做相机标定这件事，我其实一开始是抗拒的。打印一张棋盘格，对着屏幕举来举去拍几十张照片，然后跑一段脚本等结果——听起来简单，但真正上手之后才发现，里面值得琢磨的细节非常多，而且每一步的操作质量，直接决定了最后那组内参能不能用。尤其是用Python来做这件事，语言本身很简单，但背后的成像原理、坐标系转换、畸变模型，如果不弄清楚，代码跑通也只是跑通而已，换一个相机、换一个场景，马上就会露馅。
这篇文章把我自己从零开始用Python做相机标定的完整过程整理出来，包括我怎么设计采集方案、怎么写标定脚本、怎么判断结果靠不靠谱，以及我踩过的那些坑。内容适合正在入门视觉SLAM、做机器人抓取、搞双目测距或者做视觉测量的朋友，哪怕你之前完全没接触过标定，照着这篇文章的思路也能把内参标出来，而且知道每一行代码在干什么。
1. 内容整体设计与思路拆解
1.1 为什么选择Python + OpenCV做标定
市面上做相机标定的工具其实不少，MATLAB的Camera Calibrator做得非常精致，ROS的camera_calibration用起来也方便，工业上还有Halcon这种商业方案。但我最终还是用Python配合OpenCV自己写了一套，原因是三个字：可控性。
用现成工具虽然省事，但很多关键参数是封装好的，比如棋盘格角点检测的亚像素精度、标定板的尺度信息怎么传入、畸变模型选了哪几种系数，这些在图形界面里点几下就过去了，你很难真正感知到标定过程的每一步发生了什么。而OpenCV把整个流程的函数都暴露出来了，cv2.findChessboardCorners、cv2.cornerSubPix、cv2.calibrateCamera，每一个环节都能看到输入输出，也能单独调试，这对我理解标定的本质帮助非常大。
另外，Python做这件事的生态确实太舒服了。OpenCV负责图像处理，NumPy负责矩阵运算，Matplotlib负责可视化标定板角点检测结果。这三个库装好之后，整个标定流程从采集、处理到输出报告，不到200行代码就能搞定。对于做视觉相关开发的人来说，这套组合是最低门槛、最高性价比的起点。
1.2 整体流程设计
我把我自己的标定流程拆成了五个阶段，这也是我认为比较科学的执行顺序：
- 准备标定板：打印一张棋盘格，测量格子边长，贴到硬板上。
- 采集标定图像：从不同角度、不同距离拍摄标定板，保证视野覆盖和姿态多样性。
- 角点检测与可视化：用OpenCV检测棋盘格角点，把检测结果叠加在图像上，剔除不合格的帧。
- 执行标定计算：调用
cv2.calibrateCamera解算内参、畸变系数和外参。 - 结果评估与验证：计算重投影误差，做一次去畸变验证，确认结果可用。
这五个阶段看起来简单，但每个阶段都有不少容易踩的坑。后面我会逐个展开讲，尤其是采集阶段，很多人标定结果不好，根本原因不是代码有问题，而是照片拍得不合格。
1.3 相机标定到底在解决什么问题
在讲具体操作之前，我觉得有必要把“标定到底在干什么”这件事说明白，不然代码写完了你也不知道自己在解什么方程。
相机成像的过程，本质是把三维世界中的点映射到二维图像平面上。这个映射关系可以拆成两步：第一步，世界坐标系下的点通过刚体变换（旋转矩阵R和平移向量T）变到相机坐标系下；第二步，相机坐标系下的三维点通过针孔成像模型投影到像素平面。在这两步里面，相机本身的固有属性，也就是焦距、主点位置、像素尺寸，这些是不随拍摄姿势变化的，统称为内参；而相机在世界坐标系中的位置姿态，也就是R和T，每次拍摄都不同，称为外参。
现实中的镜头不是完美针孔，光线经过透镜会发生折射，导致实际成像位置和理想投影位置之间存在偏差，这就是畸变。畸变主要分径向畸变和切向畸变两类，OpenCV里用k1、k2、k3三个径向系数和p1、p2两个切向系数来描述。
所以，相机标定要做的事情就是：通过拍摄一组已知尺寸的标定板图像，建立“已知三维点—图像点”的对应关系，然后解算出内参矩阵、畸变系数，以及每张图对应的外参。这就是整个标定的数学本质。
2. 核心原理与关键概念详解
2.1 四个坐标系与内参矩阵
做标定之前，强烈建议先把四个坐标系的关系捋清楚：世界坐标系、相机坐标系、图像物理坐标系、像素坐标系。
世界坐标系是你自己定义的参考系，标定板上的角点坐标就是在世界坐标系下定义的。比如把棋盘格平面当成Z=0的面，每个角点的三维坐标就是(m×格子边长, n×格子边长, 0)。相机坐标系是以相机光心为原点、光轴为Z轴的坐标系。图像物理坐标系以光轴与成像平面的交点为原点，单位是毫米。像素坐标系以图像左上角为原点，单位是像素。
世界坐标系的点经过外参变换到相机坐标系，再经过透视投影到图像物理坐标系，最后经过像素缩放和平移得到像素坐标。把这一串过程写成矩阵形式，就得到了经典的相机模型：
s * [u, v, 1]^T = K * [R | T] * [X, Y, Z, 1]^T其中，K就是内参矩阵：
K = [[fx, 0, cx], [ 0, fy, cy], [ 0, 0, 1]]fx和fy分别是x和y方向上的归一化焦距，单位是像素。如果像素是正方形，fx和fy理论上相等；如果不等，说明像素不是正方形，这在一些工业相机或者手机摄像头上是可能的。cx和cy是主点坐标，理论上应该在图像中心附近，但实际中会有一定偏移。
这里有一个容易混淆的地方：fx = f / dx，其中f是物理焦距（毫米），dx是每个像素的物理尺寸（毫米/像素）。所以你看到fx的单位是像素，它实际上是物理焦距除以像素尺寸得到的归一化结果。这就是为什么同样的相机分辨率不同，标定出来的fx也不同，因为dx变了。
2.2 畸变模型与OpenCV的实现细节
畸变的本质是镜头的光学缺陷，完全消除畸变是不可能的，只能尽量建模补偿。OpenCV采用的是Plumb Bob模型，也就是Brown-Conrady模型的简化版，用五个参数来描述畸变：k1、k2、k3三个径向畸变系数，p1、p2两个切向畸变系数。
径向畸变是光线在透镜边缘弯曲得更厉害导致的，表现为画面边缘的直线变得弯曲。k1和k2是主要项，k3一般用于鱼眼镜头等大畸变场景。切向畸变则是因为透镜和成像平面不平行导致的，表现为某些区域成像被轻微拉伸。
畸变矫正的公式是这样的：假设(x, y)是归一化平面上的理想坐标，r^2 = x^2 + y^2，那么畸变后的坐标x_dist和y_dist为：
x_dist = x * (1 + k1*r^2 + k2*r^4 + k3*r^6) + 2*p1*x*y + p2*(r^2 + 2*x^2) y_dist = y * (1 + k1*r^2 + k2*r^4 + k3*r^6) + p1*(r^2 + 2*y^2) + 2*p2*x*y在OpenCV的calibrateCamera里面，你可以通过flags参数控制畸变模型的复杂度。比如只求解k1和k2，可以用cv2.CALIB_FIX_K3；如果相机本身的畸变很小，可以cv2.CALIB_ZERO_TANGENT_DIST把切向畸变置零。
我的经验是：对于常见的工业镜头和普通USB摄像头，用默认的五个畸变系数（即k1、k2、p1、p2、k3全解）就好。如果解出来的k3非常小，或者重投影误差没有明显变化，再考虑固定k3为0，这样可以减少参数空间，提高数值稳定性。
2.3 张正友标定法的核心思想
现在做相机标定，几乎没有人用传统的大靶标三维标定法了，大家都在用张正友标定法。这个方法1998年提出，到现在二十多年依然是行业标准，OpenCV、MATLAB、ROS里实现的都是它。
张正友标定法的聪明之处在于：它只需要相机拍摄多张不同姿态的平面棋盘格图像，不需要知道相机和标定板的相对运动。它把标定板所在的平面当成Z=0的世界坐标平面，这样每个角点的三维坐标就简化成(px格子边长, py格子边长, 0)，然后利用单应性矩阵H建立图像点和棋盘格平面点之间的映射。
每张棋盘格图像都能求出一个单应性矩阵，这个矩阵是内参和该视角外参的乘积。多个视角的单应性矩阵放在一起，就能构造出关于内参的线性约束方程组，先求出内参的初始值，再用极大似然估计对所有参数（包括畸变系数）进行非线性优化，迭代得到最终结果。
理解这一点有什么用？它直接告诉我们：标定效果的关键，取决于棋盘格图像的数量和姿态多样性。如果你只是把标定板放在正前方平移着拍，所有图像的单应性矩阵都很接近，约束方程组的病态程度就会很高，解出来的内参就会不稳定。最理想的做法是让标定板在画面中倾斜、旋转、靠近、远离，覆盖画面的各个区域。
3. 实操过程与核心环节实现
3.1 环境准备与依赖安装
我的环境是Windows 11 + Python 3.10，但实际上这套代码在Ubuntu 18.04/20.04、macOS上都没问题，只要Python版本在3.8以上就行。
需要安装的依赖就三个：
pip install opencv-python numpy matplotlib有个细节值得说一下：opencv-python这个包在PyPI上的维护非常活跃，直接用pip install opencv-python装的就是最新的稳定版。如果你还需要处理视频文件，建议再装一个opencv-contrib-python，它包含了更多扩展模块。不过标定这件事，标准的opencv-python足够了。
如果你用的是Anaconda，也可以用：
conda install -c conda-forge opencv numpy matplotlib装完之后验证一下：
python -c "import cv2; print(cv2.__version__)"能打印出版本号就说明环境OK。我建议不要在这个环节省时间，版本冲突的问题看似小，但排查起来很闹心。
3.2 标定板准备与打印
标定板是整个标定的基准，它的质量直接影响精度。我自己用的是一条8×6的棋盘格（internal corners是7×6），格子边长24mm，在A4纸上打印，然后贴在硬纸板上。
关于标定板，有几个建议：
- 格子数量：不要用太大的棋盘格，8×6、9×7这种比较常见。格子太多，远处的图像角点太密集，检测精度反而下降。格子太少，一张图提供的约束不够。
- 格子尺寸：视你的应用场景而定。我的相机主要是做近距离的机器人抓取，工作距离大概0.3米到1米，24mm的格子比较合适。如果你做的是远距离测量，比如AR测距，可能需要更大的格子。
- 平整度：打印出来的纸一定要贴在平整的硬板上，不能弯折、不能起皱。标定板不平，就相当于标定板的三维点坐标定义错了，标定结果一定不准。我见过有人直接用软纸拿手上拍的，效果非常差。
- 打印精度：最好用打印机100%比例输出，不要用“适应页面”这种缩放选项，否则格子尺寸就不是你量出来的那个值了。打印完之后用尺子量几个格子的总宽度，除以格子数，确认实际尺寸和标称尺寸一致。
3.3 采集标定图像的实操规范
这一步是整个标定流程中最容易翻车的地方。很多人随便拍个十几张就跑了，结果标出来的内参一塌糊涂。我自己总结了一套采集规范，严格遵守的话，标定效果基本不会差。
第一，采集数量要够。最少15张，建议20到30张。数量多一些，标定结果的稳定性会好很多。但也不是越多越好，30张以上再增加图像，对结果的影响就不明显了。
第二，姿态要多样。
- 让标定板在画面中左右移动、上下移动，覆盖画面的中心和边缘区域。
- 让标定板绕X轴、Y轴倾斜，倾斜角度在20度到45度之间变化。如果完全正对相机，角度变化太小，求解的退化风险很大。
- 改变拍摄距离，让标定板在画面中占的面积有大有小。这样做的目的是让标定板在图像中有不同的尺度，约束更充分。
- 不能只在一个方向上变化，比如只绕X轴转，那样的话某些内参分量可能约束不足。
第三，画面要清晰。拍照时不要手抖，保证棋盘格角点锐利。用工业相机的话，曝光时间要适当，尽量不要出现过曝或者欠曝，否则角点检测的亚像素精度会下降。
第四，标定板尽量充满画面。让棋盘格在对角线方向上占画面面积的一半以上，这样每张图能够提供足够的角点分布。
第五，如果是用USB摄像头或手机拍摄，要注意固定相机的内参状态。不要开自动变焦，不要开美颜和滤镜，不要中途改动分辨率。这些都会导致内参在采集过程中发生变化，标定结果自然不准。
采集到的图像建议统一放到一个文件夹里，命名用序号就行，我一般叫calib_001.jpg、calib_002.jpg这样，方便后续脚本批量读取。
3.4 完整的Python标定代码实现
下面就是我自己用的标定脚本，注释写得比较详细。整体逻辑是：遍历文件夹里的所有图像→检测棋盘格角点→提取亚像素角点→保存有效的图像点和对应的三维点→调用calibrateCamera计算内参和畸变系数→评估重投影误差。
import cv2 import numpy as np import glob import os # 棋盘格参数：内部角点数 CHESSBOARD_SIZE = (7, 6) # 注意：不是格子的数量，是内部角点的行数和列数 SQUARE_SIZE = 24.0 # 格子边长，单位mm # 1. 准备三维点：棋盘格平面设为z=0 objp = np.zeros((CHESSBOARD_SIZE[0] * CHESSBOARD_SIZE[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHESSBOARD_SIZE[0], 0:CHESSBOARD_SIZE[1]].T.reshape(-1, 2) objp *= SQUARE_SIZE obj_points = [] # 每张图的三维点 img_points = [] # 每张图的二维像素点 valid_images = [] images = sorted(glob.glob('calib_images/*.jpg')) for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 2. 检测棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, CHESSBOARD_SIZE, None) if ret: # 3. 亚像素细化 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_sub = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners_sub) valid_images.append(fname) # 4. 可视化，方便确认角点检测是否正确 img_show = cv2.drawChessboardCorners(img.copy(), CHESSBOARD_SIZE, corners_sub, ret) cv2.imshow('Chessboard', img_show) cv2.waitKey(100) else: print(f'角点检测失败: {fname}') cv2.destroyAllWindows() print(f'有效图像数: {len(valid_images)} / {len(images)}') # 5. 标定核心 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(obj_points, img_points, gray.shape[::-1], None, None) print('内参矩阵:') print(mtx) print('畸变系数:') print(dist) # 6. 重投影误差评估 total_error = 0 for i in range(len(obj_points)): imgpoints2, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(img_points[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) total_error += error mean_error = total_error / len(obj_points) print(f'平均重投影误差: {mean_error:.4f} px') # 7. 保存内参 np.savez('camera_params.npz', mtx=mtx, dist=dist)这段代码跑完之后，终端会输出内参矩阵、畸变系数和平均重投影误差。我一般会把camera_params.npz存起来，后面做去畸变、做双目标定、做PnP求解都用得上。
3.5 如何验证标定结果是否靠谱
标定跑完不等于结束，结果合不合理需要验证。我从三个方面来检查：
第一，看内参矩阵的数值是否合理。
- fx和fy应该比较接近，都是几百到几千像素量级，具体数值取决于相机分辨率和镜头焦距。如果fx和fy差太多（比如超过10%），要么是镜头本身是变形的，要么是像素尺寸在x和y方向差异很大，要么是标定过程出了问题。
- cx和cy应该在图像中心附近。比如1280×960的图像，cx应该在640附近，cy在480附近。如果偏离太多（比如超过50像素），要么是传感器安装偏差大，要么是标定图像质量不行。
第二，看畸变系数是否在合理范围。
- k1一般在-0.1到0.1之间，k2的量级通常在1e-1到1e-3左右。如果解出来k1是-5或者k2是15这种离谱数值，说明标定过程有问题，可能是角点检测不准，也可能是图像数量太少或者姿态不够多样。
第三，看平均重投影误差。这个指标多少算好，跟应用场景有关。一般来说：
- 小于0.5像素：很好，可以用于高精度三维重建。
- 0.5到1像素：可以接受，大多数视觉应用都够用。
- 大于1像素：需要检查采集质量和角点检测，重新标定。
重投影误差的意义在于：它是把标定出的内外参拿回去，把三维点重新投影到图像上，看和原来的二维点差多少像素。这个误差综合反映了标定的整体精度，是评价结果最直观的指标。
4. 常见问题与排查技巧实录
4.1 角点检测失败或检测出乱序角点
这是我被问得最多的问题。cv2.findChessboardCorners返回False的常见原因有几种：
- 棋盘格没有完整出现在画面中。解决方法是调整角度或距离，保证所有内部角点都在画面里。边缘刚好被截断的图，直接删掉就好，不要勉强。
- 反光和阴影导致了对比度变化。棋盘格在光线不均匀的时候，有些角点附近会出现光斑，检测算法容易找错。解决方法是选择光线柔和均匀的环境，或者在标定时稍微转动标定板角度避开反光。
- 图像过曝或欠曝。角点的梯度信息丢失了，亚像素位置就没有办法精确定位。
还有一类问题是检测结果看起来“歪了”，角点顺序错乱。这通常是因为棋盘格太靠近画面边缘，或者画面的透视畸变过大。处理办法是尽量让棋盘格在画面中心区域拍摄，倾斜角度不要超过45度。
4.2 重投影误差很大，怎么排查
如果平均重投影误差超过了1像素，我一般按下面的顺序排查：
- 检查标定板的实际尺寸和代码里的SQUARE_SIZE是否一致。这是最隐蔽的问题，格子尺寸差几毫米，标出来的fx就偏几毫米的像素当量。
- 检查有没有把宽度单位和长度单位混用了。我在mm、cm之间切换过几次，搞得fx差10倍，这类低级错误很容易犯。
- 检查有没有混入模糊图像。有些图像检测成功但实际是糊的，角点位置根本不准。这种图会明显拉高整体误差，需要删掉重跑。
- 检查棋盘格定义和实际打印是否一致。比如我代码里写(7,6)，实际打印是8×6的格子，内部角点就是7×6，这时候如果填了(6,5)，检测虽然可能成功（因为OpenCV检测的是黑白交界点），但对应的坐标关系全乱了，标定结果不可能对。
如果以上都没问题，那就增加图像数量、丰富姿态，重新采一轮。很多时候标定效果不好，不是方法不对，是数据质量不够。
4.3 去畸变效果验证
标定完内参之后，我强烈建议做一次去畸变验证。把之前拍的标定图像或者其他纹理比较丰富的图像做一次畸变矫正，看看效果。
import cv2 import numpy as np # 加载标定结果 data = np.load('camera_params.npz') mtx = data['mtx'] dist = data['dist'] img = cv2.imread('calib_images/calib_001.jpg') h, w = img.shape[:2] # 直接重映射 dst = cv2.undistort(img, mtx, dist, None, mtx) # 或者用initUndistortRectifyMap + remap，适合视频流的逐帧处理 mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, mtx, (w, h), cv2.CV_32FC1) dst2 = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR) cv2.imshow('Original', img) cv2.imshow('Undistorted', dst) cv2.waitKey(0) cv2.destroyAllWindows()看什么？看画面的直线是不是变直了。你把一面砖墙、一扇窗户、或者打印出来的直线图案放在画面边缘，如果原本是弯的，去畸变之后变直了，说明畸变模型是有效的。
这里有一个很多人不知道的细节：cv2.undistort默认的输出内参和输入内参一样，所以去畸变后的图像尺寸不变。如果你用的是较大畸变的镜头，矫正后的图像边缘可能出现明显的像素拉伸或空洞，这是正常现象。为了减少边缘信息的丢失，也可以自己计算一个新的内参矩阵来做优化，OpenCV提供了cv2.getOptimalNewCameraMatrix，可以调整alpha参数，在保留全部像素和裁剪边缘之间做权衡。
newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h)) dst = cv2.undistort(img, mtx, dist, None, newcameramtx)alpha=1表示保留所有原始像素，alpha=0表示只保留有效像素区域，边缘无效区域会被裁剪掉。
4.4 单目标定和双目标定的衔接
如果你接下来要做双目视觉，单目标定只是第一步。双目标定需要在此基础上，再标定两个相机之间的相对位姿（旋转矩阵R和平移向量T），OpenCV提供了cv2.stereoCalibrate接口，输入就是两个相机各自的标定图像和已经得到的单目内参。
我的建议是：单目标定这一步一定要打好基础，内参质量不过关，双目标定算出来的外参也不会准。另外，在采集双目图像的时候，左右相机必须同步采集，不能左边拍一张右边再拍一张，那样的话标定板轻微移动都会导致两张图对应不上，外参就废了。
4.5 关于不同相机类型的经验补充
这几年我标定过罗技C920这种普通USB摄像头、海康工业面阵相机、Intel RealSense D435i这种深度相机，还有一些手机摄像头。每种设备都有一些要注意的地方。
普通USB摄像头，用Python标定是最快的。这类相机像素尺寸大，畸变也相对明显，标定完成后去畸变的改善非常显著。注意一定要关闭自动对焦，手动把焦距固定住，否则内参一直在变。
工业相机，通常可以手动控制曝光、增益、分辨率，标定板图像质量好控制，标定精度也最高。这类相机注意镜头和相机之间的接口深度，C接口镜头和CS接口镜头的法兰距不同，装不严可能导致像面位置变化，内参就不稳定。
RealSense这类深度相机，除了RGB内参，还有红外相机内参和双目外参需要标定。但拿到RGB内参这一步是完全一样的，只是它的RGB镜头通常畸变比较小，标定完之后去畸变效果可能看起来不明显，但重投影误差依然能反映精度。
5. 一些实用的流程优化建议
5.1 采集工具的快速做法
如果你手头没有工业相机，用笔记本自带摄像头或者手机USB摄像头都可以做练习。不过用Python写一个采集脚本比手动按键拍照要高效得多，可以用OpenCV打开摄像头，按空格键保存当前帧，按q退出。
import cv2 cap = cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 960) cap.set(cv2.CAP_PROP_FPS, 30) count = 0 while True: ret, frame = cap.read() if not ret: break cv2.imshow('Capture', frame) key = cv2.waitKey(1) & 0xFF if key == ord(' '): fname = f'calib_images/calib_{count:03d}.jpg' cv2.imwrite(fname, frame) print(f'Saved: {fname}') count += 1 elif key == ord('q'): break cap.release() cv2.destroyAllWindows()这个脚本我用了很久，好处是边移动标定板边按空格，能很快攒够二三十张图。如果你需要手动调曝光，可以再加上曝光参数控制的代码，但大部分情况自动曝光就行。
5.2 自动化剔除不合格图像
在实际采集中，总会有几张图像角点检测成功但质量一般，手动一张一张看太麻烦。我后来写了一个小逻辑：在保存角点检测结果的时候，同时检查棋盘格角点是否覆盖了图像的足够区域，以及角点分布是否均匀。
一个简单的做法是计算检测到的角点的凸包面积占整张图像面积的比例。如果占比太低，说明标定板在画面中太小，这种图对约束的贡献有限；如果占比太高，比如超过95%，可能标定板已经超出了画面范围，检测结果可能有误。设定一个阈值区间，自动过滤这些图像。
还有一个更聪明的办法：标定完成后，把每张图的单图重投影误差打印出来，超过平均误差一倍以上的图直接删掉再重新标定。重复两轮之后，重投影误差通常会下降不少。这个“迭代剔除”法在学术上就是鲁棒估计的思想，实操中效果立竿见影。
5.3 标定结果如何落地使用
标定出的内参最终要用于哪里，决定了你对精度的要求。
如果只是做可视化投影、AR叠加，重投影误差1个像素完全够用。如果做三维重建、双目测距，建议误差控制在0.5像素以内。如果做高精度工业测量，那不仅要控制采集质量，最好用更复杂的标定板，比如圆形阵列标定板（OpenCV里也有cv2.findCirclesGrid），它比棋盘格有更好的亚像素定位精度。
内参的使用场景最常见的有：调用cv2.undistort或cv2.remap做图像矫正；通过PnP求解相机位姿（比如ArUco码定位）；双目视觉中做立体校正和深度计算。这些场景都依赖准确的内参，内参错了，后面全是白算。
我自己最常用的是PnP位姿估计，主要做机械臂抓取的视觉引导。这种场景下内参稍微偏一点，远距离的位姿误差就会被放大。所以我对标定结果的验证一直很谨慎，重投影误差只是一方面，我还习惯用已知尺寸的物体在实际距离上做一次测量验证。
6. 从单目到更复杂的标定
如果你已经顺利完成了单目标定，那么接下来可以顺着这条线继续深入。双目立体标定的目标有两个：一个是标定左右相机各自的畸变和内参，另一个是标定两个相机之间的旋转矩阵R和平移向量T。OpenCV的cv2.stereoCalibrate可以同时完成这两件事，输入就是左右相机同步拍的棋盘格图像，以及你分别标出来的单目内参。
双目标定完成之后，用cv2.stereoRectify做立体校正，可以让左右图像的极线对齐，后续做立体匹配的效率会高很多。D435i这类设备出厂自带内参，但如果你要把它用在特殊环境里，重新标定一遍也不亏，毕竟出厂参数是在理想环境下测的，而实际使用的温度、镜头装配状态都会有差异。
另外还有相机和IMU的联合标定，这个复杂程度又上了一个台阶，牵扯到时间戳对齐、旋转外参初始化、尺度估计等一系列问题。它的基础依然是相机内参标定，内参如果不准，联合标定出来的外参也很难可靠。所以，把单目内参这场仗打好，是整个视觉系统中最基本也最重要的一步。
我在实际项目中的体会是：标定这件事，看起来只要会调用一个函数就行，但真正决定效果的，是采集质量、参数理解、结果验证这些“慢功夫”。Python帮我们简化了代码层面的负担，但原理上的东西一点都不能省。如果你照着这篇文章做了一遍，手里的内参能在真实项目中稳定使用，那我这篇文章就没白写。
