相机内参标定从入门到实战：原理、流程与避坑指南

写这篇东西的起因，是我前阵子拿一台老相机做三维重建，重建出来的点云距离一量，歪得离谱。排查了半天，发现连最基础的内参都是凭感觉填的，压根没正经标定过。后来把标定这块踏踏实实补上，重投影误差从好几个像素降到0.1以内，后续的测距、重建才真正能看。这篇就分享一下我获取内参的完整流程和踩过的坑，适合刚接触计算机视觉、SLAM、三维重建，或者单纯想把相机测距做准的开发者。

1. 为什么每台相机都需要自己的"身份证"——内参到底在解决什么问题

1.1 从一张照片里的"平行线"说起

用过广角镜头拍建筑的人都有体会：明明笔直的墙边线，拍出来是弯的，越靠近画面边缘弯得越厉害。这不是镜头坏了，而是所有光学镜头都存在的物理现象。镜头把三维世界投影到二维传感器上，本身就是一个有损的、带变形的过程。

我们做视觉测量时，真正想要的是"从图像像素坐标反推空间方向"。但图像上的一个点，和真实世界里那个点的几何关系，被两件事扭曲了：一是镜头本身的透视投影参数，也就是焦距、光心这些；二是镜头畸变，也就是桶形、枕形变形。这两类东西合在一起，就是相机内参。

引用一句业内的老话：相机标定就是把相机的"脾气"摸清楚。没有这份参数，你拍到的棋盘格在图像里是弯的，程序却把它当直线处理，后面所有计算自然全错。

1.2 内参矩阵K和畸变系数到底长什么样

内参通常分两部分。第一部分是内参矩阵K：

K = [fx 0 cx] [ 0 fy cy] [ 0 0 1]

fx、fy是归一化焦距，单位是像素，它把物理尺度（比如毫米）映射成像素尺度。cx、cy是光心位置，一般接近图像中心，但不完全等于图像宽高的一半，因为镜头装歪、传感器切割都会带来偏移。

第二部分是畸变系数，OpenCV最常见的是五参数模型（也称Plumb Bob模型）：

径向畸变：k1, k2, k3 切向畸变：p1, p2

k1、k2负责解决画面边缘的桶形或枕形变形，k3一般配合标定板大幅面使用。p1、p2解决的是镜头与传感器不平行带来的"梯形"变形。在某些标定工具里还支持更多高阶项，但对绝大多数场景，五参数足够。

1.3 生活化类比：内参就像眼镜的验光单

如果你近视加散光，配眼镜需要一张验光单，上面写着球镜、柱镜、轴位，镜片师傅靠这张单子磨出适合你的镜片。相机内参就是这张"验光单"：焦距告诉你"这台相机看世界放大了多少"，畸变系数告诉你"边缘变形该怎么补偿"。没有它，图像就是"裸眼"状态，计算机拿到的是一张变形的、不可信的图。

搞懂了这个逻辑，你就明白我踩的第一个坑：当时为了省事，直接拿厂商给的标称焦距当fx用，结果重建出来的点云全都向内塌陷。因为厂商给的是设计值，实际装配、热胀冷缩、对焦环位置都会让真实值偏离设计值。

2. 采集照片之前，先把这些准备工作做扎实

2.1 标定板的选择：精度和易用性怎么平衡

获取内参第一步，不是写代码，而是准备一套靠谱的标定板。常见选择有棋盘格、圆点阵列板、Charuco板。

棋盘格是入门最常用的，原因很直接：

• 角点检测算法成熟稳定，OpenCV直接内置找角点API
• 角点位置精度高，适合做亚像素细化
• 打印成本低，一张A4纸就行

圆点阵列板（如不对称圆点图案，常用在工业标定里）的优势是圆心检测精度高，且对运动模糊、光照变化更鲁棒，因为圆心的椭圆拟合不受透视影响。缺点是OpenCV没有内置直接的检测器，需要自己处理轮廓拟合。

Charuco板是ArUco和棋盘格的结合，好处是部分遮挡也能标定，且每块板自带ID，适合视频流标定。但对第一次做内参标定的人来说，信息量偏大，建议先拿标准棋盘格跑通全流程再说。

我的建议：先打印一张9x6的棋盘格，每格边长30mm或者更小，适用于普通场景；如果是工业相机+微距镜头，建议用高精度玻璃基板或陶瓷基板，打印纸的平整度在大倍率下会直接毁掉标定结果。

2.2 打印和固定：细节决定成败

打印棋盘格有几个容易犯的错，我逐一踩过：

• 格子数量搞错：市面上说的"9x6棋盘格"，指的是内角点9列6行，也就是内部交点有9x6=54个，不是棋盘格本身有9x6个格子。检测时传给OpenCV的是内角点的行列数，错了直接全盘失败。
• 黑白格方向混乱：打印时要保证最外层是黑格或白格其实无所谓，但必须在程序中明确知道内角点行列数，且检测结果的行列顺序要一致。
• 纸张不平整：这是新手最容易忽略的问题。A4纸打印的棋盘格如果贴在不平的桌面上、或者用胶带只粘一角，整张板就是扭曲的。标定算法假设标定板是理想平面，板一旦变形，内参就会被这个误差带偏。
• 尺寸测量不准：角落那点距离差1mm，对普通网络摄像头影响不大，但对高分辨率工业相机，误差会直接进fx、fy。

正确的固定方法：把棋盘格平整地贴在硬纸板或铝塑板上，用重物压一晚再裁边。如果条件允许，打印时选哑光纸，避免反光。

2.3 拍摄姿势与数量："多角度、全覆盖"不是口号

采集图像是整个标定流程里最影响最终质量的环节，没有之一。网上的教程常说"拍15-20张"，但没说清楚这些照片该怎么拍。我总结出一套可行的采集规则：

• 张数：15-25张之间，太少解不出稳定内参，太多也不会明显提升精度，反而增加处理时间。
• 角度：棋盘格平面与相机光轴之间的夹角要尽量变化，从正面平视、左右倾斜45度左右、上下俯仰，都要覆盖。如果所有照片都是正面拍的，标定算法无法解出畸变参数，结果会非常虚。
• 位置：让棋盘格在画面里到处移动，四角和中心都要放。畸变在画面边缘最明显，只在中心拍，标定出来的畸变系数基本没有参考意义。
• 距离：板子离相机要远近结合。远距离覆盖全画面，近距离让格子占画面的一半以上。
• 光照：保持光线均匀，不要让板的表面出现高光反射或阴影遮挡。用手持补光灯或自然光均匀照明，效果最好。

这里有一个很多教程不会提的关键点：拍标定照片时，焦点和对焦模式必须固定。如果你用手机或者带自动对焦的镜头，每张照片对焦位置都变，等价于焦距在变，那你还标定什么呢？我的做法是把相机设成手动对焦，先用标定板在目标工作距离上对焦，然后锁定对焦，再开始采集。

2.4 采集时最常见的"我以为是"

以下几条来自我真实验证过的教训，每条都真金白银花过时间：

• 不要站在强光下拍，尤其是板子反光，角点检测会把高光误判为白色格子的中心。
• 不要手抖，长曝光下棋盘格轻微运动，角点提取就会糊。
• 不要在画面里出现多个棋盘格干扰物（比如背后墙上贴的格子海报），检测器可能选错板。
• 不要用变焦镜头在不同焦段乱拍，内参只对单一焦段有效。

3. 张正友法的工作原理：一张棋盘格如何反推出相机参数

3.1 平面靶标怎么变成一张数学方程

采集够了图片，下一步要理解算法干了一件事：通过三维世界里的一个平面（标定板）和它在图像上的投影，解出相机模型参数。经典方法是张正友在1998年提出的平面标定法，几乎所有主流库（OpenCV、MATLAB、ROS camera_calibration）底层都是它。

数学上，一个三维点P在棋盘格平面上可以被表示成P=[X, Y, 0, 1]，也就是Z坐标为0。投影方程简化后变成：

s * [u, v, 1]^T = K * [r1, r2, t] * [X, Y, 1]^T

这里的[r1, r2]是旋转矩阵前两列，t是平移向量，三者合一构成一个3x3的单应矩阵H。对每一幅图像，我们都能通过角点对应关系解出一个H。这个H里既包含内参K，也包含该幅图像的外参（旋转和平移）。通过多幅图像、多个H，把K里五个未知数（fx, fy, cx, cy再加一个倾斜项）的约束叠加起来，就能解出闭环解。

3.2 从闭合解到精细优化：标定是两步走

解出闭式解之后，张正友法还会做一步极大似然估计：把刚才求到的内参、外参作为初始值，再用所有角点的重投影误差作为代价函数，对所有参数做非线性优化。OpenCV里用的是Levenberg-Marquardt算法，目标是最小化：

sum(||x_i - K[R|t] X_i||^2)

也就是让"棋盘格角点的检测位置"与"用当前参数投影回来的位置"之间的误差最小。

3.3 为什么棋盘格这么受欢迎

棋盘格受欢迎不是偶然。对于平面标定，我们需要精确知道角点在图像上的亚像素坐标。棋盘格角点天然具备两个优势：正交梯度结构让角点定位更稳定，双色对比强烈让检测不受光照线性变化影响。相比之下，纯圆点板需要拟合椭圆并做透视校正，流程更复杂。

补充一个冷知识：我们拍到的棋盘格在图像里往往是畸变的，也就是格子的边缘不是直线。标定算法做角点检测时并不要求格子是直的，因为它的目标恰恰是利用这种"变形"来反推畸变系数。这正是为什么畸变参数必须用边缘图像来激活。

4. 基于OpenCV的完整标定流程与参数含义

4.1 代码前的准备：确定你的目标相机与工作场景

开始写代码前先确认三件事：

1. 这台相机是固定使用的，还是每次都要拆装？如果是可拆装的工业相机，建议每次重新安装镜头后都重新标定。
2. 标定时用的分辨率要和实际使用时一致。如果你采集时是1920x1080，用了1280x720去做标定，内参完全不适用。
3. 对焦距离要接近你的典型工作距离。微距相机在10cm处标定的内参，放到2米处就是错的。

4.2 完整的Python脚本与注释

我用的是Python + OpenCV，代码结构简单清晰，适合初学者跑通全流程：

import cv2 import numpy as np import glob # 1. 参数设置 CHESSBOARD_SIZE = (9, 6) # 内角点行列数 SQUARE_SIZE_MM = 30.0 # 每格边长，单位mm # 2. 生成世界坐标系中的角点 # 标定板所在平面Z=0，角点坐标以mm为单位 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_MM obj_points = [] # 所有图像对应的世界坐标点 img_points = [] # 所有图像上检测到的像素坐标点 # 3. 读取图像并检测角点 images = glob.glob('calib_images/*.jpg') print(f"共找到 {len(images)} 张标定图像") for fname in sorted(images): img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 查找棋盘格角点。返回是否找到以及角点坐标 ret, corners = cv2.findChessboardCorners( gray, CHESSBOARD_SIZE, flags=cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_FAST_CHECK + cv2.CALIB_CB_NORMALIZE_IMAGE ) if ret: # 亚像素精细化角点坐标 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners) # 可视化：在图上画出角点便于检查 cv2.drawChessboardCorners(img, CHESSBOARD_SIZE, corners, ret) cv2.imshow('Chessboard', img) cv2.waitKey(100) cv2.destroyAllWindows() print(f"有效标定图像数量: {len(obj_points)}") # 4. 执行相机标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None ) print("重投影误差 RMS:", ret) print("内参矩阵 K:") print(mtx) print("畸变系数 [k1, k2, p1, p2, k3]:") print(dist)

这段代码里有几个参数需要认真解释：

findChessboardCorners的flags参数我开了三个选项。CALIB_CB_ADAPTIVE_THRESH是对图像做自适应阈值，能抵抗光照不均；CALIB_CB_NORMALIZE_IMAGE进一步做直方图均衡，两者配合能让低对比度图像里的角点更容易被找到；CALIB_CB_FAST_CHECK是快速预判断，能跳过明显不含棋盘格的图像，节省时间。

cornerSubPix做亚像素细化，窗口大小(11,11)表示在该范围内搜索梯度与向量点积最小的位置。窗口太小细化效果差，太大会跨越到相邻格子。对于常见1080p图像，(11,11)是稳妥的起点。

calibrateCamera返回四个值：RMS误差、内参矩阵、畸变系数、每张图的外参。外参（rvecs，tvecs）里包含旋转向量和平移向量，有兴趣可以做后续位姿估计，但内参标定阶段先不看。

4.3 calibrateCamera里的关键参数与flags

OpenCV的calibrateCamera参数里，除了最基本的obj_points, img_points, image_size，还有一个可选参数flags，很多教程不提，但它直接决定模型复杂度：

标志位	作用	适用场景
默认(0)	使用fx, fy, cx, cy + k1, k2, p1, p2，共8个参数	大多数普通镜头
CALIB_FIX_K3	固定k3=0不优化	通用镜头不需要第三径向项
CALIB_ZERO_TANGENT_DIST	强制p1=p2=0	镜头装配较正时
CALIB_FIX_PRINCIPAL_POINT	光心固定为图像中心	传感器平移误差极小时
CALIB_SAME_FOCAL_LENGTH	fx=fy	像素是正方形的相机

对于第一次做标定，我建议使用默认flags，让所有参数都参与优化。如果发现k3标出来特别小（小于0.01），或者RMS没改善，再尝试加CALIB_FIX_K3，通常能让整体求解更稳定。

4.4 标定结果如何存盘与加载

标定结果要存成文件，方便后续使用。推荐的方式是把K和dist存成NumPy的.npz：

np.savez('camera_intrinsics.npz', mtx=mtx, dist=dist) # 下次使用时 with np.load('camera_intrinsics.npz') as data: mtx = data['mtx'] dist = data['dist']

如果你用的是ROS，常用的是sensor_msgs/CameraInfo消息格式，可以用camera_calibration_parsers包转换。但大部分独立项目用.npz够用。

5. 重投影误差和畸变系数：如何判断标定结果靠不靠谱

5.1 RMS到底多少才算"好"

calibrateCamera返回值ret就是RMS重投影误差，单位是像素，含义是所有角点的投影误差的均方根。很多人拿到0.5就觉得完了，拿到0.05就觉得稳了。其实RMS是相对值，需要结合图像分辨率和应用场景看。

经验法则：

• RMS < 0.1像素：非常理想，通常是硬质标定板 + 光照均匀 + 足够多的高质量图像。
• 0.1~0.3像素：合格，普通打印棋盘格、真实相机抖动下常见水平。
• 0.3~0.5像素：勉强可用，适合精度要求不高的定性分析，不适合精密测距。

• 0.5像素：需要排查问题，大概率是标定板不平、对焦漂移、或角点检测选错了。

但要注意，RMS低不代表内参一定准。比如所有标定图像都是正面拍摄，畸变参数可能解出一个"假的最小值"，RMS照样很低，但真实畸变完全没被纠正。反过来RMS略高但图像覆盖全面，内参可能比前者更可信。这就是为什么要强调采集时覆盖全面的原因。

5.2 检查fx、fy、cx、cy的物理合理性

拿到内参矩阵后，别急着高兴，先用常识做一个"体检"：

• cx、cy应该非常接近图像中心。比如1920x1080的图像，cx应该在960左右，cy在540左右。偏差超过20像素说明镜头光心偏移大，检查是否装配异常。
• fx和fy应该接近。对于方形像素的传感器，两者相差在1%以内都算正常。如果相差超过5%，需要考虑传感器是否压缩、图像是否被拉伸。
• 焦距像素值可以反算物理焦距：f_mm = fx * sensor_width_mm / image_width_px。比如传感器宽度6.4mm、图像宽度1920px、fx=1200px，物理焦距约4mm。这和镜头上标注值对得上，说明结果可信。

我当时标出来的fx比标称值多了约3%，起初还以为是算法错了，后来检查才知道是镜头自己在不同距离对焦时，焦距确实在细微变化。

5.3 用畸变系数做进一步验证

畸变系数的符号和大小也有规律：

• 径向畸变k1通常为负，对应常见的桶形畸变（图像边缘向外膨胀）。如果k1为正，说明是枕形畸变。
• k2一般比k1小一个数量级，如果k2比k1大，说明模型选择可能有误，尝试增加或减少畸变项。
• p1、p2的值通常非常小（接近0），如果它们大到和k1一个量级，可能是镜头存在明显的切向偏移，注意检查镜头卡口。

5.4 逐图重投影误差分析：找出"坏图"

整体RMS达标，不代表每张图都合格。有一招很实用：把每张图的角点通过projectPoints投影回图像，算单图误差。

# 逐图计算重投影误差 for i in range(len(obj_points)): imgpts, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(img_points[i], imgpts, cv2.NORM_L2) / len(imgpts) print(f"第{i+1}张图误差: {error:.3f} px")

通常一两张图误差明显高于其他图（比如某张角度太极端、有反光），可以直接删掉重新标定。删掉那些误差最高的图，整体RMS常常能下降一半。这个方法在很多教程里都没有，但实际排查非常有效。

5.5 用一张新图做"盲测"

最后一步，我自己一定会做：拍一张新的、没有参与标定的棋盘格图像，用它做位姿估计或畸变校正，视觉上确认棋盘格直线回归直线。

# 选择一张新图像 img = cv2.imread('test_image.jpg') h, w = img.shape[:2] # 获取优化后的内参（考虑全部像素，OpenCV会自动微调fx/fy来适配新图像尺寸） newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) # 畸变校正 undistorted = cv2.undistort(img, mtx, dist, None, newcameramtx)

校正后的图像如果棋盘格边缘都变成平直线条，标定基本可信。这一步如果看到边缘还有明显的弧线，说明畸变模型没搞对，回到采集环节重新检查。

6. 实战踩坑清单：从采集到结果的全流程排错

6.1 坑一：只拍正面图，"完美"的RMS是个陷阱

我第一次标定时，老老实实拍了15张，但都是把棋盘格正对着相机的。结果RMS=0.08，特别漂亮，我还挺开心，结果测距一测就翻车。因为畸变参数在正面画面下几乎不可观，kk1直接解成了0附近，程序拿着"无畸变"的错误模型去做真实畸变图像，自然准不了。

教训：RMS达标一定要和"采集角度覆盖度"放在一起看。算法不会告诉你它没见过的参数是不可信的，它只会告诉你在它见过的数据里拟合得很好。

6.2 坑二：角点检测"串位"或漏检

有几次findChessboardCorners返回False，一查原因是棋盘格轮廓之一被反光切断了，角点结构不完整。解决方法是换拍摄角度，或者给棋盘格补光消除光斑。

还有一种情况：返回的角点顺序对，但detected数量不对，比如9x6的板子检测成了9x5。这通常是因为棋盘格的一个边缘被图像边界裁掉了。拍摄时让棋盘格四周留出足够空白，别正好顶到画面边缘。

6.3 坑三：标定完发现fx或fy是负数或畸形

这个一般不是算法问题，而是object_points的顺序和img_points的顺序没对齐。比如某一幅图的角点顺序是反的（棋盘格旋转了180度），当所有图像一起优化时，这一幅会把其他图拉偏。排查方式就是逐图打印rvecs/tvecs，检查平移向量的z值是否都为正（标定板在相机前方）。

6.4 坑四：标定结果"飘"，每次重标差很多

如果你同一台相机，每次标出来的fx/fy差超过1%，先别怀疑算法，检查这三件事：

• 镜头锁环有没有锁紧？很多C口镜头没有锁紧装置，轻轻一碰焦距就变。
• 采集时相机温度是否变了？工业相机从冷启动到稳定运行，焦距会随温度漂移，等相机热机半小时再标。
• 标定板是不是换了？每次用不同尺寸的板子，SQUARE_SIZE_MM填错，fx/fy就会被等比缩放。

6.5 坑五：使用了错误的分辨率拍摄

有人会用相机最高分辨率做标定，但实际跑算法时改用了低分辨率裁剪。内参矩阵里的fx/fy是像素单位，分辨率变了，数值必须按比例缩放，不能直接沿用。最稳妥的方式就是"标定分辨率=使用分辨率"。

6.6 几个实操小技巧

分享几个我后来稳定下来的习惯：

• 每轮标定前，先删掉那些棋盘格占画面比例过小的图。棋盘格太小，角点定位精度会打折。
• 用cv2.cornerSubPix之前先放大图像检查角点，肉眼看到的"对齐了"和算法看到的"模糊了"是两回事。
• 标定完一定要做一次undistort可视化测试，不要只看数字。
• 如果在一批标定图里总有一两张让整体RMS变差，直接删，标定这件事宁可少而精，不要多而杂。

结尾

关于内参获取，我最想强调的一点是：标定不是一次性任务，而是一个需要周期性重做的保养工作。相机的温度变化、镜头拆装、对焦环位移、甚至运输途中的震动，都会让内参发生细微漂移。我在实际项目中养成的习惯是：每次项目开工前花十分钟重标一次，凡是要求高精度的测量任务，绝不直接用上一次的旧参数。

另外，标定代码本身并不复杂，真正影响结果的是采集端--光照、角度、板面平整度、相机稳定度，这些靠机器无法帮你自动规避，需要你在现场多观察、多思考。希望这篇实践笔记能帮你少走一些弯路，一次就把内参拿到位。