张正友相机标定与OpenCV棋盘格实现：畸变矫正与内参标定实战

简介：张正友相机标定法是计算机视觉中应用最广的单目相机标定方案，这份资源提供可直接运行的OpenCV工程。源码以CameraCalibration.cpp为核心，配合14张不同角度棋盘标定图与配套棋盘格图片，一键运行即可完成标定流程，并输出相机内参、外参、旋转和平移矩阵，同时附带标定效果评价与原始棋盘图矫正演示。资源共92个文件，压缩包约10.26MB，核心文件包括2个cpp源码、14个bmp棋盘图、14个jpg不同角度标定图，以及sln工程文件、编译生成的exe与调试文件等，代码中注释详细，便于对照学习。已有22738人学习下载，适合正在学习相机标定、双目视觉或三维重建的开发者，可直接作为OpenCV视觉项目的标定模块参考。

1. 张正友相机标定Opencv实现：一份“棋盘图+完整程序”能换来的真实效果

单目测距项目里，画面边缘的物体总偏出好几个像素，调了很久算法都没用。最后才发现问题根本不在测距逻辑，而是镜头畸变没校正，照片越靠边缘变形越明显。在视觉项目里，这种“玄学误差”往往来自相机内参不准。张正友相机标定正是解决这套问题的标准方法：你只需要一张打印好的棋盘图，用OpenCV检测角点，就能同时算出焦距、主点和镜头畸变系数。这份实例源码把从角点检测到标定结果保存的流程串成完整程序，不用自己推导矩阵公式，拿来改改参数就能跑。适合做机器人、AR、缺陷检测或任何需要恢复三维几何的视觉开发者。

2. 张正友标定的数学基础与OpenCV对应关系：棋盘图为什么能算出内参

2.1 张正友标定法的本质：一张棋盘平面给出的相机约束

相机成像可以简化成小孔模型，三维世界点到像素坐标的投影由内参矩阵、畸变系数和外参共同决定。张正友标定的聪明之处，在于让标定物只取一个平面。棋盘格图案天然满足这个条件：它在一个刚性平面上，所有角点的Z坐标都可以设成0。这样一来，一个视角下三维到二维的投影就退化成平面单应，也就是一个3×3的单应矩阵。这个矩阵把棋盘格上的二维角点映射到像素平面，但它的值同时被内参和当前视角的外参“混合”在一起。

张正友法利用多个视角下单应矩阵之间的关系做约束。旋转矩阵的两个列向量来自正交单位矩阵的一部分，这给每个视角提供了两个方程，组合起来就能解出内参矩阵中的未知量。之后再用非线性优化同时估计畸变系数和外参，这就是OpenCV里calibrateCamera函数做的事。你不需要把每一步线性代数都写在工程代码里，但理解“为什么拍不同角度的照片有效”会帮你知道数据该怎么采集。

一个常见误区是以为只拍一张正对相机的棋盘图就能标定。其实单幅图能提供的约束不够，内参和外参耦合在一起，没法分离。只有让棋盘在多个视角下旋转、平移，约束方程才会增多，优化器才能把内外参数分开。棋盘格的优势还在于角点数量多，内部角点能提供大量对应点，而且角点邻域的梯度方向稳定，便于做亚像素精化。

2.2 OpenCV的数据结构：objectPoints、imagePoints与畸变模型

OpenCV的标定接口算不上复杂。首先定义标定板上的世界坐标，OpenCV里手动生成一组Z=0的网格点。这里的关键是顺序：从左到右、从上到下排列。findChessboardCorners检测出来的角点顺序也是这个顺序，这样objpoints和imgpoints才能一一对应。配置不同会有问题，我们在避坑章节再说。

import numpy as np board_size = (9, 6) # 内角点，横向9，纵向6 objp = np.zeros((board_size[0] * board_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:board_size[0], 0:board_size[1]].T.reshape(-1, 2)

这段代码生成的世界点是棋盘同一平面的网格。第一列x、第二列y，z保持0。mgrid从0到8和0到5，产生9×6个点，顺序是先x变化完再y变化，和检测到的角点排列一致。

标定函数 calibrateCamera 的输入列表：

• objpoints: 多幅图对应的世界坐标点列表
• imgpoints: 多幅图对应的像素角点列表
• imageSize: 预处理后的灰度图宽高，用于固定图像尺寸
• 可选的cameraMatrix初始值和flags参数

内部参数返回值：3×3内参矩阵，形如：

[[fx, 0, cx], [0, fy, cy], [0, 0, 1]]

fx和fy代表x/y方向焦距（像素单位），cx和cy是主点在图像中的像素坐标。镜头失真时，实际光线路径会偏离小孔模型，于是畸变系数用k1, k2, p1, p2, k3来描述径向和切向畸变。径向畸变会让直线变弯曲，图像边缘尤其明显；切向畸变则来源于镜头与传感器不平行。OpenCV默认的畸变模型是这五个系数一起估计，但并不是所有相机都需要高阶项k3，参数太多反而容易过拟合噪声。

2.3 棋盘图规格：内角点、格数、尺寸到底怎么填

标题里的“棋盘图”不是随便打印一张就能用。使用findChessboardCorners时，第一个参数CHESSBOARD_SIZE是“内角点数量”，不是黑白格子的数量。比如一张棋盘图横着有10个格子、竖着有7个格子，那么内角点是 (10-1, 7-1) = (9, 6)。OpenCV文档里patternSize类型是cv::Size(width, height)，顺序是横向角点数、纵向角点数。搞反或者多填一个格子，往往检测不到角点。

棋盘格实际边长也要测量准确。比如你打印的方格边长是25mm，世界坐标中x和y的间距就乘25。注意：如果只用来标定内参矩阵，这个尺寸单位不影响fx/fy和畸变系数的值，因为它们是像素尺度；但外参的平移向量和深度测量会以这个尺寸为基准。所以标定后做测距的项目，必须用毫米或厘米的真实尺寸，不能随便设成1。

打印时尽量用激光或普通打印机，但要把纸贴到平整的硬板上，避免纸张褶皱。还有一点：棋盘图四周留白多一些，避免边缘格子被裁掉，检测时被截断的棋盘很难检测出来。市面上的棋盘图有很多规格，建议选10×7或13×9这样比较均衡的方案，格子太少角点数不足，太多在斜视角下角点重叠难以分辨。

3. 完整程序跑通：从棋盘图到相机参数的一条龙代码

3.1 环境与数据准备：打印棋盘图、采集图像、组织路径

首先准备一张棋盘图。如果没有现成图片，可以用numpy自己生成并打印。每个格子边长建议25mm到50mm，太小的话相机要凑很近才能看清，太大则画面放不下。打印后贴在平整硬板上，避免手捏时变形。采集时让相机固定，棋盘在画面中移动，注意不要只绕一个方向旋转，而是要有俯仰、偏航、滚动和远近变化。棋盘要完整出现在画面里，尽量让棋盘区域覆盖画面一半以上，数量一般10到20张。

图像保存到images目录，文件名用纯字母数字，不要有中文和空格。建议不同姿态的照片放到同一个文件夹，方便glob读取。采集时如果单人操作，可以把相机设成视频模式，边移动棋盘边截帧，但要注意截帧时棋盘不能有运动模糊。

3.2 核心标定代码逐段拆解

下面的代码是一个完整的Python标定脚本，基于OpenCV 4.x，可以直接复制到项目里改参数使用。

import cv2 import numpy as np import glob # 棋盘内角点数：(横向, 纵向)。注意是角点数，不是格子数！ BOARD_SIZE = (9, 6) SQUARE_SIZE = 25.0 # 每个棋盘格的边长，单位mm # 亚像素角点细化终止条件：迭代30次或精度0.001 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) def make_board_points(board_size, square_size): """生成棋盘角点的世界坐标，Z恒为0""" objp = np.zeros((board_size[0] * board_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:board_size[0], 0:board_size[1]].T.reshape(-1, 2) objp[:, :2] *= square_size return objp objp = make_board_points(BOARD_SIZE, SQUARE_SIZE) objpoints = [] # 每个有效视角上的世界角点 imgpoints = [] # 对应的像素角点 images = sorted(glob.glob("images/*.jpg")) valid_count = 0 for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) found, corners = cv2.findChessboardCorners( gray, BOARD_SIZE, None, flags=cv2.CALIB_CB_ADAPTIVE_THRESH | cv2.CALIB_CB_NORMALIZE_IMAGE | cv2.CALIB_CB_FAST_CHECK ) if not found: print(f"[skip] {fname}: 未找到内角点") continue corners_sub = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints.append(corners_sub) valid_count += 1 draw = cv2.drawChessboardCorners(img.copy(), BOARD_SIZE, corners_sub, found) cv2.imshow("chessboard", draw) cv2.waitKey(100) cv2.destroyAllWindows() print(f"有效图像数量: {valid_count}") if valid_count < 5: raise RuntimeError("有效图像太少，至少需要5张以上")

这段代码先检测每一张灰度图的棋盘角点。findChessboardCorners返回的corners形状是(N,1,2)，N等于内角点总数。flags中：

• CALIB_CB_ADAPTIVE_THRESH：使用自适应阈值分割，光照不均匀时有奇效
• CALIB_CB_NORMALIZE_IMAGE：在检测前对图像做归一化，不同曝光下更稳定
• CALIB_CB_FAST_CHECK：先做快速预检，能过滤掉大部分明显不成立的图像，但可能漏检，如果失败多就关掉

cornerSubPix的(11,11)是亚像素搜索窗口半宽，窗口大于棋盘格在图像中的边长会不准，小于则搜索不到；(-1,-1)表示不排除中心邻域。criteria控制迭代，通常取(11,11)或(9,9)。

接下来进行标定和结果保存：

# 注意gray.shape[::-1]是(width, height)，calibrateCamera要求这个顺序 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print("重投影误差:", ret) print("内参矩阵:\n", mtx) print("畸变系数:", dist) np.savez("calib_result.npz", mtx=mtx, dist=dist, rvecs=rvecs, tvecs=tvecs)

注意：gray.shape 返回 (height, width)，而 calibrateCamera 要求 imageSize 是 (width, height)，所以用 gray.shape[::-1]，不要写反。

rvecs和tvecs是每张图对应标定板在相机坐标系下的外参。旋转向量可以通过cv2.Rodrigues转成3×3旋转矩阵。这里保存为npz格式，后续Python读取方便。如果要在C++项目中使用，可以同时保存为OpenCV FileStorage格式。

3.3 结果解读与保存：内参矩阵、畸变系数和重投影误差怎么看

标定返回的ret值就是重投影均方根误差，单位像素。经验上小于0.5已经可以用于大多数视觉项目，小于0.1说明拍摄和检测质量很好。如果大于1，需要检查角点检测或标定板是否平整。

内参矩阵的fx和fy并不是你手动输入的值，它们由图像分辨率决定。不同相机分辨率下不能直接沿用，必须重新标定。畸变系数dist默认是[k1, k2, p1, p2, k3]，如果标定时用flags把k3固定为0，则dist只有4个元素。保存和读取时都要按实际长度处理。

如果想验证标定效果，可以用undistort直接矫正一张测试图：

test = cv2.imread("test.jpg") undistorted = cv2.undistort(test, mtx, dist) cv2.imwrite("undistorted.jpg", undistorted)

矫正后观察边缘直线是否变直，比如门框、墙边。如果畸变减轻但出现明显插值模糊，是正常现象，remap可以用双线性插值，但不会带来清晰度提升。实际上标定解决的是几何位置，不是图像模糊。

4. 参数选择与精度调优：把重投影误差压下来的四个关键点

4.1 图像数量与姿态分布：不是拍得多就准

理论上至少需要2幅图才能解出所有内参，但实际噪声影响很大，通常要求15-20张。关键是姿态分布：所有照片若都让棋盘正对相机，内参约束不足。要让棋盘在画面中变化：左右上下倾斜、旋转，拍摄距离也要有远近。拍摄时保持棋盘为平面，不要弯曲。常见做法是围绕相机半球表面转动棋盘。

图像需要覆盖画面边缘，因为畸变在边缘才明显。如果照片里棋盘总是居中，估计出的畸变系数不可靠。可以设计采集方案：棋盘移到四个角落、四边和中心，并伴随不同的俯仰角、偏航角。每张照片之间差别尽量大，避免连续帧几乎相同。如果使用视频截帧采集，间隔至少几十帧。

4.2 棋盘格尺寸：真实物理尺寸不能乱填

前面说了单位影响外参。如果你只矫正图像，单位无所谓，但测距、三维重建项目必须填实际边长。建议用游标卡尺测量多个格子取平均，因为打印会有热胀冷缩。SQUARE_SIZE填毫米时，世界坐标单位就是mm，外参平移的单位也是mm。注意：如果你的棋盘格一条边标称25mm，但打印出来实际24.8mm，外参会有一点点偏差，在远距离测量时会被放大。

还有一点要注意：棋盘格边长不要填成“角点之间的间距”和“格子边长”弄混。一个角点和相邻角点之间的距离正好等于一个格子的边长，所以只要格子本身是标准正方形，这一项没问题。但如果你的棋盘图不是标准方格，而是长方形格子，那在定义objp时，x方向和y方向的间距要分别填写。

4.3 标定flags：哪些畸变参数该固定，哪些该让优化器自己转

calibrateCamera的flags参数可以传入多个按位或的值。常用场景见下面的表：

我一般会先用默认参数标一次，如果重投影误差高，或者畸变系数出现很大的异号组合，就固定k3，再试。不要一次性全固定，否则误差压不下去。比如广角镜头畸变大，硬把k3固定为0，误差会直接飙高。普通手机的摄像头，k3往往很小，让优化器自由估计反而容易过拟合。

4.4 亚像素角点精化：别让检测精度拖累整体标定

findChessboardCorners返回的是整像素坐标，标定本身用非线性优化，但最终精度依赖角点位置的准确性。所以必须做cornerSubPix精化。winSize参数设置为棋盘格在图像中的大致尺寸相关，如果棋盘格边长在图像中约20像素，winSize取(11,11)偏小，可能需要(21,21)。实际经验是winSize应大于单个格子边长的一半，小于整个棋盘对角线的一半。常见取值(11,11)到(21,21)。

criteria里的maxIter和eps控制收敛。30次、0.001满足大多数场景。如果发现角点在某个方向有系统偏移，可以增大winSize再试。还有一个小技巧：如果光照太差，先对灰度图做直方图均衡化cv2.equalizeHist，再传给findChessboardCorners，会让检测更稳。

这里补充一个手动计算重投影误差的代码，方便在标定后逐张排查哪张图拉高了误差：

mean_error = 0 for i in range(len(objpoints)): imgpoints2, _ = cv2.projectPoints( objpoints[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) mean_error += error if error > 0.1: print(f"view {i} error: {error:.4f}") print("mean error:", mean_error / len(objpoints))

这样能把误差较大的视角挑出来，检查是检测不准还是棋盘没拍全。

5. 避坑指南：标定现场最常见的5个翻车点

5.1 现象：findChessboardCorners总是返回False，一张都找不到

原因通常是棋盘格内角点数填错、图案不完整、光照反光，或者棋盘在画面中占比太小。很多新手把BOARD_SIZE填成格子数，比如10×7，但实际内角点是9×6。

解决：先用单张容易识别的图做测试，并打印检测结果。把flags先改成只有CALIB_CB_FAST_CHECK，如果仍然找不到，就把FAST_CHECK去掉。图像过亮过暗时增加CALIB_CB_ADAPTIVE_THRESH和CALIB_CB_NORMALIZE_IMAGE。如果还是失败，检查棋盘有没有被手指、阴影遮挡，或者改小图像分辨率，有些极端透视下角点重叠会导致检测失败。

5.2 现象：标定能跑通，但重投影误差高达1像素以上

原因：角点检测精度差，或者标定板翘曲。不要小看纸张不平整，这是血泪经验。还有一个常见原因是使用了过多的畸变系数，优化器用极端畸变系数去拟合不合理数据。

解决：检查drawChessboardCorners绘制的角点位置是否和图像中的角点对齐，尤其边缘部分。如果都对，但误差仍高，将flags改为CALIB_FIX_K3 | CALIB_ZERO_TANGENT_DIST。如果误差降下来，说明原来的模型过拟合。也可以在cornerSubPix前对图像做高斯模糊，虽然听起来反直觉，但在高分辨率图上噪声大时，5×5的高斯核能让亚像素搜索更稳定。

5.3 现象：标定后图像被“矫枉过正”，边缘被拉出波浪形

原因：畸变系数估计出现了畸形，通常是k1或k2绝对值过大，或者k2与k1正负搭配不合理。这样矫正后的图像边缘会出现波浪形，反而更夸张。

解决：不要盲目信任五参数畸变模型。普通镜头用k1,k2,p1,p2通常足够，把k3固定为0。如果切线畸变非常小，也固定p1,p2。另一种可能是你拍的照片里棋盘没有覆盖到画面边缘，畸变大的区域数据不足，导致外推失真。回到采集阶段补拍边缘姿态，比在flags上硬调参数更有效。

5.4 现象：程序在cornerSubPix或calibrateCamera时崩溃

原因：corners为空或形状不对。当findChessboardCorners返回False时，如果继续调用cornerSubPix，传出的corners可能是有效空数组，后面append会出现长度不一致。另外，objp数组长度和检测到的角点数不一致也会导致后续calibrateCamera崩溃。

解决：在ret为False时直接continue，不要把空角点加入。检查objp生成的数量 = BOARD_SIZE[0] * BOARD_SIZE[1]，务必与findChessboardCorners的第二个参数一致。如果你设置(9,6)，检测返回54个角点，objp也必须是54。可以在创建objp后打印它的形状确认。还有cornerSubPix的winSize不能用偶数，OpenCV要求必须是奇数。

5.5 现象：同一组图像，不同运行结果差异大

原因：OpenCV标定采用非线性优化，对初值敏感。如果你改了flags、图像读取顺序，或者把彩色图转灰度时用了不同通道顺序，结果会变。另一个常见原因是某些图像中的角点检测错误，拉偏了整体优化。

解决：确定统一标定流程，包括固定flags、固定图像读取顺序、固定cornerSubPix参数。如果同一组数据反复标定结果差异大，通常意味着某些图像检测到的角点错误，或者图像数量太少。用5.2末尾的手动逐张误差排查，把误差异常大的视角剔除后重新标定。

6. 进阶：把标定结果变成实时可用的畸变矫正与位姿估计

6.1 用initUndistortRectifyMap建立实时矫正映射

标定完成后，后续每个摄像头帧都需要去畸变。最简单的做法是每帧调undistort，但它在高分辨率下耗时较高。常见做法是提前算好映射表，然后每帧只做remap查表，速度会快不少。

h, w = img.shape[:2] newcamera, roi = cv2.getOptimalNewCameraMatrix( mtx, dist, (w, h), 1, (w, h)) mapx, mapy = cv2.initUndistortRectifyMap( mtx, dist, None, newcamera, (w, h), cv2.CV_32FC1)

然后在循环里用dst = cv2.remap(frame, mapx, mapy, cv2.INTER_LINEAR)。getOptimalNewCameraMatrix的alpha参数，设为1保留全部畸变区域，设为0裁剪黑边。做视觉测量时通常保留多一些；做图像美观可以裁剪。我习惯存下roi，在矫正后裁掉无效区域，但此时像素坐标会整体偏移，后续测距要把新的主点同步调整。

6.2 用solvePnP把棋盘位姿变成可用的空间信息

标定结果不仅用于去畸变，还能用来检测棋盘板相对于相机的位姿。实时场景下，先用findChessboardCorners找到角点，再调用solvePnP，3D点用标定时的objp，2D点用当前角点，内参用标定结果。得到的rvecs和tvecs就是棋盘坐标系到相机坐标系的变换，可以用来测距或做简单AR。

这里有一个容易被忽略的坑：solvePnP里传入的2D点必须是亚像素坐标，实时帧上一次完整的cornerSubPix也必不可少；如果只是为了粗定位可以省略，但err会明显。另外，tvecs的长度单位与SQUARE_SIZE一致，标定时填25mm，测出来的距离就是mm。

6.3 一个被低估的验证技巧：留出法检查标定稳定性

标定完成后，不要只看总体重投影误差。把15张图分成两组，比如7张和8张，分别标定，比较两组的内参差异。如果fx相差超过0.3%，说明图像约束不够。更严格一点，取一组做标定，另一组用标定结果投影角点，计算重投影误差。这一招能提前发现“过拟合到某几张特定图”的问题。

我自己标定过一个小相机，第一次只拍了6张，误差0.2像素，但实际矫正出来的图边缘总有点虚。后来采用分组验证法，发现是因为所有棋盘都集中在画面中央。重新采集覆盖边缘的10张后，误差降到0.08，矫正后的直线也在边缘处更干净。从那以后，每台相机都至少准备两套图像，一套标定，一套验证，不再只看一个数字。希望帮到你。

本文还有配套的精品资源，点击获取