当前位置：首页 > article >正文

相机标定（输出相机内参和畸变参数）

article 2026/1/12 20:54:18

相机标定

这里我用笔记本电脑自带的摄像头进行相机标定
仅作示例，实际工程中要用对应的摄像头进行标定
同时代码也要相应的修改，不过修改的主要是相机的初始化
粗略的说就是打开相机那部分要修改（依据实际情况相应修改）
最终的结果会输出

重投影误差	RMS( 越小越好)
相机内参矩阵	cameraMatrix
畸变参数	distCoeffs.t()

这里用Opencv内置的矩阵转置函数.t() ，将畸变参数从列向量转换为行向量，便于显示，不过它这个只是显示上改变，畸变参数实际存储的还是列向量。
所以下次如果没有用.t( )把它转置，那最后输出的矩阵就会是列向量

#include <opencv2/opencv.hpp>
#include <vector>
#include <iostream>
#include <iomanip>using namespace cv;
using namespace std;int main() {// ========== 参数配置 ==========const Size boardSize(12, 8);      // 内角点数量（12×8）const float squareSize = 20.0f;   // 每个棋盘格实际尺寸（mm）const int targetSamples = 20;     // 需要采集的样本数const TermCriteria criteria(TermCriteria::EPS + TermCriteria::MAX_ITER, 30, 0.001);// ========== 准备工作 ==========// 生成理论角点坐标（世界坐标系）vector<Point3f> objectCorners;for (int i = 0; i < boardSize.height; ++i) {for (int j = 0; j < boardSize.width; ++j) {objectCorners.push_back(Point3f(j * squareSize, i * squareSize, 0));}}vector<vector<Point3f>> objectPoints;vector<vector<Point2f>> imagePoints;// ========== 初始化摄像头 ==========VideoCapture cap(0);if (!cap.isOpened()) {cerr << "ERROR: 无法打开摄像头" << endl;return -1;}// 获取初始帧确定分辨率Mat initFrame;cap >> initFrame;if (initFrame.empty()) {cerr << "ERROR: 无法获取初始帧" << endl;return -1;}Size imageSize = initFrame.size();// ========== 数据采集 ==========cout << "=== 相机标定程序 ===" << endl;cout << "棋盘规格: " << boardSize.width << "x" << boardSize.height << " (每个格子 " << squareSize << "mm)" << endl;cout << "图像分辨率: " << imageSize.width << "x" << imageSize.height << endl;cout << "需要采集 " << targetSamples << " 个有效样本" << endl;cout << "操作说明:\n  空格键 - 保存当前帧\n  ESC键 - 提前结束采集\n";int currentSamples = 0;Mat frame;while (currentSamples < targetSamples) {cap >> frame;if (frame.empty()) {cerr << "WARNING: 获取帧失败" << endl;continue;}Mat gray;cvtColor(frame, gray, COLOR_BGR2GRAY);// 查找棋盘格角点vector<Point2f> corners;bool found = findChessboardCorners(gray, boardSize, corners,CALIB_CB_ADAPTIVE_THRESH + CALIB_CB_NORMALIZE_IMAGE + CALIB_CB_FAST_CHECK);if (found) {// 亚像素级精确化cornerSubPix(gray, corners, Size(11, 11), Size(-1, -1), criteria);// 可视化结果drawChessboardCorners(frame, boardSize, corners, found);string status = format("采集进度: %d/%d | 按空格保存", currentSamples, targetSamples);putText(frame, status, Point(20, 30), FONT_HERSHEY_SIMPLEX, 0.8, Scalar(0, 255, 0), 2);imshow("Camera Calibration", frame);// 按键处理 按空格键保存当前图像到示例中int key = waitKey(1);if (key == 32) { // 空格键objectPoints.push_back(objectCorners);imagePoints.push_back(corners);currentSamples++;// 保存确认反馈Mat feedback;frame.copyTo(feedback);string msg = format("样本 %d 已保存!", currentSamples);putText(feedback, msg, Point(frame.cols/4, frame.rows/2), FONT_HERSHEY_SIMPLEX, 1.5, Scalar(0, 255, 255), 3);imshow("Camera Calibration", feedback);waitKey(300);} else if (key == 27) { // ESC键break;}} else {string msg = format("未检测到棋盘格 | 需要 %dx%d 内角点", boardSize.width, boardSize.height);putText(frame, msg, Point(20, 30), FONT_HERSHEY_SIMPLEX, 0.8, Scalar(0, 0, 255), 2);imshow("Camera Calibration", frame);if (waitKey(1) == 27) break;}}// ========== 相机标定 ==========if (objectPoints.size() >= 5) {Mat cameraMatrix, distCoeffs;vector<Mat> rvecs, tvecs;cout << "\n>>> 开始计算相机参数..." << endl;double rms = calibrateCamera(objectPoints, imagePoints, imageSize,cameraMatrix, distCoeffs, rvecs, tvecs,CALIB_FIX_K4 + CALIB_FIX_K5);// ========== 结果输出 ==========cout << fixed << setprecision(5);cout << "\n=== 标定结果 ===" << endl;cout << "重投影误差(RMS): " << rms << " (值越小越好，建议<0.5)" << endl;cout << "\n相机内参矩阵:\n" << cameraMatrix << endl;cout << "\n畸变系数(k1,k2,p1,p2,k3):\n" << distCoeffs.t() << endl;// ========== 保存结果 ==========FileStorage fs("camera_calibration.yml", FileStorage::WRITE);fs << "calibration_date" << "2024-03-20";fs << "image_width" << imageSize.width;fs << "image_height" << imageSize.height;fs << "board_width" << boardSize.width;fs << "board_height" << boardSize.height;fs << "square_size" << squareSize;fs << "camera_matrix" << cameraMatrix;fs << "distortion_coefficients" << distCoeffs;fs << "reprojection_error" << rms;fs.release();cout << "\n>>> 参数已保存到 camera_calibration.yml" << endl;// ========== 验证结果 ==========cout << "\n>>> 按ESC键退出验证..." << endl;Mat map1, map2;Mat newCameraMatrix = getOptimalNewCameraMatrix(cameraMatrix, distCoeffs,imageSize, 1, imageSize, 0);initUndistortRectifyMap(cameraMatrix, distCoeffs, Mat(),newCameraMatrix, imageSize,CV_16SC2, map1, map2);while (true) {cap >> frame;if (frame.empty()) break;// 去畸变处理Mat undistorted;remap(frame, undistorted, map1, map2, INTER_LINEAR);// 并排显示对比Mat comparison;hconcat(frame, undistorted, comparison);putText(comparison, "原始图像", Point(20, 30), FONT_HERSHEY_SIMPLEX, 0.8, Scalar(0, 0, 255), 2);putText(comparison, "去畸变图像", Point(frame.cols + 20, 30), FONT_HERSHEY_SIMPLEX, 0.8, Scalar(0, 255, 0), 2);imshow("Calibration Results", comparison);if (waitKey(1) == 27) break;}} else {cerr << "ERROR: 有效样本不足 (" << objectPoints.size() << ")，至少需要5个" << endl;}// ========== 资源释放 ==========cap.release();destroyAllWindows();cout << "\n>>> 程序正常结束" << endl;return 0;
}

最终代码实现功能

完整的错误处理：
- 摄像头初始化检查
- 帧获取失败处理
- 样本数量验证
  注意：这里样本数量检测的并不是棋盘格的数量，而是指成功检测到棋盘格角点并保存的有效图像帧数
  （你仔细想想，一张图片就直接测出相机的畸变参数，那误差得有多大啊）

增强的棋盘格检测：

CALIB_CB_ADAPTIVE_THRESH + CALIB_CB_NORMALIZE_IMAGE + CALIB_CB_FAST_CHECK

在相机标定代码中，增强的棋盘格检测主要通过OpenCV的findChessboardCorners函数结合特定的标志位（flags）实现。以下是详细解析：

1. 核心代码段

bool found = findChessboardCorners(gray,                  // 输入灰度图像boardSize,             // 棋盘格内角点数量（如12x8）corners,               // 输出的角点坐标CALIB_CB_ADAPTIVE_THRESH + CALIB_CB_NORMALIZE_IMAGE + CALIB_CB_FAST_CHECK    // 增强检测的标志位组合
);

2. 标志位的作用

通过以下三个标志位的组合，显著提升了棋盘格检测的鲁棒性和效率：

(1) `CALIB_CB_ADAPTIVE_THRESH`

功能：
使用自适应阈值法二值化图像，替代全局阈值。
解决的问题：
光照不均时（如部分阴影或反光），全局阈值可能导致棋盘格部分区域无法检测。
效果：
对每个局部区域独立计算阈值，确保棋盘格线条清晰。

(2) `CALIB_CB_NORMALIZE_IMAGE`

功能：
在二值化前对图像进行直方图归一化。
解决的问题：
低对比度或亮度偏暗/偏亮的图像。
效果：
增强图像对比度，使黑白棋盘格更分明。

(3) `CALIB_CB_FAST_CHECK`

功能：
启用快速检查模式，先粗略验证棋盘格是否存在。
解决的问题：
避免在无棋盘格的图像上浪费计算资源。
效果：
显著提升检测速度（尤其对视频流实时处理）。

3. 为何需要这些增强？

场景	无增强的检测	增强后的检测
光照不均	可能漏检部分角点	自适应阈值保证全图检测
低对比度图像	角点检测不稳定	归一化后对比度提升
快速视频处理	每帧都完整计算，耗时	快速检查跳过无棋盘格的帧
棋盘格部分遮挡	易失败	自适应阈值+归一化提高容错性

总结

核心标志位：
ADAPTIVE_THRESH + NORMALIZE_IMAGE + FAST_CHECK 是应对复杂场景的黄金组合。
适用场景：
光照变化、低对比度、实时视频流、部分遮挡等情况。
性能权衡：
增强检测会略微增加单次计算量，但通过FAST_CHECK和提前终止机制，整体效率更高。

详细的用户引导：
- 实时显示采集进度
- 控制台输出标定参数
- 保存完整的标定结果文件
直观的结果验证：
- 并排显示原始/去畸变图像
- 显示重投影误差(RMS)
规范的变量管理：
- 使用const定义配置参数
- 合理的作用域控制
- 图像尺寸单独保存

编译命令

终端g++编译示例（但是不太推荐）

g++ camera_calibration.cpp -o calibration `pkg-config --cflags --libs opencv4` -std=c++11

最好用CMake或者一些其他的编译工具，会更方便一点
这里就不多赘述了

输出文件示例（camera_calibration.yml）

%YAML 1.0
calibration_date: "2024-03-20"
image_width: 640
image_height: 480
board_width: 12
board_height: 8
square_size: 20.0
camera_matrix: !!opencv-matrixrows: 3cols: 3dt: ddata: [ 5.12345678e+02, 0., 3.19500000e+02, 0., 5.12345678e+02, 2.39500000e+02, 0., 0., 1. ]
distortion_coefficients: !!opencv-matrixrows: 5cols: 1dt: ddata: [ -2.123456e-01, 8.765432e-02, 1.234567e-03, -2.345678e-04, 0. ]
reprojection_error: 0.12345