3. OpenCV鱼眼相机标定

好，咱们进入实操环节。前面聊了那么多理论，什么径向畸变、切向畸变、等距投影模型…… 说实话，光看公式容易晕。我自己的经验是，动手标定一次，比看十遍都管用。

这一章，我们就用 OpenCV 把鱼眼相机的内参和畸变系数给求出来。整个过程分三步：准备棋盘格、检测角点、求解参数。每一步都有坑，我会把踩过的坑都指出来。

3.1 棋盘格标定板：不是随便打印一张纸就行

标定板是标定的“尺子”。尺子不准，后面全白搭。

OpenCV 的鱼眼标定函数 cv::fisheye::calibrate() 默认支持棋盘格（Chessboard）和对称圆点阵。我个人强烈推荐用棋盘格，因为角点检测的鲁棒性更好，尤其是在鱼眼图像边缘严重畸变的区域。

3.1.1 棋盘格的关键参数

3.1.2 世界坐标系的建立

标定时，我们把棋盘格平面定义为 Z=0 的平面。每个内角点的世界坐标就是 (col * square_size, row * square_size, 0)。这里有个细节：行列顺序必须和角点检测时的顺序一致，否则标定出来的外参方向是反的。

# 生成棋盘格的世界坐标点
pattern_size = (9, 6)  # 内角点数量：9列 x 6行
square_size = 30.0     # 方格边长：30mm

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)
objp *= square_size

3.2 角点检测：鱼眼图像的难点在这里

普通相机的角点检测用 cv::findChessboardCorners() 就够了。但鱼眼图像不一样——边缘区域的棋盘格被严重拉伸和扭曲，直接调用函数大概率会失败。

3.2.1 为什么鱼眼图像角点检测容易失败？

• 畸变太大：边缘的棋盘格可能被压缩成一条线，角点特征消失。
• 光照不均：鱼眼镜头视角大，画面边缘亮度通常比中心暗很多。
• 遮挡：标定板稍微倾斜，边缘的角点就可能被镜头筒遮挡。

3.2.2 我的检测策略

我一般分两步走：

1. 粗检测：先用 cv::findChessboardCorners() 尝试，如果失败，对图像做预处理——直方图均衡化 + 自适应阈值。
2. 亚像素精化：用 cv::cornerSubPix() 把角点精度提升到亚像素级别。这一步对鱼眼标定尤其重要，因为畸变模型对像素误差非常敏感。

import cv2
import numpy as np

def detect_chessboard_corners(img, pattern_size):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 尝试直接检测
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
    
    if not ret:
        # 如果失败，做预处理
        clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
        gray_eq = clahe.apply(gray)
        ret, corners = cv2.findChessboardCorners(gray_eq, pattern_size, None)
    
    if ret:
        # 亚像素精化
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
        corners = cv2.cornerSubPix(gray, corners, (5,5), (-1,-1), criteria)
    
    return ret, corners

3.3 内参矩阵与畸变系数求解

角点检测完成后，就可以调用 cv::fisheye::calibrate() 了。这个函数是 OpenCV 专门为鱼眼相机设计的，它使用的是 等距投影模型（Equidistant Projection Model），也就是我们上一章讲的那个。

3.3.1 函数接口与参数

retval, K, D, rvecs, tvecs = cv2.fisheye.calibrate(
    objectPoints,   # 世界坐标点列表
    imagePoints,    # 图像角点列表
    image_size,     # 图像尺寸 (width, height)
    K,              # 内参矩阵（输出）
    D,              # 畸变系数（输出）
    rvecs,          # 旋转向量（输出）
    tvecs,          # 平移向量（输出）
    flags,          # 标定选项
    criteria        # 迭代终止条件
)

3.3.2 关键参数说明

3.3.3 输出结果解读

标定完成后，你会得到两个核心输出：

• 内参矩阵 K：包含焦距 (fx, fy) 和主点 (cx, cy)。对于鱼眼相机，主点通常不在图像正中心，因为镜头安装有偏差。
• 畸变系数 D：四个参数 k1, k2, k3, k4。注意，OpenCV 的鱼眼模型只用 4 个径向畸变参数，没有切向畸变参数（p1, p2）。

3.4 完整标定流程（SVG 流程图）

下面这张图是我自己总结的标定流程，每一步都有对应的代码和检查点：

3.5 避坑指南：我踩过的那些坑

标定鱼眼相机，说难不难，说简单也不简单。我把自己踩过的坑列出来，你遇到了可以直接对照：

• 坑一：标定板不够大。鱼眼镜头视角大，小标定板只能覆盖画面中心区域，边缘的畸变参数根本拟合不出来。我建议标定板的边长至少占图像短边的 60%。
• 坑二：图像数量不够。少于 15 张图像，标定结果很不稳定。我一般拍 25 张，确保棋盘格在画面各个位置都出现过。
• 坑三：忽略亚像素精化。直接用整数像素坐标去标定，重投影误差很难低于 1.0 像素。亚像素精化这一步不能省。
• 坑四：标定板弯曲。这个前面说过了，用亚克力板或者玻璃板，别用纸板。