简介：这份资源面向计算机、人工智能、通信、物联网等专业的在校学生与教师，提供基于Python和OpenCV的单目与双目相机标定完整源码，可用于课程设计、毕业设计、大作业或项目立项演示。压缩包共8个文件，以4个py脚本为核心，分别实现单目标定与双目立体标定流程，另附2个txt与2个md说明文档，交代运行环境、参数配置与使用注意事项，整体约25KB，轻量易部署。目前已有436人学习下载，具备一定参考热度。读者可借此理解相机内参、畸变系数求解、棋盘格角点检测、双目标定与立体校正等关键环节，并对照说明文档快速跑通程序、排查常见报错。代码结构清晰、功能验证稳定，既适合小白入门进阶，也便于有基础的开发者二次开发，扩展测距、三维重建等应用。
1. 相机标定程序到底在算什么：从一张棋盘格到两组相机参数
你拿到的这个「相机标定程序-基于Python和OpenCV实现单目相机标定和双目相机标定源码.zip」，本质是一套用 Python 和 OpenCV 把相机内外参算出来的脚本集合。单目部分解决的是「一台相机自己的内参和畸变系数是多少」，双目部分解决的是「左右两台相机之间的旋转和平移关系是什么」。这两件事听起来抽象，但落到工程里非常具体：你拍一组棋盘格照片，程序检测角点，解算出焦距、主点、畸变系数，双目再多一步立体标定，输出 R 和 T。适合谁？做机器人视觉、三维重建、测距、SLAM 前端的从业者，以及刚学 OpenCV 想跑通完整标定流程的新手。很多人第一次标定完发现重投影误差 0.5 像素以上，或者双目测距飘得离谱，问题往往不在算法，而在拍摄和参数设置。这篇就按「单目怎么跑通、双目怎么对齐、坑在哪」的顺序讲清楚。
2. 单目相机标定：从拍棋盘格到拿到内参矩阵
2.1 为什么单目标定必须先理解针孔模型和畸变模型
单目标定的数学基础是针孔成像模型。三维点经过相机外参（旋转 R、平移 t）变到相机坐标系，再经过内参矩阵 K 投影到像素平面。K 里有四个关键量：fx、fy 是焦距在 x、y 方向的像素表示，cx、cy 是主点，通常接近图像中心但不完全等于中心。畸变分径向和切向，OpenCV 用 k1、k2、p1、p2、k3 五个系数描述，鱼眼或广角镜头 k3 不能省。
为什么强调这个？因为很多人标定完只看重投影误差，不看内参是否合理。比如 fx 和 fy 差出 10% 以上，或者 cx 偏离图像中心超过 50 像素，基本可以判断拍摄或角点检测有问题。常见做法是先用 cv2.findChessboardCorners 粗定位，再用 cv2.cornerSubPix 做亚像素细化，这一步直接决定后面解算的精度上限。
标定板的选择也有讲究。棋盘格最常见，但 OpenCV 也支持圆点阵列和 ChArUco。棋盘格对光照和模糊更敏感，圆点阵列在远距离更稳，ChArUco 适合部分遮挡场景。如果你只是跑通这个源码包，棋盘格足够；如果做产品级标定，建议至少准备两种标定板交叉验证。
2.2 用 OpenCV 跑通单目标定的最小代码
下面这段代码是单目标定的核心流程，可以直接抄。注意棋盘格尺寸要和你实际打印的格子数一致，内角点数是行数减一、列数减一。
import cv2 import numpy as np import glob # 棋盘格内角点数量，例如 9x6 表示每行9个内角点，每列6个 CHECKERBOARD = (9, 6) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objpoints = [] # 三维世界坐标 imgpoints = [] # 二维图像坐标 # 生成棋盘格世界坐标，假设标定板在 Z=0 平面 objp = np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) images = glob.glob('calib_images/*.jpg') for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None) if ret: corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners2) cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret) cv2.imshow('corners', img) cv2.waitKey(100) ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None) print("内参矩阵:\n", mtx) print("畸变系数:", dist.ravel()) print("重投影误差:", ret)逻辑说明：objp 是棋盘格在真实世界的坐标，单位可以当成毫米或任意一致单位，因为标定只关心比例。findChessboardCorners 返回角点粗略位置，cornerSubPix 用迭代法把角点精度提到亚像素级，窗口 11x11 是常见值，太小容易受噪声影响，太大在畸变严重时反而偏。calibrateCamera 一次性解出内参、畸变和每张图的外参，返回值 ret 是平均重投影误差，单位像素。
参数说明：CHECKERBOARD 必须和实际标定板一致，写错会导致角点检测失败或错位。criteria 里 30 是最大迭代次数，0.001 是精度阈值，一般不用改。如果图像分辨率很高（比如 4K），cornerSubPix 窗口可以适当加大到 15x15。
2.3 拍摄阶段决定标定上限：12 张以上、多角度、覆盖全画面
标定精度七成靠拍摄，三成靠算法。血泪经验是：很多人随手拍 5 张就跑去标定，结果重投影误差 1.5 像素，还以为是代码问题。正确做法是拍 12 到 20 张，棋盘格在画面里要覆盖四个角和中心，倾斜角度至少覆盖 ±30 度，远近也要有变化。
具体操作：把棋盘格固定在硬板上，不要用手拿着，手抖会造成运动模糊。光照要均匀，避免反光，尤其是打印纸表面。每拍一张移动一次，不要只平移，要有旋转。如果相机视野很大，建议把棋盘格放在画面边缘也拍几张，因为畸变在边缘最明显，边缘样本不足会导致畸变系数解算不准。
一个容易忽略的点：标定板不要完全平行于像平面。完全正对时，外参退化，焦距解算不稳定。至少要有几张明显倾斜的图。如果你做双目，左右相机要同时拍同一块棋盘格，且棋盘格要同时完整出现在左右画面里，这是后面立体标定的前提。
3. 双目相机标定：把左右相机拧到同一个坐标系
3.1 双目标定和单目标定的关系：先各自单标，再联合立体标定
双目标定不是从零开始，而是先分别对左右相机做单目标定，拿到各自的内参和畸变，再用 cv2.stereoCalibrate 解出右相机相对左相机的旋转 R 和平移 T。R 和 T 就是双目系统的外参，后面做极线校正、视差计算、深度恢复都靠它们。
为什么不能直接双目标定？因为 stereoCalibrate 需要左右相机的内参作为初值，如果内参不准，R 和 T 也会飘。常见做法是：左右各拍一组单目标定图，分别标定，检查各自重投影误差都小于 0.3 像素，再用同一组双目同步图做立体标定。注意双目同步图必须是左右同时拍的，不能拿单目图凑。
立体标定的输出里，R 是 3x3 旋转矩阵，T 是 3x1 平移向量。T 的模长就是基线距离，单位和你标定板世界坐标单位一致。如果你用毫米，T 的模长就是毫米。基线测量可以用卷尺粗验，如果差太多，说明标定有问题。
3.2 双目立体标定代码与极线校正
下面代码假设你已经有了左右相机的内参和畸变，以及同步拍摄的棋盘格图像对。
import cv2 import numpy as np import glob CHECKERBOARD = (9, 6) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objp = np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) objpoints = [] imgpointsL = [] imgpointsR = [] left_images = sorted(glob.glob('stereo/left/*.jpg')) right_images = sorted(glob.glob('stereo/right/*.jpg')) for fL, fR in zip(left_images, right_images): imgL = cv2.imread(fL) imgR = cv2.imread(fR) grayL = cv2.cvtColor(imgL, cv2.COLOR_BGR2GRAY) grayR = cv2.cvtColor(imgR, cv2.COLOR_BGR2GRAY) retL, cornersL = cv2.findChessboardCorners(grayL, CHECKERBOARD, None) retR, cornersR = cv2.findChessboardCorners(grayR, CHECKERBOARD, None) if retL and retR: cornersL = cv2.cornerSubPix(grayL, cornersL, (11,11), (-1,-1), criteria) cornersR = cv2.cornerSubPix(grayR, cornersR, (11,11), (-1,-1), criteria) objpoints.append(objp) imgpointsL.append(cornersL) imgpointsR.append(cornersR) # 先分别单目标定 retL, mtxL, distL, _, _ = cv2.calibrateCamera(objpoints, imgpointsL, grayL.shape[::-1], None, None) retR, mtxR, distR, _, _ = cv2.calibrateCamera(objpoints, imgpointsR, grayR.shape[::-1], None, None) # 立体标定 ret, mtxL, distL, mtxR, distR, R, T, E, F = cv2.stereoCalibrate( objpoints, imgpointsL, imgpointsR, mtxL, distL, mtxR, distR, grayL.shape[::-1], flags=cv2.CALIB_FIX_INTRINSIC) print("基线长度:", np.linalg.norm(T)) print("旋转矩阵 R:\n", R) print("平移向量 T:\n", T) # 极线校正 R1, R2, P1, P2, Q, roi1, roi2 = cv2.stereoRectify( mtxL, distL, mtxR, distR, grayL.shape[::-1], R, T, alpha=0) print("Q 矩阵:\n", Q)逻辑说明：先分别单目标定拿到左右内参，再用 stereoCalibrate 联合优化。flags 设为 CALIB_FIX_INTRINSIC 表示固定内参只优化外参，这是常见做法，因为单目标定已经比较准，联合优化内参容易过拟合。stereoRectify 输出 R1、R2 用于把左右图像校正到共面行对齐，P1、P2 是新的投影矩阵，Q 是视差到深度的重投影矩阵。
参数说明：alpha=0 表示校正后图像只保留有效像素，边缘会被裁掉；alpha=1 保留所有像素但会有黑边。实际工程里常用 alpha=0 或 0.5。Q 矩阵后面用 cv2.reprojectImageTo3D 把视差图转成三维点云。基线长度 np.linalg.norm(T) 要和你实际测量的基线对比，误差超过 5% 就要检查。
3.3 双目同步拍摄的硬性要求和检查方法
双目标定最怕左右不同步。如果左右相机是分开触发的，运动场景下棋盘格位置不一致，标定出来的 R、T 会包含时间差带来的误差。常见做法是用硬件同步触发，或者用同一块标定板静止拍摄。如果你只能软触发，至少保证拍摄时标定板完全静止。
检查方法：标定完后用 stereoRectify 校正左右图，看同一行上左右角点是否水平对齐。如果对齐误差超过 1 像素，说明 R、T 不准。另一个检查是看 Q 矩阵里的基线项，Q[2,3] 和 Q[3,2] 应该和 -1/T[0] 相关，如果数值异常，说明标定有问题。
还有一点：双目相机的焦距最好一致，如果不一致，校正后图像缩放会不同，影响视差匹配。如果左右相机型号不同，建议在 stereoCalibrate 里不要固定内参，让算法自己调，但这样需要更多样本。
4. 标定结果验证与常见翻车排查
4.1 重投影误差不是唯一指标：看内参合理性、基线一致性、校正对齐
重投影误差小于 0.3 像素只能说明角点拟合好，不代表标定参数物理正确。我一般会做三个额外检查。第一，看 fx 和 fy 的比值，正常相机像素是方形，fx/fy 应该在 0.95 到 1.05 之间，超出说明像元非方形或标定有问题。第二，看主点 cx、cy 是否在图像中心附近，偏离超过 10% 图像尺寸就要怀疑。第三，双目看基线，用卷尺量实际基线，和 T 的模长对比，误差超过 2% 就要重新标。
极线校正后的对齐检查最直观。把校正后的左右图叠加，看同一物体是否在同一水平线上。如果上下错位明显，说明 R 没解准。可以用 OpenCV 的 cv2.computeCorrespondEpilines 画极线，正常应该水平且平行。
4.2 避坑：标定过程中最容易翻车的 5 个点
现象一：findChessboardCorners 返回 False，角点检测失败。原因：棋盘格尺寸写错、光照不均、棋盘格太模糊、或者棋盘格周围留白不够。解决：先确认内角点数，打印时四周留至少一个格子宽的白边，拍摄时避免过曝和欠曝，模糊就重拍。
现象二：重投影误差很大，超过 1 像素。原因：角点检测不准、拍摄样本太少、棋盘格倾斜角度不够、或者有运动模糊。解决：增加样本到 15 张以上，覆盖画面四角和中心，用 cornerSubPix 细化，剔除模糊图。
现象三：双目基线长度和实际差很多。原因：左右相机没有同步拍摄，或者标定板在左右图中角点顺序不一致。解决：用硬件同步或静止拍摄，检查左右角点检测结果是否都正确，必要时手动翻转角点顺序。
现象四：校正后图像上下错位。原因：R、T 不准，或者单目内参误差大。解决：先确保单目标定重投影误差小于 0.3 像素，再重新立体标定，不要固定内参试试。
现象五：畸变校正后边缘拉伸严重。原因：畸变系数解算不准，尤其是 k3 被过度拟合。解决：如果镜头不是鱼眼，可以在 calibrateCamera 里设置 flags 不估 k3，或者增加边缘样本。
5. 进阶技巧：用标定结果做测距和点云，以及我的固定习惯
标定完不是终点，真正要用起来得把参数落到测距和三维重建。单目测距需要已知物体实际尺寸，用相似三角形算距离，精度受限于像素分辨率和物体尺寸测量误差。双目测距更直接：校正后算视差，用公式 Z = f * B / d，f 是校正后焦距，B 是基线，d 是视差。视差精度直接决定测距精度，亚像素视差匹配能把误差压到 1% 以内。
下面这段代码用校正后的双目图算视差并转点云，是常见的落地路径。
import cv2 import numpy as np # 假设已经拿到 stereoRectify 的 P1, P2, Q # 读取校正后的左右图 imgL = cv2.imread('rectified_left.png', 0) imgR = cv2.imread('rectified_right.png', 0) # SGBM 视差匹配 window_size = 5 min_disp = 0 num_disp = 16 * 5 stereo = cv2.StereoSGBM_create( minDisparity=min_disp, numDisparities=num_disp, blockSize=window_size, P1=8 * 3 * window_size ** 2, P2=32 * 3 * window_size ** 2, disp12MaxDiff=1, uniquenessRatio=10, speckleWindowSize=100, speckleRange=32 ) disparity = stereo.compute(imgL, imgR).astype(np.float32) / 16.0 points_3d = cv2.reprojectImageTo3D(disparity, Q) # 过滤无效视差 mask = disparity > min_disp points = points_3d[mask] print("点云数量:", points.shape[0])逻辑说明：SGBM 是半全局匹配，参数里 numDisparities 必须是 16 的倍数，blockSize 取奇数。P1、P2 控制视差平滑度，经验值是 P1 = 8 * 通道数 * blockSize^2，P2 = 32 * 通道数 * blockSize^2。uniquenessRatio 越大越严格，能过滤误匹配。reprojectImageTo3D 用 Q 矩阵把视差转成三维坐标，单位和你标定时的世界单位一致。
参数说明：window_size 小则细节好但噪声大，大则平滑但边缘糊。一般 3 到 11 之间调。num_disp 要覆盖最大视差，如果场景最近距离 0.5 米，基线 0.1 米，焦距 500 像素，最大视差约 100，那 num_disp 至少 112。speckleWindowSize 和 speckleRange 用来去斑点，视差图噪声大就调大。
我自己的固定习惯是：每次标定完先存一份原始参数和重投影误差，隔一周再标一次，对比两组参数。如果 fx 变化超过 1%，说明拍摄或标定流程不稳定，得回头查。标定板我一般打印在 5mm 厚的铝板上，背面贴绒布，避免反光。双目基线用游标卡尺量，不靠卷尺。这些细节看起来琐碎，但能让你少走很多弯路。希望帮到你。
本文还有配套的精品资源，点击获取
