1. 项目概述相机标定是计算机视觉领域的基础性工作就像给相机做一次体检通过测量和计算确定相机的视力参数。张正友标定法作为最经典的标定方法之一其巧妙之处在于仅需使用一个平面棋盘格图案通过多角度拍摄就能完成标定。这种方法不需要昂贵的标定设备操作简单但精度可靠特别适合实验室和工业现场应用。在实际项目中我们经常需要根据图像中的像素坐标反推物体的真实世界坐标。比如在自动驾驶中需要知道前方障碍物的实际距离在工业检测中需要测量产品缺陷的实际尺寸。这些应用都依赖于准确的相机参数而张正友标定法正是获取这些参数的黄金标准。2. 核心原理解析2.1 相机成像模型相机的成像过程可以理解为将三维世界中的点投影到二维图像平面的过程。这个过程涉及四个坐标系世界坐标系X_w, Y_w, Z_w物体在真实世界中的位置相机坐标系X_c, Y_c, Z_c以相机光心为原点的坐标系图像坐标系x, y以图像中心为原点的二维坐标系像素坐标系u, v以图像左上角为原点的离散坐标系它们之间的转换关系构成了相机标定的数学基础[u] [f_x s u_0] [r11 r12 r13 t_x] [X_w] [v] [0 f_y v_0] [r21 r22 r23 t_y] [Y_w] [1] [0 0 1 ] [r31 r32 r33 t_z] [Z_w] [0 0 0 1 ] [1 ]其中内参矩阵K包含相机的固有参数f_x, f_yx和y方向的焦距像素单位u_0, v_0主点坐标图像中心s倾斜系数现代相机通常为0外参矩阵[R|t]描述相机在世界坐标系中的位置和方向R3×3旋转矩阵t3×1平移向量2.2 张正友标定法的创新点传统标定方法需要精密的三维标定物而张正友教授在1998年提出的方法有三大突破只需要一个平面棋盘格如A4纸打印的棋盘允许棋盘在不同方向自由移动通过多幅图像实现高精度标定其核心思想是利用平面棋盘格的共面特性建立简化的单应性矩阵关系再通过非线性优化求解所有参数。这种方法大大降低了标定的门槛使得普通实验室也能获得专业级的标定结果。3. 实操步骤详解3.1 准备标定板理想的标定板应满足棋盘格黑白分明对比度高角点清晰易检测尺寸精确已知如每个方格2cm×2cm提示使用激光打印机在哑光铜版纸上打印棋盘格可以避免反光干扰。建议棋盘格不少于8×8个内角点。3.2 采集标定图像拍摄时需注意从不同角度拍摄15-20张图像确保棋盘在每张图像中完整可见覆盖图像的不同区域中心、四角包含不同倾斜角度平面、倾斜、旋转保持适度的透视变形常见错误所有拍摄角度过于相似导致标定结果不稳定。3.3 角点检测使用OpenCV的findChessboardCorners函数自动检测角点import cv2 import numpy as np # 设置棋盘格尺寸内角点数量 pattern_size (7, 7) # 读取图像 img cv2.imread(calib01.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 角点检测 ret, corners cv2.findChessboardCorners(gray, pattern_size, None) if ret: # 亚像素级精确化 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners2 cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) # 可视化 cv2.drawChessboardCorners(img, pattern_size, corners2, ret) cv2.imshow(Corners, img) cv2.waitKey(0)3.4 标定计算通过多组图像计算相机参数# 准备对象点假设棋盘格方格大小为2cm objp np.zeros((7*7, 3), np.float32) objp[:,:2] np.mgrid[0:7, 0:7].T.reshape(-1, 2) * 2.0 # 存储所有图像的对象点和图像点 objpoints [] # 3D点 imgpoints [] # 2D点 # 对所有图像进行处理... # ...角点检测代码如上 objpoints.append(objp) imgpoints.append(corners2) # 相机标定 ret, K, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None)3.5 参数解析标定结果包含ret重投影误差应小于0.5像素K内参矩阵[f_x 0 u_0] [ 0 f_y v_0] [ 0 0 1 ]dist畸变系数k1,k2,p1,p2,k3rvecs每幅图像的外参旋转向量可通过Rodrigues转换为矩阵tvecs每幅图像的外参平移向量4. 坐标反推实现4.1 单目测距原理已知内参K和外参[R|t]对于平面物体Z_w0可以建立如下关系s[u] [f_x s u_0] [r11 r12 t_x] [X_w] s[v] [0 f_y v_0] [r21 r22 t_y] [Y_w] s[1] [0 0 1 ] [r31 r32 t_z] [1 ]通过求解这个方程组可以从像素坐标(u,v)计算出世界坐标(X_w,Y_w)。4.2 Python实现代码def pixel_to_world(pixel_points, K, dist, rvec, tvec): # 去畸变 undistorted cv2.undistortPoints( np.array(pixel_points, dtypenp.float32), K, dist) # 构建外参矩阵 R, _ cv2.Rodrigues(rvec) RT np.hstack((R, tvec)) # 计算投影矩阵 P K RT # 选取平面Z0的约束 P_flat np.delete(P, 2, axis1) # 求解世界坐标 world_points [] for up in undistorted: up_h np.append(up[0], 1) world_h np.linalg.inv(P_flat) up_h world_points.append(world_h[:2] / world_h[2]) return np.array(world_points)4.3 实际应用示例假设我们已经标定好相机需要测量工作台上零件的实际位置在工作台上定义坐标系如以某个角为原点拍摄包含棋盘格和零件的图像检测棋盘格角点获取当前外参标注零件在图像中的位置调用pixel_to_world函数转换坐标# 已知参数 K np.array([[1200, 0, 640], [0, 1200, 360], [0, 0, 1]]) # 内参 dist np.array([-0.1, 0.01, 0, 0]) # 畸变系数 # 当前图像的外参 rvec np.array([0.1, -0.2, 0.3]) # 旋转向量 tvec np.array([0, 0, 500]) # 平移向量mm # 零件在图像中的像素坐标 pixel_points [(700, 400), (750, 420)] # 转换为世界坐标 world_points pixel_to_world(pixel_points, K, dist, rvec, tvec) print(f实际坐标(mm): {world_points})5. 精度优化与问题排查5.1 提高标定精度的技巧图像数量至少15张高质量图像覆盖不同角度棋盘格质量使用高精度打印误差0.1mm粘贴在平整刚性表面如亚克力板拍摄技巧避免运动模糊快门速度1/500s均匀照明避免阴影参数优化使用所有图像联合优化考虑高阶畸变系数k3,k4,k5,k65.2 常见问题与解决方案问题现象可能原因解决方案重投影误差大角点检测不准确使用亚像素优化手动验证角点内参不合理图像角度变化不足增加倾斜角度拍摄畸变校正异常畸变模型不匹配尝试不同畸变模型组合坐标反推误差大棋盘格平面与测量平面不平行确保测量时外参准确5.3 标定结果验证重投影误差检查理想值应0.5像素查看各图像误差分布是否均匀标定板测量验证测量已知尺寸物体的实际坐标比较计算值与真实值的偏差极线几何验证双目系统检查极线约束是否满足验证三维重建精度6. 进阶应用与扩展6.1 多相机系统标定对于双目或多相机系统除了单相机标定外还需要计算相机间的相对位置R,t统一所有相机到同一世界坐标系使用cv2.stereoCalibrate进行联合标定ret, K1, dist1, K2, dist2, R, T, E, F cv2.stereoCalibrate( objpoints, imgpoints1, imgpoints2, K1, dist1, K2, dist2, image_size, flagscv2.CALIB_FIX_INTRINSIC)6.2 手眼标定当相机安装在机械臂上时需要解决手眼标定问题AX XB其中A机械臂运动B相机运动X手眼变换矩阵OpenCV提供cv2.calibrateHandEye函数专门解决这个问题。6.3 自动标定系统设计对于产线应用可以开发自动标定系统机械装置自动移动标定板图像自动采集与角点检测异常自动判断与重拍参数自动计算与存储这种系统可以实现每日或每班的自动标定确保测量精度稳定。