企业官网建设流程全解析

简介：这份资源是面向计算机视觉学习者与工程师的相机标定项目源码包，聚焦相机内参标定与双目标定两大核心任务，支持多种相机模型与多种标定板，适合机器人视觉、自动驾驶、三维重建、视频监控等场景下的标定需求。包内共223个文件，以170张jpg标定图像、17个h头文件、15个cc实现文件为主，另含yaml配置、pdf文档、md说明及少量py脚本，压缩包约24.15MB，涵盖相机模型参数估计、外参求解、特征点检测、图像预处理、畸变校正与结果验证等模块，并涉及张正友标定法等经典实现。已有420人学习关注。源码结构清晰，便于读者对照理解针孔与畸变相机模型的差异、棋盘格等标定板的角点提取流程，以及内参与双目外参的完整求解链路，可作为课程设计、科研复现与工业标定落地的参考工具。

1. 相机标定源码包拆解：从内参到双目标定，一套代码怎么吃透

做视觉项目的人迟早会撞上同一个问题：检测框明明画得挺准，一到测距、三维重建、机械臂抓取就全乱套。十有八九不是算法不行，而是相机参数没标对。这份「相机标定-相机内参标定+双目标定」源码包，解决的就是这件事——它把单目内参标定和双目立体标定放在同一套工程里，支持多种相机模型（针孔、鱼眼等）和多种标定板（棋盘格、圆点阵、ChArUco 之类），拿到手就能对着自己的相机跑一遍。适合谁？刚接手 D435i、ROS 相机或工业相机的工程师，以及需要把标定结果喂给 OpenCV、ROS 或自研重建管线的开发者。下面我按「这是什么 → 怎么跑 → 坑在哪」的顺序，把这份源码拆开讲。

2. 相机模型与标定板选型：为什么同一套代码要留这么多分支

2.1 针孔、鱼眼、畸变模型到底差在哪

相机标定的本质，是求一个从三维世界点到二维像素点的映射。最基础的是针孔模型，它假设光线穿过一个理想小孔，投影关系是线性的，用内参矩阵 K 描述：

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

fx、fy 是焦距在像素单位下的表示，cx、cy 是主点（光轴与像平面交点）。但真实镜头有畸变，常见做法是在针孔模型后面挂一组畸变系数，径向畸变 k1、k2、k3，切向畸变 p1、p2。普通工业镜头用这个五参数模型基本够用。

鱼眼镜头视场角能到 180 度甚至更大，针孔模型直接失效，得换成等距投影、等积投影这类模型，OpenCV 里对应cv2.fisheye模块。源码包把这两类分开实现，不是炫技，是因为鱼眼用针孔参数去标，重投影误差会大得离谱，你调参调到怀疑人生也救不回来。

选型建议很直接：视场角小于 120 度，用针孔加畸变；超过 140 度，直接上鱼眼模型。别想着用针孔硬标鱼眼，那是给自己挖坑。

2.2 棋盘格、圆点阵、ChArUco 怎么挑

标定板的选择直接影响角点提取的稳定性。棋盘格是最常见的，角点由黑白方格交界处定义，OpenCV 的findChessboardCorners对它支持最好，但缺点是遮挡一半就废了，而且角点位置靠亚像素优化，光照不均时容易飘。

圆点阵标定板用圆心作为特征点，提取时对模糊和噪声更鲁棒，因为圆心是通过椭圆拟合算出来的，不是靠边缘梯度。缺点是圆点阵的角点排序在某些视角下会乱，需要额外逻辑判断。

ChArUco 是棋盘格和 ArUco 码的结合体，每个角点都有唯一 ID，部分遮挡也能标，特别适合双目或多相机系统——左右相机各拍一半，靠 ID 就能对上。代价是标定板制作麻烦一点，检测也慢一些。

源码包里这几种板子都有对应接口，我一般这么选：单目快速标定用棋盘格，双目或者需要抗遮挡用 ChArUco，工业现场光照差用圆点阵。

2.3 标定板参数怎么填才不出错

不管用哪种板子，你都得告诉代码板子的物理尺寸。棋盘格要填「内角点数量」和「方格实际边长」，注意是内角点，不是方格数。比如 9x6 的棋盘格，指的是内部 9 列 6 行角点，实际方格可能是 10x7。这个填错，标定出来的焦距会整体缩放，你拿尺子一量发现差了好几倍，就是这里的问题。

圆点阵要填圆心间距和圆半径，ChArUco 要填方格边长和 marker 边长。单位统一用毫米或米都行，但整条链路要一致，别标定用毫米、后面重建用米，那又是一场血泪。

提示：标定板打印后一定要贴在硬质平板上，纸张翘曲会直接引入系统性误差，这种误差靠增加图片数量是补不回来的。

3. 内参标定实操：从采图到重投影误差收敛

3.1 采图环节的硬性要求

内参标定的精度，七成取决于你采的图。源码包里的标定流程再完善，也救不了一组烂图。我一般要求：

• 图片数量 15 到 30 张，太少方程欠定，太多冗余且慢；
• 标定板在画面里要覆盖不同位置：中心、四角、边缘都要有；
• 姿态要有倾斜，纯正对相机的图对解畸变没帮助；
• 每张图里标定板要完整、清晰，模糊的图直接删。

有个反直觉的点：标定板不一定要占满画面。占太满反而容易在边缘产生畸变拉伸，导致角点提取偏差。我习惯让标定板占画面 1/3 到 1/2，留出边距。

3.2 角点检测与亚像素优化

采完图，下一步是提取角点。以棋盘格为例，核心调用是：

import cv2 import numpy as np # 棋盘格内角点数量，注意是内角点 pattern_size = (9, 6) # 读取图片并转灰度 img = cv2.imread('calib_01.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: # 亚像素优化，窗口大小和迭代终止条件按经验设 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_refined = cv2.cornerSubPix( gray, corners, (11, 11), (-1, -1), criteria ) # 可视化，确认角点顺序没错 cv2.drawChessboardCorners(img, pattern_size, corners_refined, ret) cv2.imshow('corners', img) cv2.waitKey(0)

findChessboardCorners返回的是整数像素级角点，cornerSubPix把它优化到亚像素级。(11, 11)是搜索窗口，太大容易把邻近角点带偏，太小优化不充分，11 是常用值。criteria里 30 是最大迭代次数，0.001 是精度阈值，一般不用改。

这一步做完，一定要把角点画出来肉眼过一遍。如果角点顺序乱了或者漏检，后面标定全白搭。源码包里通常会有可视化开关，别嫌麻烦，打开看。

3.3 调用 calibrateCamera 与误差判读

角点齐了，就可以解内参：

# 准备世界坐标：标定板在 Z=0 平面上，按方格边长生成 square_size = 25.0 # 毫米 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 # objpoints 和 imgpoints 分别是世界坐标和像素坐标的列表 ret, K, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print('内参矩阵:\n', K) print('畸变系数:', dist.ravel()) print('重投影误差:', ret)

calibrateCamera返回的ret就是重投影误差，单位是像素。这个值直接反映标定质量：小于 0.5 像素算优秀，0.5 到 1.0 可用，超过 1.0 就得回头查图。常见原因是某几张图角点提取不准，或者标定板不平。

K是内参矩阵，dist是畸变系数。注意畸变系数的顺序，OpenCV 是 k1, k2, p1, p2, k3，别自己搞混。源码包里如果支持鱼眼，鱼眼的内参和畸变是分开的四个系数，不能和针孔混用。

注意：重投影误差低不代表标定一定对。如果所有图都是同一个角度拍的，误差可能很低，但参数外推到其他视角就崩了。采图多样性比单纯追求低误差更重要。

3.4 参数保存与跨平台格式

标定完要把结果存下来。源码包一般会提供 YAML 或 JSON 输出，方便 OpenCV、ROS 读取。我习惯存成 YAML，字段清晰：

camera_matrix: rows: 3 cols: 3 data: [fx, 0, cx, 0, fy, cy, 0, 0, 1] distortion_coefficients: rows: 1 cols: 5 data: [k1, k2, p1, p2, k3] image_width: 640 image_height: 480

ROS 的camera_calibration用的就是这种格式，直接能互通。如果你后面要接 ROS 或 D435i，这一步省不得。

4. 双目标定：从单目参数到立体校正

4.1 双目标定到底多算了什么

双目标定不是把两个单目标定拼一起就完事。除了各自的内参和畸变，它还要算两个相机之间的旋转矩阵 R 和平移向量 T，也就是外参。有了 R 和 T，才能做立体校正，把左右图对齐到同一极线，让同名点只在水平方向有视差，这是双目测距和深度图生成的前提。

源码包里双目标定的入口通常是stereoCalibrate，输入是左右相机各自的内参、畸变，以及左右图里同一标定板的角点对。注意，左右图必须是同一时刻拍的同一块板子，时间不同步或者板子动了，外参就错了。

4.2 双目标定的调用与参数

# 先分别单目标定得到 K1, dist1, K2, dist2 # 再用 stereoCalibrate 联合优化 ret, K1, dist1, K2, dist2, R, T, E, F = cv2.stereoCalibrate( objpoints, # 世界坐标，左右共用 imgpoints_left, # 左图像素坐标 imgpoints_right, # 右图像素坐标 K1, dist1, K2, dist2, gray_left.shape[::-1], criteria=(cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 1e-5), flags=cv2.CALIB_FIX_INTRINSIC # 固定单目内参，只优化外参 )

flags是个关键参数。CALIB_FIX_INTRINSIC表示固定已经标好的单目内参，只优化 R 和 T，适合单目标定已经很准的情况。如果单目标定误差大，可以放开让stereoCalibrate一起优化，但计算量会上去，而且可能把内参带偏。我一般先用CALIB_FIX_INTRINSIC，看重投影误差，不行再放开。

返回的R和T是右相机相对左相机的旋转和平移。E是本征矩阵，F是基础矩阵，做极线校正和特征匹配时会用到。

4.3 立体校正与视差图验证

标定完，下一步是stereoRectify和initUndistortRectifyMap，把左右图校正成标准立体对：

R1, R2, P1, P2, Q, roi1, roi2 = cv2.stereoRectify( K1, dist1, K2, dist2, gray_left.shape[::-1], R, T, alpha=0 # 0 表示裁剪掉无效区域，1 表示保留全部 ) # 生成映射表 map1x, map1y = cv2.initUndistortRectifyMap( K1, dist1, R1, P1, gray_left.shape[::-1], cv2.CV_32FC1 ) map2x, map2y = cv2.initUndistortRectifyMap( K2, dist2, R2, P2, gray_right.shape[::-1], cv2.CV_32FC1 ) # 对左右图做 remap left_rect = cv2.remap(gray_left, map1x, map1y, cv2.INTER_LINEAR) right_rect = cv2.remap(gray_right, map2x, map2y, cv2.INTER_LINEAR)

alpha=0会裁掉校正后出现的黑边，适合做视差；alpha=1保留全部像素，适合做全景拼接。Q是视差到深度的重投影矩阵，后面reprojectImageTo3D要用。

验证校正效果有个土办法：把左右校正图叠在一起，看同一物体是不是在同一水平线上。如果上下错位明显，说明外参有问题，回去查双目标定的角点对是不是配错了。

4.4 双目标定的常见翻车点

双目标定比单目更容易翻车，我列几个高频问题：

• 左右图角点顺序不一致：左图从左上角开始，右图从右下角开始，stereoCalibrate会算出完全错误的外参。解决办法是统一角点排序，或者用 ChArUco 靠 ID 匹配。
• 标定板在左右图中不同时完整：一边拍到一边没拍到，角点对数量不匹配，直接报错。
• 基线太短或太长：基线太短，深度精度差；太长，左右图重叠区域小，匹配点少。一般基线取场景深度的 1/10 到 1/5。
• 忘记固定内参：如果单目标定已经很好，双目标定时放开内参，可能把 fx、fy 优化到不合理值，导致校正图拉伸。

5. 避坑与排查：标定结果不对时先查这几条

5.1 重投影误差正常但测距不准

现象：单目重投影误差 0.3 像素，双目标定误差也小，但视差图算出来的深度和实际差很多。

原因：多半是标定板尺寸填错，或者双目基线 T 的单位和场景单位不一致。比如标定板填的是毫米，但后面重建时把 T 当成米用，深度直接差 1000 倍。

解决：从头核对单位链路，标定板尺寸、T 的模长、Q 矩阵里的参数，全部统一到同一单位。用卷尺量一下实际基线，和 T 的模长对一下，差太多就是单位问题。

5.2 角点检测失败或顺序错乱

现象：findChessboardCorners返回 False，或者返回 True 但角点顺序明显不对。

原因：光照不均、标定板反光、背景干扰、棋盘格尺寸填错。顺序错乱常见于圆点阵，椭圆拟合在某些视角下会翻转。

解决：先确认 pattern_size 填的是内角点数量。然后改善光照，避免反光。圆点阵可以加CALIB_CB_ASYMMETRIC_GRID标志，或者改用 ChArUco。实在不行，手动点几个角点做初始估计，再让算法优化。

5.3 鱼眼标定用针孔模型

现象：鱼眼镜头用普通calibrateCamera标定，重投影误差看着还行，但边缘畸变完全没校正，直线还是弯的。

原因：针孔模型无法描述鱼眼的大畸变，优化时只能拟合中心区域，边缘直接放弃。

解决：换cv2.fisheye.calibrate，用鱼眼模型。注意鱼眼标定要求图片数量更多，一般 30 张以上，且标定板要覆盖整个视场，包括边缘。

5.4 双目标定后校正图上下错位

现象：stereoRectify后左右图同一物体不在同一水平线，视差匹配全乱。

原因：外参 R、T 不准，或者左右角点对配错。也可能是单目内参本身有较大误差，联合优化时把外参带偏。

解决：先单独检查左右单目标定误差，确保都在 0.5 像素以内。然后检查角点对，用可视化工具把左右角点画出来对比。如果还不行，用CALIB_USE_INTRINSIC_GUESS让stereoCalibrate重新优化内参，但要有心理准备，计算时间会明显增加。

5.5 标定结果在不同分辨率下失效

现象：在 640x480 下标的参数，换到 1280x960 直接用，结果全错。

原因：内参矩阵和分辨率绑定，fx、fy、cx、cy 都是像素单位，分辨率变了必须重新标定，或者按比例缩放。但缩放只在理想情况下成立，实际镜头畸变和分辨率不是线性关系。

解决：要么在每个分辨率下单独标定，要么标定一次后，用cv2.getOptimalNewCameraMatrix按新分辨率重新计算内参。别直接拿旧参数硬套。

6. 进阶技巧：用 ChArUco 和 ROS 把标定流程固化下来

如果你经常要标定不同相机，或者团队里多人共用一套流程，我建议把标定板换成 ChArUco，再把整个流程包成脚本。ChArUco 的好处是每个角点有唯一 ID，左右图匹配不靠顺序，靠 ID，双目标定时基本不会配错。而且部分遮挡也能标，采图时不用强求整块板子都入镜。

具体做法是先生成 ChArUco 板：

import cv2 # 定义字典和板子参数 aruco_dict = cv2.aruco.getPredefinedDictionary(cv2.aruco.DICT_6X6_250) board = cv2.aruco.CharucoBoard((7, 5), 0.04, 0.02, aruco_dict) # 7x5 是方格数，0.04 是方格边长（米），0.02 是 marker 边长 # 生成图片并保存 img = board.generateImage((1400, 1000)) cv2.imwrite('charuco_board.png', img)

打印时注意保持比例，别拉伸。标定时用cv2.aruco.CharucoDetector检测角点和 ID，再传给calibrateCamera或stereoCalibrate。因为 ID 唯一，左右图匹配就是查表，省掉了排序逻辑。

ROS 用户可以直接用camera_calibration包，它支持棋盘格和圆点阵，双目标定也有stereo_calibrator。把源码包里的参数和 ROS 的 YAML 对齐，就能在 ROS 生态里直接用。D435i 这类相机出厂有标定，但如果你换了镜头或者撞过，重新标定是必须的。我一般会先用出厂参数跑一遍，再自己标一遍对比，差得多就以自己标的为准。

最后说个习惯：每次标定完，我都会拿一把卷尺量一下实际距离，和视差算出来的深度对一下。误差在 2% 以内算合格，超过 5% 就回去查。这个动作花不了一分钟，但能帮你省掉后面几小时的调试。从那以后我每次标定都强制走一遍「重投影误差 + 实测距离」双验证，再也没出现过参数看着漂亮、一用就崩的情况。希望帮到你。

本文还有配套的精品资源，点击获取