简介双目相机标定是立体视觉与三维重建的基础环节这份资源面向正在学习计算机视觉、需要搭建双目测距或深度估计系统的开发者提供了一套基于OpenCV-Python的完整标定实现。压缩包共61个文件包含7个Python脚本标定主程序、命令行演示、棋盘格生成与图像拆分等工具、45张JPG标定样本图、PNG棋盘格模板、依赖说明与云端运行配置整体约24.35MB便于下载后直接复现整个标定流程。已有132人学习该资源。从标定板生成、图像采集到内外参数解算脚本结构清晰且可直接运行读者可借此理解角点检测、畸变校正与双目立体标定的全流程为后续视差图计算、深度估计与三维重建打下扎实基础。1. OpenCV-Python双目标定为什么你的测距结果抖到没法用如果你自己搭过双目摄像头大概率遇到过这种场景目标明明静止不动程序算出来的距离却在小数点后两位疯狂跳动物体边缘全是虚化和重影。我最早排查半天以为是视差匹配算法写得不对换了好几种匹配策略都没改善最后才意识到问题压根不在匹配而在标定参数上。OpenCV-Python实现双目相机标定就是用棋盘格照片把左右相机的内参、畸变系数、旋转平移矩阵求出来再用极线校正把两幅图像拉成严格水平对齐。它解决的是测距、避障、深度估测之前那个最容易被人跳过的前置步骤。适合手里有一套双摄像头、准备做双目视觉开发的从业者不管你是做机械臂抓取还是小车避障这一步跑不通后面再好的算法都是白搭。2. 标定板与图像采集棋盘格参数和相机位姿控制的细节2.1 棋盘格参数怎么选内角点数量、方格边长和打印规范标定板是整个标定的“世界坐标系锚点”它的误差会直接钻进相机内参里。常见的做法是用 OpenCV 自带的棋盘格检测函数所以标定板必须是黑白相间的棋盘而且是偶数列这样检测到的角点顺序才稳定。角点数量写的是“内角点”也就是黑白块交叉的点不是格子的数量。比如一张 7×10 的格子内角点就是 6×9这个数在程序里写成 (cols, rows)cols 对应内角点列数rows 对应行数很多人第一次就把这两个数和格子总数搞混导致 findChessboardCorners 一直返回 False。方格边长决定了标定结果中平移向量 T 的物理单位。这里有个很容易忽略的换算关系OpenCV 标定的所有世界坐标点都是从你传入的 object_points 里来的你写 24毫米输出 T 就是毫米你写 0.024米输出 T 就是米。标定板打印出来之后一定拿游标卡尺实际量几个格子的边长取平均值不要直接信打印机的 100% 缩放我踩过这个坑打印机默认缩放导致实际边长差了 0.2mm 左右测距结果整体偏了接近 1%。生成标定板图像的代码很简单但要注意绘制时把列数设成偶数import cv2 import numpy as np rows 6 # 内角点行数 cols 9 # 内角点列数 square 24 # 实际棋盘格边长单位 mm cell 120 # 绘制棋盘格时每个格子的像素大小仅用于生成图片 board np.full(((rows 1) * cell, (cols 1) * cell), 255, dtypenp.uint8) for i in range(rows 1): for j in range(cols 1): if (i j) % 2 0: y0, y1 i * cell, (i 1) * cell x0, x1 j * cell, (j 1) * cell board[y0:y1, x0:x1] 0 cv2.imwrite(chessboard_9x6_24mm.png, board)这段代码里的 rows 和 cols 是内角点数量不是格子总数生成出来的是 7×10 的格子。之所以要求列数偶数是为了保证棋盘格边缘一侧全是黑块角点检测器在做四边形筛选时方向判定更稳。打印时建议用哑光纸不要用高光铜版纸反光会让角点附近的灰度梯度变形亚像素细化时精度会下降。打印后贴在平整硬纸板或铝板上表面不能有明显弯曲否则每个格子的真实世界坐标就乱了。2.2 图像采集规范拍多少张、覆盖什么姿态、怎么保证左右同步采集标定图片是整个流程里最花时间、最容易被敷衍的一步。很多人拍了三五张就开始标定结果单目标定 rms 看起来很小但双目标定出来的基线长度几十米一看就是过拟合了。我一般建议左右各拍 15 到 20 张有效图片姿态要有明显变化标定板正对相机拍几张左转右转拍几张上仰下俯拍几张远近各拍几张还要让标定板出现在画面四角和中心。理想情况是每张图里棋盘格占画面三分之一以上太小了角点检测精度不够太大了又容易超出畸变模型的拟合范围。左右目同步也很关键。如果你的双目模组支持硬件同步触发优先用触发模式没有的话就固定不动拍棋盘格或者用手持标定板在一个位置停稳后同时触发两路采集保证左右图对应同一个空间姿态。只要两张图里棋盘格不是同一个姿态双目标定算出来的旋转矩阵就是错的而且不会有任何报错提示。采集时的曝光和焦距在标定过程中必须固定中途变焦或者自动曝光跳动了整批图片的 fx、fy 就乱了。光照方面不要让棋盘格表面出现过曝的高光斑也不要让阴影切到格子上这些都会让 cornerSubPix 的亚像素细化跑到错误的灰度极值上。每拍一组就快速回放看一眼有糊的、反光的、超出视野的当场重拍不要拖到后面再筛浪费时间。2.3 数据目录组织和命名给后续脚本铺路图像文件命名建议带上序号和左右标识比如 left_01.png、right_01.png左右一一对应。我自己习惯把图片按左右分两个目录存放脚本按序号配对读取避免后面手写列表时搞错顺序。一个简单的组织方式import os left_dir calib_images/left right_dir calib_images/right assert len(os.listdir(left_dir)) len(os.listdir(right_dir))做这个断言看起来多余但能提前拦住“左右图数量对不上”这种低级错误。采集时顺手把每张图的checkerboard 是否完整记录在一个文本里后面标定出问题时能快速定位是哪张图污染了结果。3. 单目标定从角点检测到内参矩阵与畸变系数的完整计算3.1 角点检测与亚像素细化findChessboardCorners 的输入输出细节双目标定前必须先做单目标定这是个容易被新手跳过但实际上绕不开的步骤。stereoCalibrate 需要左右相机各自的内参初值如果直接传 None结果往往收敛不到合理区间。单目标定的第一步是找角点OpenCV 的核心函数是 findChessboardCorners。它做的事情是先在图像金字塔上做角点粗检再用四边形筛选把棋盘格从背景里分离出来。import cv2 import numpy as np cols, rows 9, 6 # 内角点列数、行数必须和图片一致 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objp np.zeros((rows * cols, 3), np.float32) objp[:, :2] np.mgrid[0:cols, 0:rows].T.reshape(-1, 2) objpoints [] imgpoints_l [] imgpoints_r [] for idx in range(1, len(os.listdir(left_dir)) 1): img_l cv2.imread(fcalib_images/left/left_{idx:02d}.png) img_r cv2.imread(fcalib_images/right/right_{idx:02d}.png) gray_l cv2.cvtColor(img_l, cv2.COLOR_BGR2GRAY) gray_r cv2.cvtColor(img_r, cv2.COLOR_BGR2GRAY) ret_l, corners_l cv2.findChessboardCorners( gray_l, (cols, rows), flagscv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_NORMALIZE_IMAGE) ret_r, corners_r cv2.findChessboardCorners( gray_r, (cols, rows), flagscv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_NORMALIZE_IMAGE) if not (ret_l and ret_r): print(f第 {idx} 组图片角点检测失败已跳过) continue corners_l cv2.cornerSubPix(gray_l, corners_l, (5, 5), (-1, -1), criteria) corners_r cv2.cornerSubPix(gray_r, corners_r, (5, 5), (-1, -1), criteria) objpoints.append(objp) imgpoints_l.append(corners_l) imgpoints_r.append(corners_r)这段代码里np.mgrid[0:cols, 0:rows]很多人写反过注意 OpenCV 的角点检测顺序是从左上角开始逐行向右所以先生成列方向的数据再生成行方向然后.T转置后 reshape才能和角落检测顺序严格对应。CALIB_CB_ADAPTIVE_THRESH让检测器针对不均匀光照做自适应阈值CALIB_CB_NORMALIZE_IMAGE在做阈值前对图像做归一化这两项在光照不稳定时建议都加上。cornerSubPix的窗口大小(5,5)是常见经验值窗口太大容易把相邻角点的灰度梯度卷进来太小则亚像素精度不足。3.2 calibrateCamera内参矩阵和畸变系数的物理含义角点收集完之后调用 calibrateCamera它会用张正友标定法在最小化重投影误差的意义下求解内参、畸变和外参。gray_shape gray_l.shape[::-1] # (width, height) rms, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints_l, gray_shape, None, None) print(单目重投影误差:, rms) print(内参矩阵:\n, mtx) print(畸变系数:, dist.ravel())返回值里 mtx 是 3×3 内参矩阵结构如下参数位置含义fxmtx[0, 0]焦距对应的像素值fx f / dxdx 是单个像素物理宽度fymtx[1, 1]fy f / dy通常和 fx 接近cxmtx[0, 2]光心在图像坐标系中的 x 坐标近似为图像宽度一半cymtx[1, 2]光心 y 坐标近似为图像高度一半dist 是 1×5 的畸变系数向量包含 (k1, k2, p1, p2, k3)前两个是径向畸变p1、p2 是切向畸变k3 是鱼眼类镜头才明显的大畸变项。普通工业镜头一般 k3 很小如果不是鱼眼镜头标定出来的 k3 离谱地大说明图片里混进了严重畸变的边角图像或标定板弯了。rms 是重投影误差的均方根单位是像素我的经验是 0.3 以下算优秀0.5 左右可接受超过 1.0 就得检查是不是有图片糊了或者角点检测错位了。3.3 逐图重投影误差找到污染结果的单张图片标定整体 rms 只能告诉你平均值不能告诉你是哪张图拖了后腿。我会对每张图单独算重投影误差把贡献最大的图片找出来直接删掉。方法是利用 rvecs 和 tvecs 把物体坐标系的三维点反投影回图像平面。def per_image_error(objpoints, imgpoints, rvecs, tvecs, mtx, dist): errors [] for objp, imgp, rvec, tvec in zip(objpoints, imgpoints, rvecs, tvecs): proj_points, _ cv2.projectPoints(objp, rvec, tvec, mtx, dist) err np.mean(np.sqrt(np.sum((proj_points[:, 0] - imgp[:, 0]) ** 2, axis1))) errors.append(err) return errors errs per_image_error(objpoints, imgpoints_l, rvecs, tvecs, mtx, dist) for i, e in enumerate(errs): print(f第 {i1} 张:, round(e, 4))projectPoints 做的事情是把三维世界坐标点依次经刚体变换、针孔投影、畸变模型映射到图像平面和标定时隐式使用的模型完全一致。正常情况下每张图的误差都在同一量级如果某一张明显高于平均值大概率是那张图棋盘格被部分遮挡、运动模糊或者角点顺序跳变导致的。删掉重标比留着它硬扛效果要好得多。4. 双目标定核心stereoCalibrate、极线校正与重投影误差验证4.1 stereoCalibrate把左右目参数合到同一个立体坐标系左右相机各自独立标定完后双目标定的任务是把两个相机的姿态关系确定下来一个旋转矩阵 R 和一个平移向量 T。R 描述了右相机坐标系相对于左相机坐标系的旋转T 描述了右相机光心在左相机坐标系下的位置基线长度就是 norm(T)。stereoCalibrate 需要你传入左右各自的内参和畸变系数作为初值常见做法是先用上一步单目标定的结果然后加CALIB_FIX_INTRINSIC标志只让优化器去求 R 和 T整体再微调一点也行但初值质量高时差别不大。# K1, D1 来自左目单目标定K2, D2 来自右目单目标定 rms_stereo, K1, D1, K2, D2, R, T, E, F cv2.stereoCalibrate( objpoints, imgpoints_l, imgpoints_r, K1, D1, K2, D2, gray_shape, flagscv2.CALIB_FIX_INTRINSIC) base_line np.linalg.norm(T) print(立体标定 rms:, rms_stereo) print(旋转矩阵 R:\n, R) print(平移向量 T:, T.ravel()) print(基线长度:, base_line, mm)CALIB_FIX_INTRINSIC的含义是保持左右内参、畸变系数不动只优化外参这个方式魯棒性最好不容易在数据量少时把内参带偏。如果你图集质量很好想整体再调优可以改用CALIB_USE_INTRINSIC_GUESS它会在初始值附近继续优化内参和畸变。E 是本质矩阵F 是基础矩阵本质矩阵只和 R、T 有关基础矩阵额外包含内参信息实际工程中 E、F 很少直接用它们更多用于校验极线约束是否成立。立体 rms 比单目 rms 略高是正常的一般 0.2 到 1.0 像素都算合理超过 1.5 说明左右对应关系里有脏数据。T 的单位是由 object_points 的坐标单位决定的。如果你标定板量出来的边长是 24mm那么 T 就是毫米基线长度几十到一两百毫米都是正常范围如果算出几百米一定是世界坐标单位写错或者某张图的棋盘格检测不完整这种结果后期极线校正和测距都会崩。4.2 stereoRectify 和 remap把左右图拉成严格水平对齐立体标定得到 R 和 T 后极线校正的目标是重投影两张图使左右图的对应点落在同一扫描线上。OpenCV 的 stereoRectify 计算左右相机的校正旋转矩阵 R1、R2以及新的投影矩阵 P1、P2 和视差深度矩阵 Q。校正后图像的裁剪程度由 alpha 控制alpha0 时所有像素都保留但图像会严重变形alpha1 时图像不变形但会裁剪掉边缘信息适合直接做立体匹配的通常是 alpha-1 或 0.5 左右的自适应值。我习惯先用 alpha0.5看下边缘特征再做调整。R1, R2, P1, P2, Q, roi1, roi2 cv2.stereoRectify( K1, D1, K2, D2, gray_shape, R, T, alpha0.5) map1_l, map2_l cv2.initUndistortRectifyMap( K1, D1, R1, P1, gray_shape, cv2.CV_32FC1) map1_r, map2_r cv2.initUndistortRectifyMap( K2, D2, R2, P2, gray_shape, cv2.CV_32FC1) rect_l cv2.remap(img_l, map1_l, map2_l, cv2.INTER_LINEAR) rect_r cv2.remap(img_r, map1_r, map2_r, cv2.INTER_LINEAR) cv2.imwrite(rectified_left.png, rect_l) cv2.imwrite(rectified_right.png, rect_r)initUndistortRectifyMap 生成两张映射表remap 按映射表重采样原图。之所以用 remap 而不是直接调 undistort是因为双目标定场景需要同时处理去畸变和极线校正两步变换预计算映射表后对每一帧视频都只做一次查表重采样性能开销小很多。这里有一个细节gray_shape 传入的顺序是 (width, height)如果你习惯用 shape 取出来的 (height, width)一定要反着写写反了整张图的映射关系会错位但图像不会崩出来的校正图看起来还像模像样就是立体匹配结果乱七八糟。4.3 极线校验别让错误的校正参数进入下一步校正完之后第一件事不是急着算深度图而是人工验证极线是否对齐。在 rectified 图像上画一条水平黄线看这条线穿过的特征点在另一张图里是否也在同一 y 坐标如果左右图的特征点水平差超过 2 像素说明 stereoRectify 的参数有问题或者 R、T 本身就不准。这个检查虽然朴素但比任何自动评估指标都直观。canvas np.hstack([rect_l, rect_r]) for y in range(0, canvas.shape[0], 80): cv2.line(canvas, (0, y), (canvas.shape[1], y), (0, 255, 255), 1) cv2.imwrite(epiline_check.png, canvas)把左右校正图拼在一起画横线如果某个棋盘格角点在校正后的左图 y300右图对应的角点也在 y300说明校正有效。如果横线穿过的角点在左右图上有肉眼可见的高度差那就回到前一步检查 R、T 是否有误或者直接换一组原始图片重测。5. 避坑与排查标定路上五个高频翻车现场与修复方案5.1 角点检测失败与参数理解偏差现象findChessboardCorners 在质量不错的图上仍然返回 False或者提示找不到 9×6 的棋盘格。原因最常见的有两种可能。一是内角点数写错比如把格子总数 7×10 当成内角点数 7×10实际内角点是 6×9。二是图像中的棋盘格确实不完整某个边缘角点出了画面检测器无法确认四边形闭合。还有个隐蔽原因是图片分辨率太高检测器在降采样金字塔里找不到角点可以试试缩小图片后先检测再用原分辨率做亚像素细化。解决先在单张图上调试用 cv2.imshow 配合 drawChessboardCorners 观察检测结果。如果只是角落被切重新采集并把标定板向画面中心移一点。如果是高分辨率问题把图片缩到宽度 1600 左右再检测同时调小CALIB_CB_FILTER_QUADS的开关状态这个标志在图中出现多个类棋盘结构时会导致误筛。5.2 单目 rms 正常但立体标定出的基线长度离谱现象左右单目标定 rms 都小于 0.5但 stereoCalibrate 算出来的 norm(T) 是几百米或者小于 1 毫米明显不符合物理事实。原因几乎所有这类问题都出在 object_points 不统一。左右摄像头标定用的是同一块棋盘格边长必须一致如果我左目标定时 objp 写 24mm右目标定时写成 25mm那么左右相机的尺度基准不同T 就会带进一个比例错位。另一个常见原因是 objp 没有逐张图重新赋值Python 里如果你对同一个 numpy 数组做 append后续又就地修改了这个数组之前的 objpoints 引用也会跟着变导致所有图片的世界坐标点全部错乱。解决每次循环里重新调用np.zeros创建 objp不要复用同一块内存。检查左右脚本里 square 常量是否一致。用np.linalg.norm(T)输出 T再拿尺子量一下实际两个镜头光心的距离数量级对不上就回去查数据。5.3 极线校正后图像变形严重边缘特征丢失现象rectified 之后图像边缘出现明显拉伸原本竖直的物体变弯曲画面外圈信息被大量裁剪。原因OpenCV 默认 alpha-1 时会在校正过程中裁剪掉畸变严重的边缘区域换来最小的图像形变。alpha 取 0.0 时保留全部原始像素但校正后的图像形变最严重图像边缘的棋盘格角点看起来像被压实了。很多人不知道 alpha 的取舍逻辑直接抄默认参数发现画面没法看。解决把 alpha 改成 0.3 到 0.6 之间的值在形变和保留边缘之间做权衡。调 alpha 之后务必回到极线校验步骤重新画横线验证因为不同的 alpha 会改变校正映射关系让 R1、P1 对应的坐标也发生变化。5.4 OpenCV 版本差异导致的行为不一致现象同一套代码在 A 机器上角点检测全部成功换台机器装了新版 OpenCV 之后检测失败率明显上升或者某些 flag 直接报错。原因OpenCV 的 findChessboardCorners 和 calibrateCamera 在 3.4.x 和 4.x 之间行为有差异特别是对自适应阈值和四边形筛选的默认逻辑有调整。很多人从 pip 直接装 opencv-python 装到的都是最新版没有锁定版本。4.1.2 之后 findChessboardCorners 在部分棋盘格尺寸上检测得更激进误检率提高。解决在 requirements 里固定版本工程上常见做法是锁opencv-python3.4.1.15或 4.5 系列的某个稳定小版本。3.4.x 没有 SIFT 等部分算法的专利权问题做标定项目完全够用。团队协作时把 requirements.txt 提交到仓库避免各人机器环境不一致带来的隐性 bug。如果必须用 4.x就重新把 flags 参数和检测逻辑过一遍测试不要假定前后完全兼容。5.5 stereoCalibrate 报错object_points 数量不一致现象报错信息提示 number of chessboard corner rows/cols not match或者数组维度对不上。原因object_points 列表里所有元素都是同一个 objp本身维度一样报错往往出在 imgpoints_l 和 imgpoints_r 长度不一致。比如左目某张图检测成功进入列表右目同一张图检测失败被 continue 跳过两个列表就错位了后面 zip 配对时全部错开。解决在循环里同时检测左右图只要有一侧失败就双双跳过不要单独跳过一个列表。加一行断言assert len(imgpoints_l) len(imgpoints_r) len(objpoints)这行代码放循环结束后能在第一时间暴露配对问题。类似的objpoints 也不要单独 append和 imgpoints 一起 append保证三个列表始终同步增长。6. 进阶用法重投影误差调优和双目测距参数验证标定参数到底行不行最终要看测距准不准。最直接的验证是在校正后的图像里手工找一对对应点算视差再换算成深度。Depth f × b / disparity这里的 f 是校正后水平方向焦距也就是 P1 矩阵里 [0,0] 位置的数值b 是基线长度disparity 是视差单位都是像素。f_pixel P1[0, 0] b_mm np.linalg.norm(T) # 手工选取左图和右图中同一个点的像素坐标 left_px (320, 240) right_px (298, 240) # 同一特征点在右图中的位置 disparity left_px[0] - right_px[0] depth_mm f_pixel * b_mm / disparity print(估计深度:, depth_mm, mm)这个公式来自视差测距的基础几何f 和 b 的单位要一致如果 b 是毫米depth 就是毫米。实际测一个已知距离的目标误差在 1% 到 2% 以内算是标定合格超过 5% 就得回头检查极线校正是否对齐或者 T 的方向是否反了。T 的正负方向很重要stereoCalibrate 输出的 T 是从左相机到右相机的平移向量左右顺序弄反测出的深度就会变成负数。另外一个调优技巧是循环迭代法重投影误差偏大的那几张图删掉重标重标之后再算一次立体 rms反复迭代两三轮直到单目 rms 和立体 rms 都在 1.0 像素以下。这个过程不需要改任何采集代码只是在数据预处理阶段做过滤。从那以后我每次做标定都强制走一遍“删图重标、检查基线长度、画水平线校极线”这三步宁可多花十分钟验证也不带着可疑参数继续往下写测距程序。这套流程用熟之后从摆好标定板到拿到可信的测距结果基本一个下午能跑完希望帮到你。本文还有配套的精品资源点击获取
简介双目相机标定是立体视觉与三维重建的基础环节这份资源面向正在学习计算机视觉、需要搭建双目测距或深度估计系统的开发者提供了一套基于OpenCV-Python的完整标定实现。压缩包共61个文件包含7个Python脚本标定主程序、命令行演示、棋盘格生成与图像拆分等工具、45张JPG标定样本图、PNG棋盘格模板、依赖说明与云端运行配置整体约24.35MB便于下载后直接复现整个标定流程。已有132人学习该资源。从标定板生成、图像采集到内外参数解算脚本结构清晰且可直接运行读者可借此理解角点检测、畸变校正与双目立体标定的全流程为后续视差图计算、深度估计与三维重建打下扎实基础。1. OpenCV-Python双目标定为什么你的测距结果抖到没法用如果你自己搭过双目摄像头大概率遇到过这种场景目标明明静止不动程序算出来的距离却在小数点后两位疯狂跳动物体边缘全是虚化和重影。我最早排查半天以为是视差匹配算法写得不对换了好几种匹配策略都没改善最后才意识到问题压根不在匹配而在标定参数上。OpenCV-Python实现双目相机标定就是用棋盘格照片把左右相机的内参、畸变系数、旋转平移矩阵求出来再用极线校正把两幅图像拉成严格水平对齐。它解决的是测距、避障、深度估测之前那个最容易被人跳过的前置步骤。适合手里有一套双摄像头、准备做双目视觉开发的从业者不管你是做机械臂抓取还是小车避障这一步跑不通后面再好的算法都是白搭。2. 标定板与图像采集棋盘格参数和相机位姿控制的细节2.1 棋盘格参数怎么选内角点数量、方格边长和打印规范标定板是整个标定的“世界坐标系锚点”它的误差会直接钻进相机内参里。常见的做法是用 OpenCV 自带的棋盘格检测函数所以标定板必须是黑白相间的棋盘而且是偶数列这样检测到的角点顺序才稳定。角点数量写的是“内角点”也就是黑白块交叉的点不是格子的数量。比如一张 7×10 的格子内角点就是 6×9这个数在程序里写成 (cols, rows)cols 对应内角点列数rows 对应行数很多人第一次就把这两个数和格子总数搞混导致 findChessboardCorners 一直返回 False。方格边长决定了标定结果中平移向量 T 的物理单位。这里有个很容易忽略的换算关系OpenCV 标定的所有世界坐标点都是从你传入的 object_points 里来的你写 24毫米输出 T 就是毫米你写 0.024米输出 T 就是米。标定板打印出来之后一定拿游标卡尺实际量几个格子的边长取平均值不要直接信打印机的 100% 缩放我踩过这个坑打印机默认缩放导致实际边长差了 0.2mm 左右测距结果整体偏了接近 1%。生成标定板图像的代码很简单但要注意绘制时把列数设成偶数import cv2 import numpy as np rows 6 # 内角点行数 cols 9 # 内角点列数 square 24 # 实际棋盘格边长单位 mm cell 120 # 绘制棋盘格时每个格子的像素大小仅用于生成图片 board np.full(((rows 1) * cell, (cols 1) * cell), 255, dtypenp.uint8) for i in range(rows 1): for j in range(cols 1): if (i j) % 2 0: y0, y1 i * cell, (i 1) * cell x0, x1 j * cell, (j 1) * cell board[y0:y1, x0:x1] 0 cv2.imwrite(chessboard_9x6_24mm.png, board)这段代码里的 rows 和 cols 是内角点数量不是格子总数生成出来的是 7×10 的格子。之所以要求列数偶数是为了保证棋盘格边缘一侧全是黑块角点检测器在做四边形筛选时方向判定更稳。打印时建议用哑光纸不要用高光铜版纸反光会让角点附近的灰度梯度变形亚像素细化时精度会下降。打印后贴在平整硬纸板或铝板上表面不能有明显弯曲否则每个格子的真实世界坐标就乱了。2.2 图像采集规范拍多少张、覆盖什么姿态、怎么保证左右同步采集标定图片是整个流程里最花时间、最容易被敷衍的一步。很多人拍了三五张就开始标定结果单目标定 rms 看起来很小但双目标定出来的基线长度几十米一看就是过拟合了。我一般建议左右各拍 15 到 20 张有效图片姿态要有明显变化标定板正对相机拍几张左转右转拍几张上仰下俯拍几张远近各拍几张还要让标定板出现在画面四角和中心。理想情况是每张图里棋盘格占画面三分之一以上太小了角点检测精度不够太大了又容易超出畸变模型的拟合范围。左右目同步也很关键。如果你的双目模组支持硬件同步触发优先用触发模式没有的话就固定不动拍棋盘格或者用手持标定板在一个位置停稳后同时触发两路采集保证左右图对应同一个空间姿态。只要两张图里棋盘格不是同一个姿态双目标定算出来的旋转矩阵就是错的而且不会有任何报错提示。采集时的曝光和焦距在标定过程中必须固定中途变焦或者自动曝光跳动了整批图片的 fx、fy 就乱了。光照方面不要让棋盘格表面出现过曝的高光斑也不要让阴影切到格子上这些都会让 cornerSubPix 的亚像素细化跑到错误的灰度极值上。每拍一组就快速回放看一眼有糊的、反光的、超出视野的当场重拍不要拖到后面再筛浪费时间。2.3 数据目录组织和命名给后续脚本铺路图像文件命名建议带上序号和左右标识比如 left_01.png、right_01.png左右一一对应。我自己习惯把图片按左右分两个目录存放脚本按序号配对读取避免后面手写列表时搞错顺序。一个简单的组织方式import os left_dir calib_images/left right_dir calib_images/right assert len(os.listdir(left_dir)) len(os.listdir(right_dir))做这个断言看起来多余但能提前拦住“左右图数量对不上”这种低级错误。采集时顺手把每张图的checkerboard 是否完整记录在一个文本里后面标定出问题时能快速定位是哪张图污染了结果。3. 单目标定从角点检测到内参矩阵与畸变系数的完整计算3.1 角点检测与亚像素细化findChessboardCorners 的输入输出细节双目标定前必须先做单目标定这是个容易被新手跳过但实际上绕不开的步骤。stereoCalibrate 需要左右相机各自的内参初值如果直接传 None结果往往收敛不到合理区间。单目标定的第一步是找角点OpenCV 的核心函数是 findChessboardCorners。它做的事情是先在图像金字塔上做角点粗检再用四边形筛选把棋盘格从背景里分离出来。import cv2 import numpy as np cols, rows 9, 6 # 内角点列数、行数必须和图片一致 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objp np.zeros((rows * cols, 3), np.float32) objp[:, :2] np.mgrid[0:cols, 0:rows].T.reshape(-1, 2) objpoints [] imgpoints_l [] imgpoints_r [] for idx in range(1, len(os.listdir(left_dir)) 1): img_l cv2.imread(fcalib_images/left/left_{idx:02d}.png) img_r cv2.imread(fcalib_images/right/right_{idx:02d}.png) gray_l cv2.cvtColor(img_l, cv2.COLOR_BGR2GRAY) gray_r cv2.cvtColor(img_r, cv2.COLOR_BGR2GRAY) ret_l, corners_l cv2.findChessboardCorners( gray_l, (cols, rows), flagscv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_NORMALIZE_IMAGE) ret_r, corners_r cv2.findChessboardCorners( gray_r, (cols, rows), flagscv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_NORMALIZE_IMAGE) if not (ret_l and ret_r): print(f第 {idx} 组图片角点检测失败已跳过) continue corners_l cv2.cornerSubPix(gray_l, corners_l, (5, 5), (-1, -1), criteria) corners_r cv2.cornerSubPix(gray_r, corners_r, (5, 5), (-1, -1), criteria) objpoints.append(objp) imgpoints_l.append(corners_l) imgpoints_r.append(corners_r)这段代码里np.mgrid[0:cols, 0:rows]很多人写反过注意 OpenCV 的角点检测顺序是从左上角开始逐行向右所以先生成列方向的数据再生成行方向然后.T转置后 reshape才能和角落检测顺序严格对应。CALIB_CB_ADAPTIVE_THRESH让检测器针对不均匀光照做自适应阈值CALIB_CB_NORMALIZE_IMAGE在做阈值前对图像做归一化这两项在光照不稳定时建议都加上。cornerSubPix的窗口大小(5,5)是常见经验值窗口太大容易把相邻角点的灰度梯度卷进来太小则亚像素精度不足。3.2 calibrateCamera内参矩阵和畸变系数的物理含义角点收集完之后调用 calibrateCamera它会用张正友标定法在最小化重投影误差的意义下求解内参、畸变和外参。gray_shape gray_l.shape[::-1] # (width, height) rms, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints_l, gray_shape, None, None) print(单目重投影误差:, rms) print(内参矩阵:\n, mtx) print(畸变系数:, dist.ravel())返回值里 mtx 是 3×3 内参矩阵结构如下参数位置含义fxmtx[0, 0]焦距对应的像素值fx f / dxdx 是单个像素物理宽度fymtx[1, 1]fy f / dy通常和 fx 接近cxmtx[0, 2]光心在图像坐标系中的 x 坐标近似为图像宽度一半cymtx[1, 2]光心 y 坐标近似为图像高度一半dist 是 1×5 的畸变系数向量包含 (k1, k2, p1, p2, k3)前两个是径向畸变p1、p2 是切向畸变k3 是鱼眼类镜头才明显的大畸变项。普通工业镜头一般 k3 很小如果不是鱼眼镜头标定出来的 k3 离谱地大说明图片里混进了严重畸变的边角图像或标定板弯了。rms 是重投影误差的均方根单位是像素我的经验是 0.3 以下算优秀0.5 左右可接受超过 1.0 就得检查是不是有图片糊了或者角点检测错位了。3.3 逐图重投影误差找到污染结果的单张图片标定整体 rms 只能告诉你平均值不能告诉你是哪张图拖了后腿。我会对每张图单独算重投影误差把贡献最大的图片找出来直接删掉。方法是利用 rvecs 和 tvecs 把物体坐标系的三维点反投影回图像平面。def per_image_error(objpoints, imgpoints, rvecs, tvecs, mtx, dist): errors [] for objp, imgp, rvec, tvec in zip(objpoints, imgpoints, rvecs, tvecs): proj_points, _ cv2.projectPoints(objp, rvec, tvec, mtx, dist) err np.mean(np.sqrt(np.sum((proj_points[:, 0] - imgp[:, 0]) ** 2, axis1))) errors.append(err) return errors errs per_image_error(objpoints, imgpoints_l, rvecs, tvecs, mtx, dist) for i, e in enumerate(errs): print(f第 {i1} 张:, round(e, 4))projectPoints 做的事情是把三维世界坐标点依次经刚体变换、针孔投影、畸变模型映射到图像平面和标定时隐式使用的模型完全一致。正常情况下每张图的误差都在同一量级如果某一张明显高于平均值大概率是那张图棋盘格被部分遮挡、运动模糊或者角点顺序跳变导致的。删掉重标比留着它硬扛效果要好得多。4. 双目标定核心stereoCalibrate、极线校正与重投影误差验证4.1 stereoCalibrate把左右目参数合到同一个立体坐标系左右相机各自独立标定完后双目标定的任务是把两个相机的姿态关系确定下来一个旋转矩阵 R 和一个平移向量 T。R 描述了右相机坐标系相对于左相机坐标系的旋转T 描述了右相机光心在左相机坐标系下的位置基线长度就是 norm(T)。stereoCalibrate 需要你传入左右各自的内参和畸变系数作为初值常见做法是先用上一步单目标定的结果然后加CALIB_FIX_INTRINSIC标志只让优化器去求 R 和 T整体再微调一点也行但初值质量高时差别不大。# K1, D1 来自左目单目标定K2, D2 来自右目单目标定 rms_stereo, K1, D1, K2, D2, R, T, E, F cv2.stereoCalibrate( objpoints, imgpoints_l, imgpoints_r, K1, D1, K2, D2, gray_shape, flagscv2.CALIB_FIX_INTRINSIC) base_line np.linalg.norm(T) print(立体标定 rms:, rms_stereo) print(旋转矩阵 R:\n, R) print(平移向量 T:, T.ravel()) print(基线长度:, base_line, mm)CALIB_FIX_INTRINSIC的含义是保持左右内参、畸变系数不动只优化外参这个方式魯棒性最好不容易在数据量少时把内参带偏。如果你图集质量很好想整体再调优可以改用CALIB_USE_INTRINSIC_GUESS它会在初始值附近继续优化内参和畸变。E 是本质矩阵F 是基础矩阵本质矩阵只和 R、T 有关基础矩阵额外包含内参信息实际工程中 E、F 很少直接用它们更多用于校验极线约束是否成立。立体 rms 比单目 rms 略高是正常的一般 0.2 到 1.0 像素都算合理超过 1.5 说明左右对应关系里有脏数据。T 的单位是由 object_points 的坐标单位决定的。如果你标定板量出来的边长是 24mm那么 T 就是毫米基线长度几十到一两百毫米都是正常范围如果算出几百米一定是世界坐标单位写错或者某张图的棋盘格检测不完整这种结果后期极线校正和测距都会崩。4.2 stereoRectify 和 remap把左右图拉成严格水平对齐立体标定得到 R 和 T 后极线校正的目标是重投影两张图使左右图的对应点落在同一扫描线上。OpenCV 的 stereoRectify 计算左右相机的校正旋转矩阵 R1、R2以及新的投影矩阵 P1、P2 和视差深度矩阵 Q。校正后图像的裁剪程度由 alpha 控制alpha0 时所有像素都保留但图像会严重变形alpha1 时图像不变形但会裁剪掉边缘信息适合直接做立体匹配的通常是 alpha-1 或 0.5 左右的自适应值。我习惯先用 alpha0.5看下边缘特征再做调整。R1, R2, P1, P2, Q, roi1, roi2 cv2.stereoRectify( K1, D1, K2, D2, gray_shape, R, T, alpha0.5) map1_l, map2_l cv2.initUndistortRectifyMap( K1, D1, R1, P1, gray_shape, cv2.CV_32FC1) map1_r, map2_r cv2.initUndistortRectifyMap( K2, D2, R2, P2, gray_shape, cv2.CV_32FC1) rect_l cv2.remap(img_l, map1_l, map2_l, cv2.INTER_LINEAR) rect_r cv2.remap(img_r, map1_r, map2_r, cv2.INTER_LINEAR) cv2.imwrite(rectified_left.png, rect_l) cv2.imwrite(rectified_right.png, rect_r)initUndistortRectifyMap 生成两张映射表remap 按映射表重采样原图。之所以用 remap 而不是直接调 undistort是因为双目标定场景需要同时处理去畸变和极线校正两步变换预计算映射表后对每一帧视频都只做一次查表重采样性能开销小很多。这里有一个细节gray_shape 传入的顺序是 (width, height)如果你习惯用 shape 取出来的 (height, width)一定要反着写写反了整张图的映射关系会错位但图像不会崩出来的校正图看起来还像模像样就是立体匹配结果乱七八糟。4.3 极线校验别让错误的校正参数进入下一步校正完之后第一件事不是急着算深度图而是人工验证极线是否对齐。在 rectified 图像上画一条水平黄线看这条线穿过的特征点在另一张图里是否也在同一 y 坐标如果左右图的特征点水平差超过 2 像素说明 stereoRectify 的参数有问题或者 R、T 本身就不准。这个检查虽然朴素但比任何自动评估指标都直观。canvas np.hstack([rect_l, rect_r]) for y in range(0, canvas.shape[0], 80): cv2.line(canvas, (0, y), (canvas.shape[1], y), (0, 255, 255), 1) cv2.imwrite(epiline_check.png, canvas)把左右校正图拼在一起画横线如果某个棋盘格角点在校正后的左图 y300右图对应的角点也在 y300说明校正有效。如果横线穿过的角点在左右图上有肉眼可见的高度差那就回到前一步检查 R、T 是否有误或者直接换一组原始图片重测。5. 避坑与排查标定路上五个高频翻车现场与修复方案5.1 角点检测失败与参数理解偏差现象findChessboardCorners 在质量不错的图上仍然返回 False或者提示找不到 9×6 的棋盘格。原因最常见的有两种可能。一是内角点数写错比如把格子总数 7×10 当成内角点数 7×10实际内角点是 6×9。二是图像中的棋盘格确实不完整某个边缘角点出了画面检测器无法确认四边形闭合。还有个隐蔽原因是图片分辨率太高检测器在降采样金字塔里找不到角点可以试试缩小图片后先检测再用原分辨率做亚像素细化。解决先在单张图上调试用 cv2.imshow 配合 drawChessboardCorners 观察检测结果。如果只是角落被切重新采集并把标定板向画面中心移一点。如果是高分辨率问题把图片缩到宽度 1600 左右再检测同时调小CALIB_CB_FILTER_QUADS的开关状态这个标志在图中出现多个类棋盘结构时会导致误筛。5.2 单目 rms 正常但立体标定出的基线长度离谱现象左右单目标定 rms 都小于 0.5但 stereoCalibrate 算出来的 norm(T) 是几百米或者小于 1 毫米明显不符合物理事实。原因几乎所有这类问题都出在 object_points 不统一。左右摄像头标定用的是同一块棋盘格边长必须一致如果我左目标定时 objp 写 24mm右目标定时写成 25mm那么左右相机的尺度基准不同T 就会带进一个比例错位。另一个常见原因是 objp 没有逐张图重新赋值Python 里如果你对同一个 numpy 数组做 append后续又就地修改了这个数组之前的 objpoints 引用也会跟着变导致所有图片的世界坐标点全部错乱。解决每次循环里重新调用np.zeros创建 objp不要复用同一块内存。检查左右脚本里 square 常量是否一致。用np.linalg.norm(T)输出 T再拿尺子量一下实际两个镜头光心的距离数量级对不上就回去查数据。5.3 极线校正后图像变形严重边缘特征丢失现象rectified 之后图像边缘出现明显拉伸原本竖直的物体变弯曲画面外圈信息被大量裁剪。原因OpenCV 默认 alpha-1 时会在校正过程中裁剪掉畸变严重的边缘区域换来最小的图像形变。alpha 取 0.0 时保留全部原始像素但校正后的图像形变最严重图像边缘的棋盘格角点看起来像被压实了。很多人不知道 alpha 的取舍逻辑直接抄默认参数发现画面没法看。解决把 alpha 改成 0.3 到 0.6 之间的值在形变和保留边缘之间做权衡。调 alpha 之后务必回到极线校验步骤重新画横线验证因为不同的 alpha 会改变校正映射关系让 R1、P1 对应的坐标也发生变化。5.4 OpenCV 版本差异导致的行为不一致现象同一套代码在 A 机器上角点检测全部成功换台机器装了新版 OpenCV 之后检测失败率明显上升或者某些 flag 直接报错。原因OpenCV 的 findChessboardCorners 和 calibrateCamera 在 3.4.x 和 4.x 之间行为有差异特别是对自适应阈值和四边形筛选的默认逻辑有调整。很多人从 pip 直接装 opencv-python 装到的都是最新版没有锁定版本。4.1.2 之后 findChessboardCorners 在部分棋盘格尺寸上检测得更激进误检率提高。解决在 requirements 里固定版本工程上常见做法是锁opencv-python3.4.1.15或 4.5 系列的某个稳定小版本。3.4.x 没有 SIFT 等部分算法的专利权问题做标定项目完全够用。团队协作时把 requirements.txt 提交到仓库避免各人机器环境不一致带来的隐性 bug。如果必须用 4.x就重新把 flags 参数和检测逻辑过一遍测试不要假定前后完全兼容。5.5 stereoCalibrate 报错object_points 数量不一致现象报错信息提示 number of chessboard corner rows/cols not match或者数组维度对不上。原因object_points 列表里所有元素都是同一个 objp本身维度一样报错往往出在 imgpoints_l 和 imgpoints_r 长度不一致。比如左目某张图检测成功进入列表右目同一张图检测失败被 continue 跳过两个列表就错位了后面 zip 配对时全部错开。解决在循环里同时检测左右图只要有一侧失败就双双跳过不要单独跳过一个列表。加一行断言assert len(imgpoints_l) len(imgpoints_r) len(objpoints)这行代码放循环结束后能在第一时间暴露配对问题。类似的objpoints 也不要单独 append和 imgpoints 一起 append保证三个列表始终同步增长。6. 进阶用法重投影误差调优和双目测距参数验证标定参数到底行不行最终要看测距准不准。最直接的验证是在校正后的图像里手工找一对对应点算视差再换算成深度。Depth f × b / disparity这里的 f 是校正后水平方向焦距也就是 P1 矩阵里 [0,0] 位置的数值b 是基线长度disparity 是视差单位都是像素。f_pixel P1[0, 0] b_mm np.linalg.norm(T) # 手工选取左图和右图中同一个点的像素坐标 left_px (320, 240) right_px (298, 240) # 同一特征点在右图中的位置 disparity left_px[0] - right_px[0] depth_mm f_pixel * b_mm / disparity print(估计深度:, depth_mm, mm)这个公式来自视差测距的基础几何f 和 b 的单位要一致如果 b 是毫米depth 就是毫米。实际测一个已知距离的目标误差在 1% 到 2% 以内算是标定合格超过 5% 就得回头检查极线校正是否对齐或者 T 的方向是否反了。T 的正负方向很重要stereoCalibrate 输出的 T 是从左相机到右相机的平移向量左右顺序弄反测出的深度就会变成负数。另外一个调优技巧是循环迭代法重投影误差偏大的那几张图删掉重标重标之后再算一次立体 rms反复迭代两三轮直到单目 rms 和立体 rms 都在 1.0 像素以下。这个过程不需要改任何采集代码只是在数据预处理阶段做过滤。从那以后我每次做标定都强制走一遍“删图重标、检查基线长度、画水平线校极线”这三步宁可多花十分钟验证也不带着可疑参数继续往下写测距程序。这套流程用熟之后从摆好标定板到拿到可信的测距结果基本一个下午能跑完希望帮到你。本文还有配套的精品资源点击获取
