1. 相机标定与图像校准：从“为什么画面是歪的”说起
做过计算机视觉项目的人，大概率都经历过这样的场景：摄像头架好了，代码跑通了，但测出来的距离总是差那么几厘米，或者拼接出来的全景图怎么都对不齐。你反复检查算法逻辑，最后发现问题根本不在代码，而在那个被你忽略的环节——相机标定与图像校准。
这两个词听起来像是实验室里的高深术语，但实际上，它们是一切视觉测量、三维重建、图像拼接、机器人导航的“地基”。简单来说，相机标定就是搞清楚你的相机到底“怎么看世界”——它的焦距是多少、光心偏在哪里、镜头有没有畸变；而图像校准则是根据标定结果，把相机拍到的“歪曲”画面修正成符合数学模型的“标准”画面。没有这一步，后面所有的测量和识别都是在沙地上盖楼。
这篇文章适合谁看？如果你正在做双目测距、结构光扫描、SLAM、全景拼接，或者只是想让自己的USB摄像头测出来的尺寸更准一点，那这篇内容就是为你准备的。我会从底层原理讲起，把标定板的选型、拍摄技巧、参数计算、代码实现、踩坑经验全部拆开揉碎，让你看完就能上手操作。全文基于OpenCV和Python生态展开，但思路适用于任何视觉库。
2. 核心原理拆解：相机模型到底在描述什么
2.1 针孔模型：用一个小孔解释整个成像过程
相机标定的理论基础是针孔成像模型。你可以把相机想象成一个暗盒，前面开了一个极小的孔，光线穿过小孔后在后面的感光元件上形成倒立的像。这个模型虽然简单，但它抓住了成像的核心几何关系：三维空间中的点、相机光心、图像平面上的点，三者共线。
在数学上，这个关系用一个3×4的矩阵描述，也就是投影矩阵。它由两部分组成：内参矩阵和外参矩阵。内参矩阵描述相机自身的属性——焦距、光心位置、像素纵横比；外参矩阵描述相机在世界坐标系中的位置和朝向。标定的过程，就是通过已知的世界坐标点和对应的图像坐标点，反推出这些参数。
这里有个关键点：内参是相机固有的，标定一次可以长期使用（除非你动了焦距或摔了相机）；外参是每次改变相机位置后都需要重新计算的。很多人把两者混为一谈，导致标定结果无法复用，这是新手常犯的错误。
2.2 畸变模型：为什么直线拍出来是弯的
理想针孔模型假设光线沿直线传播，但真实镜头是透镜组合，边缘光线会发生弯曲，导致图像产生畸变。畸变主要分两类：径向畸变和切向畸变。
径向畸变让图像呈现“桶形”或“枕形”变形，离图像中心越远越明显。你可以拿手机拍一张方格纸，如果边缘的格子线向外鼓，那就是桶形畸变；向内凹则是枕形畸变。切向畸变则是由于镜头与感光元件不平行导致的，表现为图像在某一个方向上被“剪切”。
OpenCV的标定模型用五个参数来描述畸变：k1、k2、k3用于径向畸变，p1、p2用于切向畸变。对于大多数普通镜头，用k1、k2、p1、p2四个参数就够了；如果是广角或鱼眼镜头，k3甚至更高阶项才够用。这里有个经验：不要盲目追求高阶畸变模型，参数越多对标定数据的要求越高，如果标定板图像数量不足，高阶项反而会引入不稳定。
2.3 标定到底在解什么方程
从数学角度看，标定是一个非线性优化问题。我们已知的是标定板上角点的世界坐标（因为标定板制作精度很高，可以认为世界坐标是准确的），以及这些角点在图像中的像素坐标。未知的是内参矩阵、畸变系数、以及每张图像对应的外参。
OpenCV采用的策略是：先用张正友标定法求一个线性近似解，再通过Levenberg-Marquardt算法迭代优化，最小化重投影误差。重投影误差是指：用当前估计的参数，把世界坐标点投影到图像上，得到的像素位置与实际检测到的像素位置之间的欧氏距离。这个误差越小，说明标定参数越准确。
注意：重投影误差不是越小越好。如果误差小到离谱（比如0.01像素），很可能是过拟合了，实际使用时反而偏差大。一般来说，平均重投影误差在0.1到0.5像素之间是比较健康的范围。
3. 标定实操全流程：从打印标定板到拿到参数
3.1 标定板的选择与制作
标定板是标定的基准，它的精度直接决定标定结果的上限。常见的有棋盘格和圆点阵列两种。棋盘格的角点检测精度高，OpenCV支持成熟，是大多数场景的首选；圆点阵列对模糊和噪声更鲁棒，适合工业环境，但需要额外的椭圆中心检测算法。
棋盘格的规格选择有讲究。格子数量太少，约束不足，标定结果不稳定；格子太多，图像边缘的格子容易拍不全或畸变过大。我的经验是：内角点数量在6×9到8×11之间比较合适。比如一个8×11的棋盘格，表示有8行11列内角点，实际打印出来大概是A4纸大小。
制作标定板时，平整度比打印精度更重要。我试过用普通A4纸打印后贴在硬纸板上，结果纸面轻微起伏导致重投影误差忽大忽小。后来改用亚克力板或铝板粘贴，误差立刻稳定下来。如果你只是做精度要求不高的项目，用平板电脑显示棋盘格也可以，但要注意屏幕反光和刷新率问题。
提示：标定板打印后，用游标卡尺实测几个格子的边长，取平均值作为square_size参数。不要直接相信打印机设置的尺寸，缩放误差可能达到1%以上。
3.2 拍摄环节的“三三制”原则
拍摄标定图像是整个过程里最容易被轻视、却最影响结果的环节。我总结了一个“三三制”原则：三个距离、三个角度、三个位置。
三个距离是指：近、中、远三种物距各拍若干张。近距离图像能约束畸变参数，远距离图像能约束焦距。三个角度是指：标定板分别绕X轴、Y轴、Z轴旋转一定角度，一般建议每个轴至少±30度。三个位置是指：标定板出现在图像的左、中、右（或上、中、下）区域，确保覆盖整个视场。
具体拍多少张？理论上3张就能解出参数，但实际中我建议至少15到20张。数量太少，参数不稳定；数量太多，检测失败的图像会拖累整体。拍摄时要注意：标定板在图像中要完整可见，不要被裁切；光照要均匀，避免反光和阴影；标定板不要运动模糊，快门速度要够快。
注意：很多人喜欢把标定板举在相机正前方拍一堆，这样拍出来的图像角度单一，畸变参数根本解不出来。一定要让标定板“动起来”，倾斜、旋转、远近变化都要有。
3.3 角点检测与亚像素优化
拍完图像后，下一步是用OpenCV的findChessboardCorners函数检测角点。这个函数返回的是粗略的像素坐标，精度在整数像素级别。为了达到亚像素精度，需要调用cornerSubPix进行迭代优化。
亚像素优化的原理是：在角点附近的小窗口内，利用图像灰度梯度拟合一个曲面，找到曲面极值点作为角点位置。窗口大小一般设为11×11或15×15，太大容易受邻近角点干扰，太小则对噪声敏感。迭代终止条件通常设为最大30次迭代或精度达到0.001像素。
这里有个实操细节：在调用cornerSubPix之前，最好先对图像做一次高斯模糊，可以显著提高角点检测的稳定性。但模糊核不要太大，3×3或5×5就够了，否则会抹掉角点细节。
import cv2 import numpy as np # 棋盘格内角点数量 pattern_size = (8, 11) # 世界坐标中的角点位置 objp = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objpoints = [] # 三维点 imgpoints = [] # 二维点 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) for fname in image_files: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: corners_refined = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners_refined)3.4 参数求解与结果评估
有了世界坐标和图像坐标的对应点对，就可以调用calibrateCamera求解参数了。这个函数返回内参矩阵、畸变系数、旋转向量、平移向量，以及平均重投影误差。
评估标定质量不能只看重投影误差。我通常会做三件事：第一，看误差分布，如果某些图像的误差特别大，说明那张图的角点检测有问题，应该剔除后重新标定；第二，看内参的合理性，焦距应该在像素量级（比如500到2000之间），光心应该在图像中心附近；第三，做实际验证，用标定参数去校正一张新拍的图像，看直线是否变直。
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print(f"重投影误差: {ret:.4f}") print(f"内参矩阵:\n{mtx}") print(f"畸变系数: {dist}")4. 图像校准：把“歪”的画面掰直
4.1 去畸变的核心逻辑
图像校准的本质是像素重映射。对于输出图像中的每一个像素位置，根据畸变模型反算出它在原始图像中的对应位置，然后通过插值获取像素值。这个过程叫去畸变。
OpenCV提供了undistort函数，一行代码就能完成去畸变。但它有个缺点：每次都要重新计算映射表，速度慢。更高效的做法是用initUndistortRectifyMap预先计算映射表，然后用remap函数应用映射。映射表只与相机参数和图像尺寸有关，可以保存下来重复使用。
# 预先计算映射表 mapx, mapy = cv2.initUndistortRectifyMap( mtx, dist, None, mtx, (w, h), cv2.CV_32FC1 ) # 应用映射 undistorted = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)4.2 插值方法的选择
重映射时，计算出的原始坐标通常不是整数，需要插值。OpenCV支持最近邻、双线性、双三次等插值方法。双线性插值是速度和质量的平衡点，适合大多数场景；双三次插值质量更好但更慢，适合对画质要求高的场合；最近邻插值速度最快但会产生锯齿，一般不用。
这里有个容易被忽略的点：去畸变后，图像边缘会出现“黑边”，因为原始图像中那些区域没有对应的像素。如果你做图像拼接，这些黑边会干扰特征匹配。解决办法是裁剪或者设置边界填充模式。我通常会在去畸变后裁剪掉边缘5%到10%的区域，虽然损失了一点视场，但后续处理更干净。
4.3 立体校正：让两个相机“对齐”
如果你做的是双目视觉，图像校准还多了一步：立体校正。双目相机的两个镜头不可能完全平行，导致左右图像中的对应点不在同一行上，这会大大增加立体匹配的难度。立体校正就是通过旋转两个相机的虚拟姿态，让它们的图像平面共面且行对齐。
OpenCV的stereoRectify函数可以计算校正变换矩阵，然后对左右图像分别做重映射。校正后，你可以在左图中选一个点，在右图的同一行附近就能找到对应点，这就是所谓的“极线约束”。这一步对双目测距的精度和速度都至关重要。
提示：立体校正前，需要先分别标定左右相机，再通过
stereoCalibrate计算两个相机之间的旋转和平移关系。双目标定的拍摄要求更高，标定板必须同时出现在左右图像中，且要覆盖整个视场的各个区域。
5. 常见问题与排查技巧实录
5.1 重投影误差过大怎么办
重投影误差大是最常见的问题，原因通常有三类：标定板不平整、角点检测不准、图像数量或角度不足。
排查顺序应该是：先检查标定板是否平整，用手按压四个角看是否有翘曲；再检查角点检测结果，把检测到的角点画在图像上看是否准确；最后检查图像分布，如果所有图像都是正面拍摄，那畸变参数肯定解不准。我遇到过一次误差高达2像素的情况，最后发现是标定板打印后受潮变形了，换了一块亚克力板立刻降到0.3像素。
5.2 去畸变后图像反而更“怪”了
有时候去畸变后的图像看起来比原图还奇怪，直线确实变直了，但整体形状变得很夸张。这通常是因为畸变系数过大，可能是标定数据不足导致过拟合。解决办法是：减少畸变参数数量，比如只用k1和k2，把k3设为0；或者增加标定图像数量，让优化更稳定。
另一个可能的原因是内参矩阵中的焦距估计错误。如果焦距估计得太大，去畸变后图像会被过度放大；焦距太小则会被压缩。检查方法是用标定参数计算一下视场角，看是否与相机规格书相符。
5.3 标定参数能不能跨分辨率使用
很多人会问：我在1080p下标的参数，能不能用在720p的图像上？答案是不能直接使用，但可以换算。内参矩阵中的焦距和光心都是以像素为单位的，分辨率改变后，这些值需要按比例缩放。具体来说，如果分辨率从1920×1080降到1280×720，缩放因子是1280/1920=0.667，那么fx、fy、cx、cy都要乘以这个因子。畸变系数是无量纲的，可以保持不变。
但要注意，这种换算假设相机的视场角没有变化，只是像素密度变了。如果相机在改变分辨率时做了裁剪或缩放，那换算就不准了，最好重新标定。
5.4 常见问题速查表
| 问题现象 | 可能原因 | 排查方法 | 解决措施 |
|---|---|---|---|
| 重投影误差大于1像素 | 标定板不平整 | 按压标定板检查翘曲 | 更换硬质基板 |
| 去畸变后边缘严重拉伸 | 畸变系数过大 | 检查k3是否被过度拟合 | 减少畸变参数数量 |
| 角点检测失败 | 光照不均或模糊 | 查看灰度图和检测结果 | 改善光照，提高快门速度 |
| 双目校正后行不对齐 | 双目标定不准 | 检查极线误差 | 重新拍摄双目标定图像 |
| 标定结果无法复现 | 相机焦距被改变 | 检查镜头是否松动 | 固定镜头后重新标定 |
6. 进阶技巧与实战经验
6.1 用多相机标定提升整体精度
如果你有多个相机需要协同工作，比如全景拼接或环绕视图，单独标定每个相机再拼接往往会有累积误差。更好的做法是多相机联合标定：让一个标定板同时出现在多个相机的视场中，把所有相机的参数放在一个优化问题里一起求解。这样可以利用相机之间的约束关系，显著提升整体一致性。
实现上，可以用calibrateCamera分别标定每个相机的内参，然后用stereoCalibrate两两标定外参，最后用光束法平差（Bundle Adjustment）做全局优化。OpenCV没有直接提供多相机联合标定的函数，但可以用calib3d模块的组合来实现。
6.2 在线标定与自标定
传统标定需要专门的标定板，但在某些场景下（比如自动驾驶、无人机），你无法停下来摆标定板。这时候就需要在线标定或自标定技术。自标定不需要已知的标定物，而是利用图像中的特征点（比如道路标线、建筑物边缘）之间的几何约束来估计相机参数。
自标定的精度通常不如传统标定，但在相机参数发生缓慢变化时（比如温度漂移），可以用自标定做在线修正。我试过用车道线的平行和垂直约束来修正焦距，在温度变化10度的情况下，能把测距误差控制在2%以内。
6.3 标定结果的保存与版本管理
标定参数是项目的核心资产，一定要做好保存和版本管理。我习惯把内参、畸变系数、图像尺寸、标定日期、重投影误差写成一个YAML或JSON文件，和代码一起提交到版本控制系统。每次更换相机或调整镜头后，都要重新标定并更新文件，同时在注释里写明变更原因。
提示：不要直接把标定参数硬编码在代码里。我见过一个项目，标定参数写死在源码中，后来换了相机，代码里改了但测试环境没更新，导致线上测距全部偏差。用配置文件管理，改起来方便，也不容易出错。
6.4 标定精度的极限在哪里
标定精度受限于多个因素：标定板的制作精度、角点检测的亚像素精度、图像的数量和分布、优化算法的收敛性。在理想条件下，普通工业相机的标定重投影误差可以做到0.1像素以下，测距精度可以达到物距的千分之一左右。
但实际中，温度变化是影响标定精度的隐形杀手。镜头和相机机身的热胀冷缩会导致焦距和光心发生微小变化，虽然每度变化只有几个微米，但在高精度测量中不可忽略。如果项目对精度要求极高，建议在恒温环境下标定和使用，或者定期做在线修正。
7. 从标定到应用：一个完整的双目测距案例
7.1 系统搭建与数据采集
假设我们要搭建一个双目测距系统，基线距离10厘米，用于测量0.5米到3米范围内的物体。相机选用两个同型号的全局快门相机，镜头焦距6毫米，分辨率1280×720。
标定板选用8×11的棋盘格，方格边长25毫米，打印在A4纸上后粘贴在铝板上。采集数据时，让标定板在双目视场中移动，覆盖近中远三个距离，每个距离拍5到8张，总共约20组图像。注意标定板要同时完整出现在左右图像中，且角度要有变化。
7.2 双目标定与校正
先用calibrateCamera分别标定左右相机的内参和畸变系数，然后用stereoCalibrate计算两个相机之间的旋转矩阵R和平移向量T。最后用stereoRectify计算校正变换，并用initUndistortRectifyMap生成映射表。
ret, mtx1, dist1, mtx2, dist2, R, T, E, F = cv2.stereoCalibrate( objpoints, imgpoints1, imgpoints2, mtx1, dist1, mtx2, dist2, image_size, flags=cv2.CALIB_FIX_INTRINSIC ) R1, R2, P1, P2, Q, _, _ = cv2.stereoRectify( mtx1, dist1, mtx2, dist2, image_size, R, T, alpha=0 ) map1x, map1y = cv2.initUndistortRectifyMap( mtx1, dist1, R1, P1, image_size, cv2.CV_32FC1 ) map2x, map2y = cv2.initUndistortRectifyMap( mtx2, dist2, R2, P2, image_size, cv2.CV_32FC1 )7.3 视差计算与深度恢复
校正后，左右图像的行已经对齐。用立体匹配算法（如SGBM）计算视差图，然后通过公式深度 = 焦距 × 基线 / 视差恢复三维坐标。这里的焦距和基线都来自标定结果，所以标定精度直接决定测距精度。
实测下来，在1米距离处，标定良好的双目系统测距误差可以控制在5毫米以内。如果误差偏大，优先检查标定质量，而不是怀疑匹配算法。我踩过的坑是：标定板拍摄时倾斜角度不够，导致外参估计不准，后来增加了大角度倾斜的图像，误差立刻降了一半。
7.4 实际应用中的注意事项
双目系统在实际使用中，震动是最大的敌人。相机一旦发生相对位移，标定参数就失效了。所以相机支架一定要刚性足够，最好用金属件而不是塑料件。如果无法避免震动，可以考虑加入在线自标定模块，定期修正外参。
另外，光照变化也会影响立体匹配的效果。在暗光环境下，图像噪声增大，视差图会出现大量空洞。解决办法是增加主动照明，或者使用对光照更鲁棒的匹配算法。我通常会在镜头旁加一个LED补光灯，成本不高但效果立竿见影。
8. 我个人的几条实操心得
标定这件事，说难不难，说简单也不简单。工具和算法都是现成的，但细节决定成败。我做了这么多项目，最大的体会是：标定板的质量比算法重要，拍摄的多样性比数量重要，验证的严谨性比参数本身重要。
很多人标定完看到重投影误差很小就以为万事大吉，结果实际使用时发现测距偏差很大。问题往往出在标定时的场景和实际使用场景不一致——标定时在近距离拍，使用时在远距离测；标定时光照均匀，使用时逆光严重。所以，标定时的条件要尽量模拟实际使用条件，这样才能保证参数在实际场景中有效。
还有一点：不要迷信“一次标定，终身使用”。相机摔过、镜头拧过、温度剧烈变化过，都应该重新标定。我习惯在项目里加一个标定检查流程，每次开机后拍一张标准参照物，如果测量值与预期偏差超过阈值，就提示需要重新标定。这个习惯帮我避免了好几次现场翻车。
最后分享一个小技巧：如果你手头没有合适的标定板，可以用一个平板电脑显示棋盘格图案，但要把屏幕亮度调到最高，并且关闭自动亮度调节。拍摄时注意避免屏幕反光，最好在柔光环境下进行。实测下来，这种方法在紧急情况下也能得到可用的标定结果，重投影误差可以控制在0.5像素以内。
