1. 相机标定基础从棋盘格到内参矩阵相机标定是计算机视觉中一项基础但至关重要的技术。简单来说就像我们配眼镜前需要验光一样相机标定就是给相机做一次验光了解它的光学特性。我刚开始接触这个领域时最头疼的就是各种专业术语后来发现用日常生活来类比就很好理解。想象你拿着手机给棋盘格拍照。棋盘格就像我们熟悉的坐标纸每个格子大小相同、排列整齐。但在照片里靠近边缘的格子会变形直线可能变弯——这就是镜头畸变。通过分析多张不同角度的棋盘格照片我们就能计算出相机的视力参数。实际操作中OpenCV让这个过程变得简单。你需要准备一个实体棋盘格建议打印在硬纸板上在不同距离、角度拍摄15-20张照片确保棋盘格在每张照片中都清晰可见关键代码片段# 定义棋盘格尺寸 (内角点数量) CHECKERBOARD (7,5) # 注意是角点数不是方格数 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) # 准备3D空间点 objp np.zeros((1, CHECKERBOARD[0]*CHECKERBOARD[1], 3), np.float32) objp[0,:,:2] np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2)这里有个新手常踩的坑CHECKERBOARD参数指的是内部角点数。比如6x9的棋盘格参数应该是(5,8)。我第一次做时就搞错了导致一直检测不到角点。2. 角点检测与精细化处理找到棋盘格角点是标定的关键步骤。OpenCV的findChessboardCorners()函数就像智能找茬游戏能自动识别棋盘格的交叉点。但就像人眼有时会看错一样算法也需要二次确认。我常用的技巧是先转换为灰度图减少干扰使用自适应阈值提高检测鲁棒性添加FAST_CHECK加速检测gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, CHECKERBOARD, cv2.CALIB_CB_ADAPTIVE_THRESH cv2.CALIB_CB_FAST_CHECK cv2.CALIB_CB_NORMALIZE_IMAGE)检测到角点后还需要用cornerSubPix()进行亚像素级精确定位。这就像用放大镜微调标记点位置if ret True: corners2 cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) imgpoints.append(corners2) objpoints.append(objp)实测发现winSize参数设置为(11,11)在精度和速度间取得了不错平衡。对于4K图像可以适当增大嵌入式设备上可以减小。3. 计算相机参数与畸变系数有了足够的对应点建议15组以上就可以调用calibrateCamera()这个计算器了ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None)输出结果中mtx是内参矩阵包含焦距(fx,fy)和光学中心(cx,cy)dist是畸变系数通常有5个值[k1,k2,p1,p2,k3]rvecs/tvecs是每张图片的旋转和平移向量我曾遇到标定误差(RMS)过大的情况后来发现是因为棋盘格照片角度变化不够丰富部分照片对焦不清晰棋盘格平面有明显反光建议误差控制在0.3以下理想情况能达到0.1左右。4. 实时视频流的畸变校正拿到相机参数后就可以处理实时视频了。直接逐帧用undistort()虽然简单但在Jetson等边缘设备上可能吃不消。这时就需要性能优化技巧4.1 预处理映射表提前计算好畸变映射运行时直接查表# 只需计算一次 h, w frame.shape[:2] newcameramtx, roi cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h)) mapx, mapy cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w,h), 5) # 每帧处理 dst cv2.remap(frame, mapx, mapy, cv2.INTER_LINEAR)在树莓派4B上测试这种方法比直接undistort快3-5倍1080p视频能达到25FPS。4.2 ROI区域裁剪getOptimalNewCameraMatrix()返回的roi参数标出了有效区域x,y,w,h roi dst dst[y:yh, x:xw] # 裁剪黑边4.3 分辨率权衡在Jetson Nano上实测不同分辨率的处理速度分辨率FPS(remap)FPS(undistort)640x48060151280x7203081920x1080123如果对画质要求不高适当降低分辨率能显著提升帧率。5. 实际应用中的问题排查在工业项目中我遇到过几个典型问题5.1 标定参数失效温度变化导致镜头焦距变化使得标定参数不准。解决方法在设备工作温度下重新标定使用温度传感器触发参数自动更新5.2 边缘畸变校正不足广角镜头边缘区域校正效果差可以采用更高阶的畸变模型分区域使用不同校正参数裁剪边缘保留中心区域5.3 动态模糊影响快速移动场景导致图像模糊会降低校正质量。建议提高快门速度使用全局快门相机添加运动模糊补偿算法记得第一次给无人机摄像头做标定时因为没考虑振动影响室外实测时校正效果很差。后来在标定时模拟了相同振动条件问题才解决。