MATLAB相机标定源码解析：从角点检测到非线性优化全流程-平芜编程栈

简介：这份 MATLAB 标定工具源代码面向从事相机标定、立体视觉与鱼眼镜头校正的开发者与研究人员，尤其适合需要复现经典标定流程、研究优化迭代算法的中高级用户。资源包共 186 个文件，以 182 个 .m 脚本为主体，涵盖标定优化迭代、立体标定、鱼眼模型、角点拾取与网格化等核心模块，另附 2 个 eps 图形文件、1 份 pdf 说明与 1 个 txt 文本，整体约 112KB，结构紧凑、便于按功能检索。内容预览可见标定优化迭代、立体标定、鱼眼标定及角点交互等脚本，读者可据此理解标定算法的实现脉络与参数传递方式，并在此基础上修改或扩展自己的标定流程。目前已有 1204 人学习下载，适合作为视觉标定方向的学习参考与二次开发起点。

1. 标定这件事，为什么我劝你直接拿源码改

做视觉测量或者机器人手眼标定的朋友，大概率都经历过这样的场景：相机拍出来的图，边缘畸变肉眼可见，拿标定板跑一遍工具箱，结果重投影误差忽大忽小，想调参数却不知道工具箱内部到底怎么算的。MATLAB 自带的 Camera Calibrator 用起来确实顺手，但它是黑匣子，你想改个畸变模型、换套角点提取逻辑，基本无从下手。这份 MATLAB 标定工具源代码，解决的就是这个问题——它把标定全流程摊开给你看，从角点检测、单应矩阵求解，到内参初值估计、畸变系数非线性优化，每一步都是可读可改的 .m 文件。适合谁？正在做相机标定、双目视觉、结构光或者手眼标定，又不想被工具箱绑死的开发者。你拿到手就能跑，跑完就能顺着函数调用链一路改下去。

2. 先看清家底：目录结构与核心函数分工

2.1 从入口脚本到工具函数的层级关系

拿到一份源码，我习惯先找入口。这份标定工具通常以一个主脚本或主函数作为起点，比如main_calibration.m或者calib_demo.m，它负责加载标定图片、设定标定板参数、调用核心标定函数、最后把结果画出来。往下走一层，是几个职责分明的工具函数：角点提取、单应矩阵计算、内参初值求解、非线性优化、畸变校正。再往下，是一些数值计算的小函数，比如矩阵归一化、Levenberg-Marquardt 迭代步长控制。

常见的目录结构大概长这样：

calibration_tool/ ├── main_calibration.m % 入口脚本，跑通全流程 ├── data/ │ └── checkerboard/ % 标定图片存放 ├── src/ │ ├── detect_corners.m % 角点检测 │ ├── compute_homography.m % 单应矩阵 │ ├── init_intrinsics.m % 内参初值 │ ├── optimize_params.m % 非线性优化 │ └── undistort_image.m % 畸变校正 └── utils/ ├── normalize_points.m % 坐标归一化 └── rodrigues.m % 旋转向量与矩阵互转

这个结构不算复杂，但分工清楚。入口脚本不干重活，只做流程编排；src/里每个函数只解决一个数学问题；utils/放通用数值工具。你改的时候目标很明确：想换角点检测算法，只动detect_corners.m；想换优化策略，只动optimize_params.m。这种解耦对二次开发很友好。

2.2 标定板参数与图像读取的约定

标定板参数一般写在入口脚本开头，比如棋盘格每格的实际物理尺寸、行列角点数。这里有个容易翻车的地方：很多人以为棋盘格角点数就是格子数，其实角点数是格子数减一。比如 10×7 的棋盘格，内角点是 9×6。源码里通常会有一个boardSize变量，注释会写清楚是内角点数。

图像读取部分，常见做法是用imageDatastore或者直接dir('*.jpg')拿文件列表，然后循环读入。这里要注意图片路径的拼接方式，Windows 和 Linux 的路径分隔符不一样，源码里一般用fullfile来拼，跨平台不会出问题。

% 标定板参数设置 boardSize = [9, 6]; % 内角点数，注意不是格子数 squareSize = 25; % 每格实际物理尺寸，单位 mm % 读取标定图片 imageFiles = dir(fullfile('data', 'checkerboard', '*.jpg')); numImages = length(imageFiles); for i = 1:numImages imgPath = fullfile(imageFiles(i).folder, imageFiles(i).name); img = imread(imgPath); % 后续处理... end

boardSize和squareSize这两个参数直接决定标定结果的物理量纲。如果你只关心像素级标定，squareSize可以设成 1；如果要输出真实世界坐标，必须填实际尺寸。fullfile拼路径是 MATLAB 里跨平台的标准做法，比手写斜杠靠谱。

2.3 角点检测与亚像素精化的实现细节

角点检测是标定的第一步，也是最容易出问题的一步。源码里通常先用detectCheckerboardPoints或者自己实现的 Harris 角点检测拿到粗略位置，然后做亚像素精化。亚像素精化的常见做法是在角点周围取一个窗口，拟合二次曲面，找曲面极值点。

% 角点检测与亚像素精化 [points, boardSize] = detectCheckerboardPoints(imgPath); % 亚像素精化，窗口大小一般取 5 到 11 points = cornerSubPix(img, points, [5, 5], [-1, -1]);

detectCheckerboardPoints返回的points是 N×2 的矩阵，每行是一个角点的 (x, y) 坐标。cornerSubPix的第二个参数是搜索窗口半径，第三个参数是死区半径，通常设 -1 表示忽略。窗口太小精化效果不明显，太大容易把邻近角点拉偏。我一般从 5 开始试，如果重投影误差偏大再调到 7 或 9。

这里有个血泪经验：如果标定图片里棋盘格有遮挡或者光照不均，detectCheckerboardPoints可能漏检或者错检。源码里一般会加一个检查，如果检测到的角点数不等于boardSize(1)*boardSize(2)，就跳过这张图或者报警。你二次开发的时候，可以把这个检查改成更鲁棒的策略，比如允许少量角点缺失，用单应矩阵补全。

3. 跑通全流程：从单应矩阵到非线性优化

3.1 单应矩阵求解与内参初值估计

拿到角点之后，下一步是算单应矩阵。每个标定板平面和图像平面之间有一个单应矩阵 H，它把标定板上的物理坐标映射到图像像素坐标。源码里一般用 DLT 方法加归一化来算 H，避免数值不稳定。

% 单应矩阵求解 % objectPoints 是标定板角点的物理坐标，N×2 % imagePoints 是对应的图像坐标，N×2 H = compute_homography(objectPoints, imagePoints); % 内参初值估计 % 利用 H 的约束构造线性方程组，求解内参矩阵 K K = init_intrinsics(H_all);

compute_homography内部通常做三件事：坐标归一化、构造系数矩阵、SVD 分解取最小奇异值对应的向量。归一化这一步很关键，不归一化的话，像素坐标和物理坐标量级差太多，SVD 结果会偏。init_intrinsics利用多个视角的单应矩阵，根据旋转向量正交的约束，构造一个线性方程组解出内参矩阵的五个自由度。

这里要注意：内参初值估计假设畸变系数为零。如果镜头畸变很大，初值会偏得比较厉害，后面非线性优化可能收敛到局部极小。常见做法是先估一版初值，然后用它做一次畸变校正，再重新估内参，迭代两三次。源码里如果没做这个迭代，你可以自己加上。

3.2 畸变模型与非线性优化目标函数

内参初值有了，接下来要把畸变系数和所有外参一起扔进非线性优化。畸变模型常见的有径向畸变加切向畸变，径向畸变一般取两到三个系数，切向取两个。

% 非线性优化目标函数 function residuals = calib_residuals(params, objectPoints, imagePoints, K_init) % 从 params 中解包内参、畸变系数、外参 [K, distCoeffs, R, t] = unpack_params(params, K_init); % 把物理点投影到图像平面 projected = project_points(objectPoints, K, distCoeffs, R, t); % 计算重投影误差 residuals = imagePoints - projected; residuals = residuals(:); % 拉成列向量 end

unpack_params把优化变量拆成内参、畸变、外参三部分。project_points做完整的投影：物理点先经外参变换到相机坐标系，再经内参和畸变模型映射到像素坐标。residuals是重投影误差，优化器会最小化它的平方和。

优化器一般用lsqnonlin或者自己实现的 Levenberg-Marquardt。lsqnonlin用起来简单，但你要设好初值和上下界。我一般会给畸变系数设一个合理的范围，比如径向畸变系数限制在 [-0.5, 0.5]，防止优化跑飞。外参的旋转向量也要注意，Rodrigues 参数在接近 π 的时候有奇异性，源码里如果有rodrigues.m，一般会处理这个边界情况。

3.3 重投影误差评估与结果可视化

优化完，必须看重投影误差。源码里一般会算每张图的平均误差和整体 RMS 误差，然后画出来。

% 计算重投影误差 errors = zeros(numImages, 1); for i = 1:numImages projected = project_points(objectPoints{i}, K, distCoeffs, R{i}, t{i}); errors(i) = mean(sqrt(sum((imagePoints{i} - projected).^2, 2))); end % 可视化 figure; bar(errors); xlabel('图像序号'); ylabel('平均重投影误差（像素）'); title('各视角标定误差');

RMS 误差在 0.5 像素以内算不错，0.3 以内算好。如果某张图的误差明显偏大，大概率是那张图的角点检测有问题，或者标定板在图像里倾斜太厉害。你可以把那张图单独拿出来看，重新检测角点或者直接剔除。

可视化部分，除了误差柱状图，源码里通常还会画畸变校正前后的对比图，以及标定板在相机坐标系里的位姿。这些图对调试很有帮助，尤其是位姿图，能直观看出哪个视角的外参估歪了。

4. 避坑与排查：标定跑不通时先看这几条

4.1 角点检测失败或角点数不对

现象：detectCheckerboardPoints返回空，或者返回的角点数不等于boardSize(1)*boardSize(2)。

原因：标定板在图像里太小、太模糊、光照不均，或者棋盘格有遮挡。也有可能是boardSize设错了，把格子数当成了角点数。

解决：先确认boardSize是内角点数。然后检查图片质量，必要时做直方图均衡化或者自适应二值化再检测。如果还是不行，换一张标定板占画面比例更大的图。源码里如果有角点检测的调试开关，打开它把检测结果画出来看。

4.2 重投影误差大且优化不收敛

现象：优化迭代很多次，RMS 误差还是大于 1 像素，或者优化过程中残差震荡。

原因：内参初值太离谱，或者畸变系数初值设得太大，导致优化一开始就跑到错误区域。也有可能是外参初值没给好，比如旋转向量接近奇异点。

解决：先固定畸变系数为零，只优化内参和外参，收敛后再放开畸变系数。给畸变系数设上下界，别让它乱跑。检查rodrigues.m有没有处理旋转角接近 π 的情况，没有的话加一个判断。

4.3 畸变校正后图像边缘拉伸严重

现象：用标定结果做undistortImage，图像边缘出现明显拉伸或者黑边。

原因：畸变模型阶数不够，或者标定图片没有覆盖图像边缘区域，导致边缘畸变系数估不准。

解决：拍标定图的时候，让标定板尽量出现在画面的四个角和边缘。如果已经拍了，可以尝试增加径向畸变系数个数，比如从两个加到三个。但要注意，系数越多对数据覆盖要求越高，覆盖不够反而更糟。

4.4 不同视角标定结果差异大

现象：用同一套标定板，换一组图片重新标定，内参变化明显。

原因：标定图片数量太少，或者视角分布太集中，导致某些参数不可观测。比如所有图片都是正面拍摄，切向畸变系数就估不准。

解决：标定图片至少 10 到 15 张，视角要分散，包含俯仰、偏航、滚转各个方向。标定板在画面里的位置也要分散，不要都挤在中间。如果实在拍不了那么多，可以固定切向畸变为零，只估径向畸变。

4.5 优化速度慢，跑一次要等很久

现象：lsqnonlin迭代一次要好几秒，整体跑完要几分钟。

原因：残差函数里做了重复计算，比如每次迭代都重新读图片或者重新算角点。也有可能是优化变量太多，雅可比矩阵太大。

解决：把角点检测和单应矩阵计算放在优化循环外面，优化函数只做投影和残差计算。如果外参太多，可以考虑分步优化：先优化内参和畸变，再固定内参优化外参。MATLAB 的lsqnonlin支持并行计算，如果装了 Parallel Computing Toolbox，可以开UseParallel选项。

5. 二次开发：换畸变模型与接入自己的数据流

5.1 替换畸变模型的步骤

这份源码的畸变模型通常是径向加切向，如果你想换成鱼眼模型或者多项式模型，改动集中在三个地方：project_points里的畸变计算、unpack_params里的参数解包、以及优化变量的上下界设置。

以鱼眼模型为例，鱼眼畸变的投影过程和针孔模型不一样，它先把入射角映射到像高，再乘焦距。你需要在project_points里把原来的径向畸变公式替换成鱼眼公式，同时调整unpack_params里畸变系数的个数。优化变量的初值也要改，鱼眼模型的畸变系数初值一般设为零，上下界根据镜头参数定。

改完之后，先用一组已知参数的仿真数据验证。生成一组虚拟的鱼眼投影点，加一点噪声，看优化能不能收敛到真值。仿真过了，再上真实图片。

5.2 接入自己的图像采集流程

源码默认是从文件夹读图片，如果你的图像是实时采集的，比如从工业相机或者视频流里拿，需要把读图部分换成你的采集接口。常见做法是写一个适配函数，输入是图像矩阵，输出是角点坐标，然后把这个函数替换掉原来的imread加detectCheckerboardPoints组合。

% 自定义图像采集适配 function [imagePoints, boardSize] = acquire_and_detect(frame) % frame 是实时采集的一帧图像 [imagePoints, boardSize] = detectCheckerboardPoints(frame); if isempty(imagePoints) warning('当前帧未检测到标定板，跳过'); end end

这个适配函数可以挂到你的采集循环里，每采一帧就检测一次，攒够一定数量的有效帧再触发标定。注意实时采集的帧可能有运动模糊，检测前最好加一个模糊度评估，太模糊的帧直接丢。

5.3 用仿真数据验证标定精度

二次开发最怕改出玄学 bug，我一般会先用仿真数据跑一遍。生成一组虚拟的标定板角点，用已知的内参和畸变系数投影到图像平面，加高斯噪声，然后拿你的标定代码去估参数，看估出来的值和真值差多少。

% 仿真数据验证 K_true = [1000, 0, 640; 0, 1000, 360; 0, 0, 1]; dist_true = [-0.1, 0.05, 0, 0]; % 生成虚拟角点并投影... % 调用标定函数... % 比较估计值与真值 fprintf('焦距估计误差：%.2f%%\n', abs(K_est(1,1)-K_true(1,1))/K_true(1,1)*100);

仿真验证通过之后，再上真实数据。真实数据跑完，除了看重投影误差，还要看估计出来的参数是否物理合理。比如焦距估计出来是负数，那肯定有问题。畸变系数如果大得离谱，也要回头查。