1. 摄像机标定到底在解决什么问题
做视觉项目的人迟早都会碰上这么一幕：相机装好了，画面也清晰，但你拿着图像上量出来的像素距离去换算真实尺寸，结果怎么都对不上，靠近边缘的地方尤其离谱。又或者你在做三维重建、摆放虚拟物体到真实场景里，发现虚拟物体和背景之间永远差着一层说不清的偏移。这些问题的根子，基本都指向同一个东西——摄像机模型和标定。
摄像机模型回答的是“三维世界里的一个点，是怎么变成图像上一个像素的”。标定做的就是反推这个变换里所有未知参数。说白了，每台相机都有自己的“脾气”：镜头焦距不是标称值，主点不在图像正中心，透镜还会有不同程度的畸变。你如果把这些东西当成理想模型去用，误差就会悄悄渗透到后面每一个环节。这篇内容我会从模型讲起，把坐标系变换、内参外参、畸变系数一条线理清楚，再用一条完整的标定实操流程带你把参数求出来，最后把我在现场踩过的一些坑也一并列出来。适合刚开始做视觉测量的新手，也适合那些已经标过几次但结果总不理想的人。
1.1 从三维点到像素，中间要经过三次坐标系变换
理解摄像机标定，关键是先理解成像过程。一个三维空间点落到图像上，不是一步到位的，它要经历四次坐标变换。
第一次是“世界坐标到相机坐标”。世界坐标系是你自己定义的参考系，比如以标定板左上角为原点、Z轴垂直于板面。相机坐标系则以光心为原点，Z轴指向镜头前方。这一步用一个旋转矩阵R和一个平移向量t就能描述，也就是所谓的外参。外参回答的问题是：这台相机相对于你定义的世界坐标系，摆在哪、朝哪个方向看。
第二次是“相机坐标到归一化平面坐标”。相机坐标系下的点(Xc, Yc, Zc)，要除以Zc得到(x', y') = (Xc/Zc, Yc/Zc)。这步是在模拟针孔成像的透视关系，相当于把一个三维点投影到距离光心为1的虚拟平面上。注意，这里还没有加入镜头畸变。
第三次是“归一化坐标加畸变”。真实镜头不是完美针孔，光线经过透镜会发生偏折。畸变模型通过一组系数对(x', y')做修正，得到(x_distorted, y_distorted)，这才是实际打到传感器上的位置。
第四次是“像素坐标”。相机的感光元件由一个个像素构成，从归一化坐标到像素坐标还要乘一个内参矩阵K，里面有fx、fy（等效像素焦距）和cx、cy（主点像素坐标）。整个链条可以用下面这样串起来：
- 世界点P_w
- 经[R|t]到相机坐标P_c
- 归一化 P_c / Z_c
- 加畸变修正
- 乘内参K得到像素(u, v)
标定的本质，就是根据若干组“已知世界坐标 + 图像像素坐标”的对应点，反推出R、t、K以及畸变系数。这就像你拿到一张照片，想反推拍摄者站在哪、相机用了多大焦距、镜头有没有变形——多张不同角度的照片提供约束，就能把这些信息解出来。
1.2 内参和外参，别把两者混在一起
我见过不少新手拿到标定结果后，把内参矩阵和外参向量混成一团。这两个东西虽然都从标定里得到，但各自管的事完全不同。
内参描述的是相机自身的内部属性，包括fx、fy、cx、cy和畸变系数。fx和fy近似等于焦距除以单个像素的物理尺寸，也就是“焦段在像素单位下有多长”。如果传感器像素是正方形的，fx和fy应该很接近；如果你用的是工业相机加普通镜头，这两个值的确会非常接近。cx和cy是主点，理想情况下在图像中心，实际会因为镜头装配和传感器平移出现几十个像素的偏差。畸变系数，OpenCV里一般用(k1, k2, p1, p2, k3)五个参数，前三个是径向畸变，后两个是切向畸变。
外参描述的是相机在世界坐标系下的位姿。同一台相机，你把它换个位置、换个角度，外参就完全变了，但内参不会变。反过来，你给相机换了个镜头，内参变了，外参跟它没有必然关系。
用一个生活化的类比：内参是相机“天生的体质”，外参是它“当前站的位置和朝向”。标定时你会同时得到内参和每一张图对应的外参。实际项目里，如果你只需要做二维图像处理，比如搞去畸变、测量像素尺寸，那重点用内参就够了；如果你要做三维重建、机械臂抓取、AR叠加，外参才会上场。
1.3 畸变怎么来的，以及它长什么样
畸变是镜头天生的毛病，跟价格关系不小，但即使是昂贵镜头也无法完全消除。畸变主要分两类：径向畸变和切向畸变。
径向畸变源于透镜曲面带来的光线偏折，离光心越远偏折越明显，体现为直线变弯。靠近图像边缘时，如果直线向外弯，是桶形畸变；向内弯，是枕形畸变。手机广角镜头和运动相机普遍桶形畸变明显，长焦镜头相对轻微。在归一化坐标里，径向畸变通常用k1、k2、k3来描述：
x_distorted = x' * (1 + k1r² + k2r⁴ + k3r⁶) y_distorted = y' * (1 + k1r² + k2r⁴ + k3r⁶)
其中r是归一化坐标到原点的距离。可以看到，畸变增量是径向距离的偶次幂组合，距离越远，影响越大。
切向畸变来自镜头中透镜组装配不完全平行于传感器平面，体现为图像在某个方向上被轻微“拉伸倾斜”。数学上由p1、p2两个参数描述。相比径向畸变，切向畸变的量级通常小很多，但在高精度标定里不能忽略。
搞懂这些，你就能理解为什么畸变校正不是简单把图像“拉直”就行，而是要先用畸变模型建立“理想像素”和“实际像素”的映射关系。这也是后面用OpenCV做标定和去畸变时的理论基础。
2. 标定方案怎么选，准备工作怎么做
“标定”这个概念看起来抽象，但落到执行层面，核心就一件事：弄一块已知尺寸的标定板，从多个角度拍下足够多张照片，然后交给算法去解参数。
2.1 为什么棋盘格是大家默认的选择
市面上常见的标定方案有好几种：棋盘格、圆点阵列、网格线与自标定。我最早接触视觉时也纠结过用哪种，实际对比下来，棋盘格几乎是最省心的一种。
棋盘格的优势在于，角点特征极其明确。黑白格子交替，角点处的梯度方向在四个象限都有显著响应，检测算法很容易锁定候选点。相比圆点阵，棋盘格的角点定位还能做到亚像素级，只要用cornerSubPix做一步精化，精度就能提升不少。
圆点阵列在某些场景下也有优势，比如对运动模糊更鲁棒、圆心提取在透视下比角点更稳。但圆点阵需要额外的排序逻辑来识别哪个点是哪个，否则3D-2D对应关系容易错位。棋盘格则没有这个烦恼：角点天然有顺序，拍全了就能建立对应。自标定不用标定板，纯靠场景特征，但对大多数固定相机的场景，精度和可靠性都不如靶标法。所以除非你实在没法用标定板，否则我还是推荐棋盘格。
2.2 棋盘格制作里的三个关键细节
棋盘格标定板的制作看似简单，里面坑不少。
第一，打印精度和贴板质量。我见过有人用A4纸随便打印一张棋盘格，直接贴在纸箱上用来标定。不是不行，但你要知道，标定算法把每个格子当成严格的正方形来处理，如果打印时格子存在拉伸或歪斜，这些几何误差会直接进入内参估计。有条件的话，用高精度打印机输出，贴到平整的铝板或玻璃板上，玻璃板背面贴棋盘纸，正面光滑，可以避免板面反光影响检测。
第二，格子的物理尺寸必须用游标卡尺量，而不是直接信打印机设置的边长。热转印、喷墨打印都存在微米级的收缩或扩张，标定程序里填的squareSize差一毫米，对结果的焦距估计影响不大，但会直接影响外参里平移量的尺度，进而在你后面做实际尺寸测量时放大误差。我的习惯是量五个不同位置的格子边长，取平均值填入程序。
第三，patternSize填的是内角点数，不是格子数。比如一个9列6行的棋盘（打印出来是9×6个格子），它的内角点是8×5个。这条我几乎每次带新人都会强调一遍，填错直接导致检测失败或输出乱序。
你还可以在棋盘外框多留一圈空白边，这样即使拍得略微偏出棋盘边缘，算法也不容易把边界误判成角点。另外，棋盘格的列和行最好设计成一奇一偶，比如9×6，这样棋盘在图像里即使旋转了90度，算法也能区分方向，不至于出现“同一张图有两种解释”的歧义。
2.3 拍摄数量和位姿规划，不要只盯着中心拍
标定的一个常见误区是拍了很多张，但所有照片里标定板都差不多在画面中央、差不多正对着相机。这就像你想了解一个人的性格，却只在他心情好的时候观察了几次，得到的信息非常有限。
标定需要对相机视场有充分覆盖。我一般建议至少拍15到20张，少于此数量，解出来的内参容易受某一张图的外参初值影响。规划位姿时注意几个方向：
- 中心正对：一到两张就够，用于确定主点的初始位置。
- 四个角落和边缘：让棋盘靠近画面边缘，这对畸变系数约束非常重要。畸变在边缘最明显，如果你只让棋盘待在画面中心，k1、k2这些径向参数基本是空的。
- 旋转与倾斜：棋盘平面不要永远平行于图像平面，适当让标定板绕水平轴或垂直轴倾斜30到60度。倾斜太大角点提取容易失败，太小则对方程组的病态性没有改善。
- 不同距离：把标定板从近到远放到几个不同位置，这能同时约束fx和fy的尺度。
实际操作时不用太讲究精确的“姿态体操”，大致保证覆盖均匀就行。我的经验是固定相机不动、人拿标定板移动，每拍一张就想象一下这个构图是否填补了尚未覆盖的区域，比机械地让板子在相机前转圈效率高得多。
3. 标定实操全流程：从采集到求解
这一节我会把采集、处理、求解三个阶段的完整流程走一遍。这里以OpenCV这个常用的开源计算机视觉库为主，把每一步的关键点和参数说透。
3.1 现场采集：先保证图像质量，再谈算法精度
采集标定图片时，图像质量决定了整个标定精度的上限。再好的算法，也救不了一张过曝或者糊了的图。
环境方面，尽量选择均匀、柔和的照明。室内用白炽灯或LED灯从侧面斜照都比顶灯直射好，关键是避免标定板出现高光反射。黑色格子的表面如果反光，角点处的梯度特征会被破坏，cornerSubPix的收敛结果就会偏。
相机参数设置上，手动固定曝光、固定白平衡、固定对焦。千万不要开自动对焦，也不要用自动曝光让每张图亮度跳来跳去。你要标定的是这台相机在一个固定工作状态下的内参，如果对焦位置变了，焦距可能跟着变，标定结果当然乱套。把光圈收到中等偏小的档位，让景深足够深，标定板在不同距离上都清晰。快门速度尽量快，避免手持微抖造成运动模糊。
采集的另一个隐性要求是：每一张图都要确保棋盘格的角点完整入镜。算法需要全部内角点可见来建立对应关系。如果一张图里棋盘被遮挡一半，我建议直接删掉，不要想着靠算法“猜”缺失角点。
你可以顺手把每张图的文件名加上编号，比如chess_01、chess_02这样的格式，方便后面出问题时定位是哪一轮采集导致误差偏大。
3.2 角点检测：从粗检测到亚像素精化
角点检测是标定流程里最直观的一步。OpenCV里最常用的函数是findChessboardCorners，它接收灰度图、内角点数目和可选标志位，返回是否找到以及角点像素坐标。
找到角点之后，不要直接拿去标定。粗检测的精度通常在像素级，对于高精度标定来说远远不够，必须要做亚像素精化。用cornerSubPix函数，它会基于角点邻域的梯度方向迭代优化角点位置。这个函数有两个关键参数：搜索窗口尺寸和终止条件。
窗口尺寸一般取5×5或11×11，太小了没有足够信息，太大了又跨到别的角点区域。终止条件通常设置最大迭代次数50次、精度0.001像素。我习惯先跑一次窗口5×5、精度0.01的粗精化，再跑一次窗口11×11、精度0.001的二次精化，实测比一次精化稳定。
精化完成后，把世界坐标点集和图像坐标点集分别集中在两个数组里。世界坐标点集要按(z=0)平面生成，以毫米或米为单位都行，关键是和后面填的棋盘格尺寸保持一致。图像坐标点集是(x, y)像素坐标。这两个数组的顺序必须严格对应，第一个世界点对应第一个图像点，角点检测返回的角点顺序通常是确定的，所以只要你不是手动标点，顺序一般没问题。
3.3 参数求解：calibrateCamera做了什么
OpenCV的标定入口是calibrateCamera函数。输入是多个视角下的世界坐标点集、图像坐标点集、图像尺寸，输出是内参矩阵、畸变系数，以及每一张图的外参（旋转向量和平移向量）。
这个函数内部走的是经典的棋盘格标定思路：先用每一张图像的单应性矩阵建立约束，求出内参的闭式初始解；再用非线性最小二乘优化，对包括畸变系数在内的所有参数做整体精化。优化的目标函数是重投影误差，也就是“用当前参数把世界坐标点重新投影到图像上，得到的像素坐标与检测到的像素坐标之间的差距”。
重投影误差是判断标定质量最直接的指标。OpenCV返回的ret值就是这个误差的均方根，单位是像素。我正常标一组合格的数据，重投影误差在0.3像素以内算不错，0.5像素以内也能接受，超过0.8像素就要回头查数据了。
求解时还可以通过flags参数控制优化行为。比如CALIB_RATIONAL_MODEL会启用三阶径向畸变系数k3，适合鱼眼类大畸变镜头；CALIB_ZERO_TANGENT_DIST假设切向畸变为零，适合畸变很小的镜头；CALIB_FIX_PRINCIPAL_POINT则固定主点不参与优化。对普通镜头我一般保持默认，先跑一版看误差分布；对大广角镜头会启用k3；如果镜头很干净，再尝试固定切向畸变，看结果是否明显变差。这些取舍没有绝对正确，要结合你的镜头和误差数值来判断。
3.4 结果检查：不要只盯着误差数字
标定结果出来以后，很多人看一眼重投影误差小于0.5就收工了。我建议多花一分钟做三件事。
第一，看内参是否落在合理区间。fx和fy应该很接近，相差超过2%就要怀疑是不是棋盘格尺寸量错了或者成像芯片存在严重的非正方形像素。cx和cy应该接近图像中心，比如1280×960的图像，主点大约在(640, 480)附近，偏差几十个像素说得通，偏差三四百像素就一定有隐患。
第二，看畸变系数的大小。k1的绝对值一般在0.01到0.5之间，镜头越广角绝对值越大。如果你标出来k1是5、k2是-30这种天文数字，几乎可以断定数据有问题，典型原因是图片数量太少、位姿覆盖太单一，或者畸变模型选得不对。
第三，把标定板放到一个没有参与标定的新位置，拍一张图，用标定得到的外参把板子角点重投影回图像，确认误差也控制在亚像素级。这相当于一次“泛化能力”测试。我在实际项目里吃过亏，标定集误差很漂亮，一到现场就偏移，后来发现是标定板上贴了一层保护膜导致厚度变化，重新贴平之后问题就消失了。
4. 标定结果怎么落地：去畸变和测量应用
参数求出来不是终点，怎么把它用到实际项目里才是关键。这里分为两件事：一是对图像做去畸变校正，二是用内外参做像素到物理量的换算。
4.1 参数保存与复用，减少重复劳动
标定结果应该保存成文件，而不是每次运行程序时重新标定。一般存成YAML或JSON格式，包含内参矩阵、畸变系数、图像尺寸，有时间就加上标定日期和镜头型号。加载时要注意：畸变系数的顺序是(k1, k2, p1, p2, k3)，如果你中间漏了一位，后续去畸变的结果会非常诡异。
还有一条很容易忽视的规则：标定结果是跟着“镜头+相机+对焦位置”这个组合走的。你换了镜头，要重标；你把镜头从自动对焦拨到手动对焦，焦距变了，要重标；你把相机固焦位置的螺丝松了再紧回来，严格来说也要重新验证。在部署现场如果发现画面轻微模糊或视角变化，第一个动作就应该是检查焦距是不是被动过，而不是怀疑算法。
4.2 去畸变映射的两种方式
OpenCV里最常用的去畸变做法是initUndistortRectifyMap配合remap。这个组合先用内参和畸变系数计算一份映射表（从目标图像坐标映射到原始图像坐标），再用remap按表重采样。这样做的优势是只算一次映射表，后面每一帧都直接查表，性能开销很小。
调用时有一个参数alpha在控制校正后的有效区域：alpha=0时，校正结果会去除边缘黑边但会损失一部分原本可见的画面；alpha=1时，保留全部原始图像范围，边缘会出现明显的拉伸和黑边。实际项目里，alpha取0.1到0.3之间通常比较舒服，既去掉大部分黑边，又不至于裁掉太多视场。
如果你的镜头畸变特别大，比如鱼眼镜头，用普通模型去畸变会发现图像边缘拉伸得不像话。这时可以考虑使用鱼眼相机模型，它专门处理大畸变，参数数量更多，但建模更贴合鱼眼镜头的光学特性。判断标准很简单：用普通模型标定畸变系数后，去畸变边缘扭曲还很大，就换鱼眼模型试试。
另外要注意，去畸变只针对单张图像，它不会改变相机的位置和朝向。畸变校正后的图像，仍然要配合相机外参才能把像素坐标映射到世界坐标。很多人以为去畸变之后相机就“标准”了，可以直接拿像素当物理尺寸用——这是个常见的误区。
4.3 从像素到物理尺寸：外参怎么参与
举一个最常见的场景：你要测量传送带上零件的宽度，相机固定俯视安装，零件在同一个平面上运动。这种情况下，你只需要两步：标定内参后，再拍一张已知尺寸的标定板放在测量平面高度，用solvePnP求解外参。拿到R和t之后，平面上任意一个像素坐标点都能反算到以标定板原点建立的世界坐标。零件宽度就是两个边缘点世界坐标的欧氏距离。
如果零件表面不在同一高度，那就需要更复杂的手段，比如双目视差或结构光。单目相机本质上只拍到一个方向的投影信息，一个像素点可以对应三维空间中一整条射线上的无数个点，没有额外约束不可能确定深度。这是单目视觉的天花板，不是标定能解决的。
在二维测量场景中，影响精度最大的因素反而不是标定误差，而是图像边缘提取的精度。标定给你的是像素和世界坐标之间的可靠变换关系，但你要先准确找到零件边缘在哪一个像素上。边缘提取结合亚像素处理，通常比单纯整像素提取能提升一个数量级的测量稳定性。这两件事要一起做好，测量结果才能让人放心。
5. 标定过程中最常见的翻车现场
标定这东西，理论讲得再顺，实操时还是有一堆问题反复出现。我把这些年碰到的典型情况整理一下，按出现频率排个序。
5.1 角点检测失败，别急着怀疑参数
findChessboardCorners返回False，最常见的几个原因按概率排列如下。
第一，patternSize填错。我强调过很多次，填的是内角点数，不是格子数。9×6棋盘的内角点是8×5，你要是填成9×6，检测大概率失败。
第二，图像质量不行。过曝导致黑色格子变成灰色、反光导致白色格子有过曝团、运动模糊导致边缘糊成一片，这些都足以让角点检测算法误判。解决方法不是调阈值，而是重拍。把曝光压低半档、保证光源均匀、快门尽量快。
第三，棋盘只拍了一部分。算法需要寻找完整的内角点网格，缺一行一列都不行。拍摄时要让棋盘完整落在画面内，边缘留一点空白不影响，但角点不能缺。
第四，标定板太小或距离太远，棋盘在图像里只占了几十个像素，角点特征糊在一起。这种情况要么靠近一点，要么换一块更大尺寸的标定板。
排查的顺序就是这样：先查patternSize、再看图、再看视野覆盖，最后才考虑算法参数调整。
5.2 重投影误差偏大，从数据源头找原因
重投影误差超过0.5甚至超过1像素，一定是某个环节不干净。
第一要查的是标定板本身。板面是否平整？棋盘纸是否受潮起皱？贴在玻璃上时是否有气泡？我曾经遇到一次误差偏大，查了半天，结果是标定板铝板中间有道不明显的弯曲，贴上棋盘纸后远看平整，近看整个平面并不是一个严格的平面。
第二要查的是棋盘尺寸。如果你标定程序里填的squareSize是30mm，实际打印出来是29.7mm，这个误差会在所有3D-2D对应关系里引入系统性偏差，表现出来就是重投影误差稳定偏大且随角度变化。
第三要查的是拍摄数据的分布。如果十几张图里，棋盘全在画面中央、姿态几乎全是正对，那么畸变参数和主点约束严重不足，非线性优化的解会漂移。补齐边缘、倾斜、远近三种数据后再跑一次，通常误差能明显降下来。
第四才是怀疑算法配置。我建议不要一上来就打开CALIB_RATIONAL_MODEL等高级选项，先把基础模型跑顺了，再根据误差情况逐步放宽。
5.3 去畸变后图像边缘拉伸严重，怎么取舍
去畸变校正后，边缘拉伸是所有视觉从业者都要面对的问题。原因很简单：原始图像边缘的畸变信息，在校正后需要更多像素去表达，边缘区域自然被“拉开”了。
处理原则是根据用途取舍。如果你做的是三维重建，精度优先，边缘拉伸不必太在意，因为后续特征匹配还是基于校正后图像的几何关系。如果你做的是显示或人工标注，视觉舒适度优先，可以用alpha参数对边缘进行裁剪，或者接受一部分轻微的黑边。还有一种做法是只使用图像中心60%到80%的区域做测量和分析，绕开畸变最严重的边缘。对很多工业检测场景来说，这个土办法反而最实用。
另外提醒一点：去畸变映射表的大小和原图宽高匹配很重要。如果你用的是缩放过的图像，内参和映射表都必须按同样的缩放比例更新，否则坐标全部错位。这个坑我踩过一次，之后凡是做图像缩放都会先更新内参里的fx、fy、cx、cy再做别的处理。
5.4 标定常见问题速查
| 现象 | 可能原因 | 排查与处理 |
|---|---|---|
| 角点检测失败 | patternSize填错、图像过曝、棋盘未拍全 | 核对内角点数，重拍合格图像 |
| 重投影误差>0.5px | 棋盘不平整、尺寸量错、位姿覆盖不足 | 检查标定板，补拍边缘/倾斜/远近图 |
| fx与fy相差过大 | 棋盘纸拉伸变形、图像缩放未更新内参 | 用游标卡尺复核，统一图像尺寸链 |
| 主点偏离中心过多 | 数据集中无边缘位姿、镜头防抖/自动对焦未关 | 补拍边缘样本，锁定镜头机械状态 |
| 去畸变边缘拉伸 | 畸变大、alpha选错、模型不适合鱼眼 | 调整alpha，必要时换鱼眼模型 |
| 标定参数换环境失效 | 镜头焦距变化、相机安装松动 | 重新标定，并检查机械紧固件 |
5.5 几个我养成习惯的小细节
标定这事，多做几次之后你就能总结出自己的一套流程。我有几个小习惯，虽然是细枝末节，但帮我在现场省过不少事。
拍摄标定图片时，我习惯每拍完一轮就用脚本立刻跑一次角点检测，发现失败当场重拍，而不是回到电脑前一次性处理几十张图，结果发现一半不合格。
标定板保存要注意防潮防弯。很多标定板是纸质的，南方潮湿天气放一个月就变波浪形了。用完放进硬质文件夹立着放，不要压重物。
做高精度测量项目时，我不会只标定一次就完事。连续标定三遍，分别把标定板放在不同角度区域，对比三次内参的差异。如果fx差超过10个像素、主点差超过20个像素，说明采集数据本身波动太大，需要重新审视拍摄方案，而不是取平均值掩盖问题。
还有一点关于单位。内参矩阵里的fx、fy本质是“像素单位下的焦距”，它不包含棋盘格尺寸的物理单位信息。你填的世界坐标用毫米，求出来的外参平移向量也是毫米；用米，求出来的就是米。只要所有环节保持一致，结果就不会错乱。但一旦中途改单位，平移向量的数值会差三个数量级，这个错误极易在多人协作的项目里出现，我在交接文档里专门用加粗字体写过这一点。
最后再分享一个我踩过比较深的坑：标定板从玻璃板背面拍摄的透明棋盘格，和从正面拍摄的不透明棋盘格，标定结果并不完全等价。透明棋盘的角点特征更锐利，但也更容易引入玻璃折射导致的微小偏移。所以你的标定环境和实际部署环境如果光学路径不一致，比如标定时隔着玻璃，拍摄零件时不隔玻璃，那标定结果的可迁移性就会打折扣。最稳妥的做法是，标定板放哪，实际测量就在同样的光学路径下进行。光学层面的小偏差，往往比算法层面的误差更难排查，尽量从源头保持一致。
