheye.hpp>
#include <iostream>
#include <vector>

int main() {
    // 1. 读取图片列表
    std::vector<std::string> imgPaths = {...}; // 你的图片路径
    cv::Size boardSize(9, 6);  // 内角点数量
    float squareSize = 25.0f;  // 方格边长，单位mm

    // 2. 准备世界坐标系点
    std::vector<cv::Point3f> objp;
    for(int i = 0; i < boardSize.height; i++)
        for(int j = 0; j < boardSize.width; j++)
            objp.push_back(cv::Point3f(j*squareSize, i*squareSize, 0));

    std::vector<std::vector<cv::Point3f>> objPoints;
    std::vector<std::vector<cv::Point2f>> imgPoints;

    // 3. 提取角点
    cv::Mat gray;
    for(auto& path : imgPaths) {
        cv::Mat img = cv::imread(path);
        cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);
        
        std::vector<cv::Point2f> corners;
        bool found = cv::findChessboardCorners(gray, boardSize, corners,
            cv::CALIB_CB_ADAPTIVE_THRESH | cv::CALIB_CB_NORMALIZE_IMAGE);
        
        if(found) {
            cv::cornerSubPix(gray, corners, cv::Size(5,5), cv::Size(-1,-1),
                cv::TermCriteria(cv::TermCriteria::EPS+cv::TermCriteria::COUNT, 30, 0.1));
            objPoints.push_back(objp);
            imgPoints.push_back(corners);
        }
    }

    // 4. 执行鱼眼标定
    cv::Mat K, D;  // 内参矩阵和畸变系数
    std::vector<cv::Mat> rvecs, tvecs;
    int flags = cv::fisheye::CALIB_RECOMPUTE_EXTRINSIC |
                cv::fisheye::CALIB_CHECK_COND |
                cv::fisheye::CALIB_FIX_SKEW;
    
    double rms = cv::fisheye::calibrate(objPoints, imgPoints, 
        gray.size(), K, D, rvecs, tvecs, flags,
        cv::TermCriteria(cv::TermCriteria::EPS+cv::TermCriteria::COUNT, 100, 1e-5));

    // 5. 输出结果
    std::cout << "重投影误差: " << rms << " 像素" << std::endl;
    std::cout << "内参矩阵 K:\n" << K << std::endl;
    std::cout << "畸变系数 D:\n" << D << std::endl;

    return 0;
}

4.5 重投影误差分析——标定质量的照妖镜

重投影误差，就是把标定板上的3D点，用标定出来的内参和外参投影回图像，算算投影点和实际检测到的角点差了多少像素。这个值越小，说明标定越准。

误差范围	标定质量	建议
< 0.3 像素	优秀	可以直接用于环视拼接
0.3 ~ 0.6 像素	良好	可以接受，但建议检查是否有异常图片
0.6 ~ 1.0 像素	及格	需要排查标定板或采集问题
> 1.0 像素	不合格	重新采集，检查标定板是否平整

为什么会误差大？我总结了几种常见情况：

• 标定板弯曲：这是最常见的原因。用硬质底板能解决。
• 角点检测不准：光照太强或太暗，导致角点亚像素提取偏移。
• 图片数量不够：少于15张，参数拟合不稳定。
• 角度覆盖不全：所有图片标定板都在画面中心，边缘畸变没被约束。

4.6 保存标定结果——为后续环节做准备

标定完成后，需要保存两个核心数据：内参矩阵K和畸变系数D。在环视系统中，这两个数据会被用于后续的畸变校正和投影变换。

// 保存为YAML文件
cv::FileStorage fs("calib_result.yaml", cv::FileStorage::WRITE);
fs << "image_width" << gray.cols;
fs << "image_height" << gray.rows;
fs << "camera_matrix" << K;
fs << "distortion_coefficients" << D;
fs.release();

保存的YAML文件内容大概长这样：

%YAML:1.0
image_width: 1280
image_height: 720
camera_matrix: !!opencv-matrix
  rows: 3
  cols: 3
  dt: d
  data: [ 3.2e2, 0., 6.4e2, 0., 3.2e2, 3.6e2, 0., 0., 1. ]
distortion_coefficients: !!opencv-matrix
  rows: 4
  cols: 1
  dt: d
  data: [ -0.02, 0.01, -0.005, 0.001 ]