1 相机标定的意义相机标定主要用来求解摄像头的内部光学参数焦距、光心坐标、镜头畸变系数以及摄像头相对于世界坐标系的外部位姿以此校正镜头带来的桶形、枕形等图像畸变只有拿到精准标定参数之后才能够建立起现实三维空间坐标和画面二维像素之间的映射关系为后续双目深度测算、AR 空间定位、手势识别、麦克风‑摄像头空间配准、波束成形声源定位等上层算法提供可靠的数据基础消除镜头硬件误差带来的算法偏差。标定有两层如果是给人眼看主要就是解决畸变变形和粗略校正桶形、枕形畸变只需要修正肉眼可见的画面畸变。看着舒服、直线不要弯满足观感即可。如果是给机器学习用的那么需要整套高精度完整内参、畸变系数、外参对精度要求严苛得多。必须保证几何精度优先保证每一个像素对应的空间位置准确。2 相机标定的方法基本就使用标定板拍摄几十张照片根据照片来做标定。3 一个例子一张图理清所有的RAW 、RGB、YUV格式import cv2 import numpy as np import glob # 1. 准备标定板的角点坐标 # 假设使用 9x6 的棋盘格每个方格的实际大小为 1 单位例如 1 厘米 chessboard_size (9, 6) # 棋盘格内角点数量 (width, height) square_size 1.0 # 棋盘格方格的物理尺寸单位任意例如厘米 # 生成标定板的角点坐标 (0,0,0), (1,0,0), (2,0,0), ..., (8,5,0) 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 # 将角点坐标乘以实际尺寸 # 2. 存储对象点和图像点 objpoints [] # 真实世界中的点 imgpoints [] # 图像中的点 # 3. 读取标定图像 images glob.glob(calibration_images/*.jpg) # 假设标定图像存储在 calibration_images 文件夹中 if not images: print(未找到标定图像请检查路径。) exit() for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 4. 检测棋盘格角点 ret, corners cv2.findChessboardCorners(gray, chessboard_size, None) if ret: objpoints.append(objp) imgpoints.append(corners) # 5. 绘制并显示角点 cv2.drawChessboardCorners(img, chessboard_size, corners, ret) cv2.imshow(Chessboard Corners, img) cv2.waitKey(500) # 显示 500 毫秒 cv2.destroyAllWindows() # 6. 检查是否检测到足够的角点 if len(objpoints) 10: print(检测到的标定图像数量不足请提供更多图像) exit() # 7. 标定摄像头 ret, K, dist, rvecs, tvecs cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None) if not ret: print(摄像头标定失败) exit() # 8. 输出标定结果 print(摄像头内部参数矩阵 (K):) print(K) print(\n畸变系数 (dist):) print(dist) # 9. 校正图像畸变 # 读取测试图像 test_image cv2.imread(test_image.jpg) # 假设测试图像为 test_image.jpg if test_image is None: print(未找到测试图像请检查路径。) exit() h, w test_image.shape[:2] # 获取最优的新摄像头矩阵 newK, roi cv2.getOptimalNewCameraMatrix(K, dist, (w, h), 1, (w, h)) # 校正图像畸变 dst cv2.undistort(test_image, K, dist, None, newK) # 裁剪校正后的图像可选 x, y, w, h roi dst dst[y:yh, x:xw] # 10. 显示结果 cv2.imshow(Original Image, test_image) cv2.imshow(Undistorted Image, dst) cv2.waitKey(0) cv2.destroyAllWindows() # 11. 保存校正后的图像可选 cv2.imwrite(undistorted_image.jpg, dst) print(校正后的图像已保存为 undistorted_image.jpg) 摄像头的标定（TODO）
1 相机标定的意义相机标定主要用来求解摄像头的内部光学参数焦距、光心坐标、镜头畸变系数以及摄像头相对于世界坐标系的外部位姿以此校正镜头带来的桶形、枕形等图像畸变只有拿到精准标定参数之后才能够建立起现实三维空间坐标和画面二维像素之间的映射关系为后续双目深度测算、AR 空间定位、手势识别、麦克风‑摄像头空间配准、波束成形声源定位等上层算法提供可靠的数据基础消除镜头硬件误差带来的算法偏差。标定有两层如果是给人眼看主要就是解决畸变变形和粗略校正桶形、枕形畸变只需要修正肉眼可见的画面畸变。看着舒服、直线不要弯满足观感即可。如果是给机器学习用的那么需要整套高精度完整内参、畸变系数、外参对精度要求严苛得多。必须保证几何精度优先保证每一个像素对应的空间位置准确。2 相机标定的方法基本就使用标定板拍摄几十张照片根据照片来做标定。3 一个例子一张图理清所有的RAW 、RGB、YUV格式import cv2 import numpy as np import glob # 1. 准备标定板的角点坐标 # 假设使用 9x6 的棋盘格每个方格的实际大小为 1 单位例如 1 厘米 chessboard_size (9, 6) # 棋盘格内角点数量 (width, height) square_size 1.0 # 棋盘格方格的物理尺寸单位任意例如厘米 # 生成标定板的角点坐标 (0,0,0), (1,0,0), (2,0,0), ..., (8,5,0) 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 # 将角点坐标乘以实际尺寸 # 2. 存储对象点和图像点 objpoints [] # 真实世界中的点 imgpoints [] # 图像中的点 # 3. 读取标定图像 images glob.glob(calibration_images/*.jpg) # 假设标定图像存储在 calibration_images 文件夹中 if not images: print(未找到标定图像请检查路径。) exit() for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 4. 检测棋盘格角点 ret, corners cv2.findChessboardCorners(gray, chessboard_size, None) if ret: objpoints.append(objp) imgpoints.append(corners) # 5. 绘制并显示角点 cv2.drawChessboardCorners(img, chessboard_size, corners, ret) cv2.imshow(Chessboard Corners, img) cv2.waitKey(500) # 显示 500 毫秒 cv2.destroyAllWindows() # 6. 检查是否检测到足够的角点 if len(objpoints) 10: print(检测到的标定图像数量不足请提供更多图像) exit() # 7. 标定摄像头 ret, K, dist, rvecs, tvecs cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None) if not ret: print(摄像头标定失败) exit() # 8. 输出标定结果 print(摄像头内部参数矩阵 (K):) print(K) print(\n畸变系数 (dist):) print(dist) # 9. 校正图像畸变 # 读取测试图像 test_image cv2.imread(test_image.jpg) # 假设测试图像为 test_image.jpg if test_image is None: print(未找到测试图像请检查路径。) exit() h, w test_image.shape[:2] # 获取最优的新摄像头矩阵 newK, roi cv2.getOptimalNewCameraMatrix(K, dist, (w, h), 1, (w, h)) # 校正图像畸变 dst cv2.undistort(test_image, K, dist, None, newK) # 裁剪校正后的图像可选 x, y, w, h roi dst dst[y:yh, x:xw] # 10. 显示结果 cv2.imshow(Original Image, test_image) cv2.imshow(Undistorted Image, dst) cv2.waitKey(0) cv2.destroyAllWindows() # 11. 保存校正后的图像可选 cv2.imwrite(undistorted_image.jpg, dst) print(校正后的图像已保存为 undistorted_image.jpg)