1. 相机标定基础：从棋盘格到内参矩阵
相机标定是计算机视觉中一项基础但至关重要的技术。简单来说，就像我们配眼镜前需要验光一样，相机标定就是给相机做一次"验光"，了解它的光学特性。我刚开始接触这个领域时，最头疼的就是各种专业术语，后来发现用日常生活来类比就很好理解。
想象你拿着手机给棋盘格拍照。棋盘格就像我们熟悉的坐标纸，每个格子大小相同、排列整齐。但在照片里，靠近边缘的格子会变形，直线可能变弯——这就是镜头畸变。通过分析多张不同角度的棋盘格照片，我们就能计算出相机的"视力参数"。
实际操作中，OpenCV让这个过程变得简单。你需要准备：
- 一个实体棋盘格（建议打印在硬纸板上）
- 在不同距离、角度拍摄15-20张照片
- 确保棋盘格在每张照片中都清晰可见
关键代码片段：
# 定义棋盘格尺寸 (内角点数量) CHECKERBOARD = (7,5) # 注意是角点数，不是方格数 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) # 准备3D空间点 objp = np.zeros((1, CHECKERBOARD[0]*CHECKERBOARD[1], 3), np.float32) objp[0,:,:2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2)这里有个新手常踩的坑：CHECKERBOARD参数指的是内部角点数。比如6x9的棋盘格，参数应该是(5,8)。我第一次做时就搞错了，导致一直检测不到角点。
2. 角点检测与精细化处理
找到棋盘格角点是标定的关键步骤。OpenCV的findChessboardCorners()函数就像智能找茬游戏，能自动识别棋盘格的交叉点。但就像人眼有时会看错一样，算法也需要二次确认。
我常用的技巧是：
- 先转换为灰度图减少干扰
- 使用自适应阈值提高检测鲁棒性
- 添加FAST_CHECK加速检测
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_FAST_CHECK + cv2.CALIB_CB_NORMALIZE_IMAGE)检测到角点后，还需要用cornerSubPix()进行亚像素级精确定位。这就像用放大镜微调标记点位置：
if ret == True: corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) imgpoints.append(corners2) objpoints.append(objp)实测发现，winSize参数设置为(11,11)在精度和速度间取得了不错平衡。对于4K图像可以适当增大，嵌入式设备上可以减小。
3. 计算相机参数与畸变系数
有了足够的对应点（建议15组以上），就可以调用calibrateCamera()这个"计算器"了：
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None)输出结果中：
- mtx是内参矩阵，包含焦距(fx,fy)和光学中心(cx,cy)
- dist是畸变系数，通常有5个值[k1,k2,p1,p2,k3]
- rvecs/tvecs是每张图片的旋转和平移向量
我曾遇到标定误差(RMS)过大的情况，后来发现是因为：
- 棋盘格照片角度变化不够丰富
- 部分照片对焦不清晰
- 棋盘格平面有明显反光
建议误差控制在0.3以下，理想情况能达到0.1左右。
4. 实时视频流的畸变校正
拿到相机参数后，就可以处理实时视频了。直接逐帧用undistort()虽然简单，但在Jetson等边缘设备上可能吃不消。这时就需要性能优化技巧：
4.1 预处理映射表
提前计算好畸变映射，运行时直接查表：
# 只需计算一次 h, w = frame.shape[:2] newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h)) mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w,h), 5) # 每帧处理 dst = cv2.remap(frame, mapx, mapy, cv2.INTER_LINEAR)在树莓派4B上测试，这种方法比直接undistort快3-5倍，1080p视频能达到25FPS。
4.2 ROI区域裁剪
getOptimalNewCameraMatrix()返回的roi参数标出了有效区域：
x,y,w,h = roi dst = dst[y:y+h, x:x+w] # 裁剪黑边4.3 分辨率权衡
在Jetson Nano上实测不同分辨率的处理速度：
| 分辨率 | FPS(remap) | FPS(undistort) |
|---|---|---|
| 640x480 | 60 | 15 |
| 1280x720 | 30 | 8 |
| 1920x1080 | 12 | 3 |
如果对画质要求不高，适当降低分辨率能显著提升帧率。
5. 实际应用中的问题排查
在工业项目中，我遇到过几个典型问题：
5.1 标定参数失效
温度变化导致镜头焦距变化，使得标定参数不准。解决方法：
- 在设备工作温度下重新标定
- 使用温度传感器触发参数自动更新
5.2 边缘畸变校正不足
广角镜头边缘区域校正效果差，可以：
- 采用更高阶的畸变模型
- 分区域使用不同校正参数
- 裁剪边缘保留中心区域
5.3 动态模糊影响
快速移动场景导致图像模糊，会降低校正质量。建议：
- 提高快门速度
- 使用全局快门相机
- 添加运动模糊补偿算法
记得第一次给无人机摄像头做标定时，因为没考虑振动影响，室外实测时校正效果很差。后来在标定时模拟了相同振动条件，问题才解决。
