单目摄像头标定：原理、实现与OpenCV实践

1. 单目摄像头标定基础与原理

在计算机视觉领域，摄像头标定是获取相机内参和畸变参数的关键步骤。无论是普通镜头还是广角/鱼眼镜头，准确的标定结果直接影响后续视觉任务的精度。

1.1 标定的核心目的

摄像头标定主要解决两个核心问题：

1. 确定相机的内参矩阵（Intrinsic Matrix）
2. 获取镜头的畸变系数（Distortion Coefficients）

内参矩阵描述了理想情况下相机如何将3D世界坐标转换为2D图像坐标，其标准形式为：

code复制[f_x  0  c_x]
[ 0  f_y c_y]
[ 0   0   1]

其中f_x和f_y是焦距（以像素为单位），c_x和c_y是主点坐标。

1.2 标定板的选择与使用

棋盘格是最常用的标定模式，因其角点检测算法成熟稳定。实际使用时需注意：

• 棋盘格尺寸（CheckerboardSize）应精确测量并转换为实际物理单位（毫米或厘米）
• 内角点数（Nx_cor, Ny_cor）指棋盘格内部交叉点的数量，而非黑白方格数
• 推荐使用高对比度的黑白棋盘格，避免反光材质

关键提示：棋盘格平面性误差应小于0.1mm，打印时建议使用激光打印机而非喷墨打印机，以保证边缘锐利。

2. 标定流程实现详解

2.1 环境准备与初始化

标定前需要准备：

python复制import cv2
import numpy as np

# 初始化摄像头
cam = 2  # 摄像头索引或RTSP流地址
cap = cv2.VideoCapture(cam)

设置标定参数：

python复制imgNums = 30      # 采集的标定图像数量
checker_size = 27 # 棋盘格实际尺寸(mm)
nx = 9            # 横向内角点数
ny = 6            # 纵向内角点数

2.2 角点检测与优化

角点检测是标定的核心步骤，OpenCV提供了完善的检测流程：

python复制# 定义角点优化标准
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 
            checker_size, 0.0