企业官网建设流程全解析

简介：这是一份围绕张正友标定法整理的MATLAB实现资料包，面向计算机视觉初学者、课程设计与科研人员，解决摄像机标定中相机内参、外参与畸变系数的估计问题。压缩包共27个文件、仅85KB，以10个.m脚本为主体，涵盖单应矩阵计算、坐标归一化、旋转测试等关键环节；另有9个txt数据与说明文件、7个.asv自动保存备份，以及1篇CAJ格式原始论文《基于单平面模板的摄像机定标研究》。目前已有502人学习下载，配套脚本与数据可让读者从棋盘格角点检测开始，逐步推演内参矩阵、外参矩阵与畸变校正的完整求解流程，对照论文公式即可快速复现实验并扩展至自己的图像数据上。体积小巧且目录结构清晰，适合直接打开调试，是理解张正友标定法底层原理的实用入门资料。

1. 张正友标定法到底是什么：一张棋盘格照片就能让相机"认识自己"

你有没有想过，手机拍照时，明明镜头是圆的，拍出来的直线却不会弯曲？自动驾驶汽车判断障碍物距离，靠的又是哪双"眼睛"？这一切背后，都藏着一个看似朴素却极其关键的步骤——相机标定。通俗地说，标定就是让相机"认识自己"：它得知道自己镜头的焦距是多少、画面中心在哪、成像有没有变形。在众多标定方法里，张正友标定法因为"一张棋盘格就够了"的极致简单，成了计算机视觉领域应用最广的入门必修课。它由学者张正友在1998年提出，也叫"张氏标定法"，既不需要昂贵的精密设备，又能达到不错的精度，像极了做菜时"不用高汤，用清水也能炖出一锅好汤"的智慧。

2. 相机为什么会"看歪"：从针孔模型到畸变的麻烦

2.1 从针孔模型说起：相机是怎么"看见"世界的

想象一个暗盒，前面戳一个针尖大小的小孔，外面的光线穿过小孔，在盒子内部倒映出外面的景象——这就是针孔相机模型，也是所有相机标定理论的起点。在这个理想模型中，世界上的一个点、针孔中心、成像平面上的一个点，三者永远在一条直线上。这条"共线关系"就是标定要守住的基本盘。

但现实中的相机不是针孔。手机镜头由好几片透镜组成，光线穿过透镜会发生折射，导致世界的点、光心、成像点不再严格共线。于是我们需要给这个理想模型加一些"补丁"参数：内参（焦距、主点坐标、像素尺寸）描述相机自身的几何结构，外参（旋转矩阵和平移向量）描述相机在世界坐标系中的位置和朝向。张正友标定法要做的，就是通过拍摄已知尺寸的棋盘格，把这两类参数反解出来。

2.2 畸变的真面目：桶形、枕形和切向畸变

光线经过透镜时，边缘区域和中心区域的折射程度不同，画面就会"鼓起来"或"凹下去"，这叫径向畸变——桶形畸变看起来像画面从中心向外膨胀，枕形畸变则像四角被向外拉扯。除此之外，镜头安装做不到绝对平行于成像平面，还会产生切向畸变，画面像被人从侧面轻轻拧了一把。

畸变参数一般用 k1、k2（径向）和 p1、p2（切向）来建模，有些标定算法还会引入 k3 来应对强畸变的广角镜头。张正友标定法正是把畸变系数也放进优化目标里，让相机在标定完成后，能把畸变校正回来。

2.3 为什么不能拿厂商参数直接用

你可能会想：相机出厂时不是给过参数吗？问题在于，镜头是批量生产的，每一颗镜头的焦距、畸变都存在细微差异；而且相机跌落、温度变化都会让参数漂移。更关键的是，我们的应用场景——比如机器人导航、三维重建、AR叠加——对空间关系的精度要求是毫米级的，厂商给的那组"平均参数"根本不够用。所以，每次安装好相机或者换了镜头，都得重新标定一次。

3. 张正友标定法的核心套路：拍照、找角点、算矩阵

3.1 第一步：打印一张棋盘格

张正友标定法最友好的地方，就是它只需要一张打印出来的棋盘格（黑白相间的方格图案），贴在硬纸板上，就算制作了标定板。为什么用棋盘格？因为黑白方格的交界处——角点——有极其明确的像素坐标，计算机可以自动、稳定地检测到它们。

棋盘格的方格边长必须精确测量（比如 30 毫米），因为它是整个标定过程中的"世界尺度"；换句话说，所有计算出来的相机参数，都以这个边长作为真实长度的基准。测量不准，后面全白搭，这一步也成了很多同学第一次标定时最容易忽略的坑。

3.2 第二步：从多个角度拍摄 10～20 张照片

拿着棋盘格，让它以不同角度、不同远近、不同位置出现在画面里，拍摄 10 到 20 张照片。要求是：棋盘格必须完整出现在画面中，角度变化要丰富——左右倾斜、上下倾斜、前后移动都得有。为什么要这么麻烦？因为单个角度的照片只能给出一个二维平面到图像的映射关系，多个角度才能把相机内参的"真实形状"从不同侧面逼问出来。

拍摄的关键细节包括：光照均匀，避免反光；不能使用自动对焦，要锁定焦距（否则每张照片的焦距都在变，标定结果会互相矛盾）；棋盘格尽量占画面的 1/3 以上，太小了角点检测容易出错。

3.3 第三步：让程序自动检测角点

拍摄完成后，进入算法部分。以 OpenCV 为例，最核心的调用是cv2.findChessboardCorners()，它会返回棋盘格所有内角点的像素坐标。这个函数的工作逻辑并不神秘：先对图像做二值化和形态学处理，找到候选的黑色方块，再用四边形匹配和亚像素细化把角点坐标精确定位到亚像素级别。

import cv2 import numpy as np # 棋盘格规格：内角点数量（比如 9x6 的格子，内角点是 8x5） pattern_size = (8, 5) # 每个格子的实际边长（单位：毫米） square_size = 30.0 # 准备世界坐标系中的棋盘格角点坐标（z 恒为 0） objp = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp *= square_size # 遍历图片，检测角点并保存坐标 obj_points = [] # 世界坐标系中的点 img_points = [] # 图像坐标系中的点 for fname in image_files: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) found, corners = cv2.findChessboardCorners(gray, pattern_size, None) if found: # 亚像素级别精确定位 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners2 = cv2.cornerSubPix(gray, corners, (5, 5), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners2)

这里有两个关键参数：pattern_size是棋盘格内角点的行列数，注意不是格子数；square_size是世界坐标系的"比例尺"，不同单位（毫米、厘米、米）只影响平移向量的尺度，不影响内参。cornerSubPix做的是亚像素细化，让角点精度从像素级提升到亚像素级，这对最终的标定精度影响显著。

3.4 第四步：解出内参、外参和畸变系数

检测到足够的角点对后，核心算法分三步走：先用闭合解（直接线性变换法）粗略估计内外参数，再用最大似然估计做非线性优化，最后用最小二乘方法计算畸变系数。

张正友标定法的一个精妙之处在于，它利用"棋盘格平面在世界坐标系中 z 恒为 0"这一特点，把相机成像方程从一个复杂的 3D 到 2D 投影，简化成了一个平面到平面的单应性变换（Homography）。每个角度下的棋盘格都能算出一个单应性矩阵，积累足够多的单应性矩阵后，内参就能通过解线性方程组解出来，精细打磨则交给非线性优化。

# OpenCV 中一步完成标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None ) # mtx 是内参矩阵，dist 是畸变系数 print("内参矩阵:\n", mtx) print("畸变系数:", dist.ravel())

calibrateCamera的入参是前面准备好的世界坐标点、图像坐标点和图像尺寸，返回的mtx是 3x3 的内参矩阵（含焦距和主点），dist是畸变系数向量，rvecs和tvecs则保存了每一张照片对应的外参。这一行代码背后，就是张正友标定法从单应性矩阵到参数分解的全部数学推导。

4. 深入标定结果的内部：如何读懂内参、外参和误差报告

4.1 内参矩阵里的四个数字意味着什么

内参矩阵看起来是一堆数字，其实只包含四个有物理意义的变量：fx、fy 是焦距在 x、y 方向的像素度量，cx、cy 是主点（光轴穿过成像平面的交点）的像素坐标。理想情况下，fx 和 fy 应当相等，主点应当位于画面中心，但由于制造误差，它们总会有些偏差。

内参矩阵 K = [fx 0 cx] [ 0 fy cy] [ 0 0 1]

fx 可以直观理解为"相机焦距（毫米）× 像素密度（像素/毫米）"，所以同一颗镜头，传感器像素越小，fx 数值越大。读懂这四个数，你就能判断相机是否存在明显的装配误差，以及三维重建时的尺度是否可靠。

4.2 重投影误差：标定结果好不好的"体检报告"

标定完成后，如何判断结果靠不靠谱？靠重投影误差（Reprojection Error）。原理很简单：用标定出来的参数，把世界坐标系中的棋盘格角点重新投影回图像上，计算投影点和实际检测到的角点之间的像素距离，这个距离的平均值就是重投影误差。

# 计算重投影误差 total_error = 0 for i in range(len(obj_points)): imgpoints2, _ = cv2.projectPoints(obj_points[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(img_points[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) total_error += error print("平均重投影误差:", total_error / len(obj_points))

通常，重投影误差小于 0.1 像素就算标定质量优秀，0.1～0.3 像素可以用，超过 0.5 像素则说明有照片出了问题——可能是棋盘格反光、拍摄时抖动，或者某张照片的棋盘格角度太单一。不少新手拿到标定结果不看这个误差就直接用，结果三维重建时偏差好几厘米，回头查才发现是标定没做好。

4.3 图像去畸变：标定之后立刻能做的一件事

标定得到的畸变系数，最直接的应用就是去畸变。OpenCV 提供了两种方式：cv2.undistort()一步到位，但需要对整幅图像做重映射，计算量大；cv2.initUndistortRectifyMap()则是先算好映射表，之后每帧只需查表重映射，性能更高，适合实时视频流处理。

# 生成映射表，适合视频流实时去畸变 newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) mapx, mapy = cv2.initUndistortRectifyMap(mtx, dist, None, newcameramtx, (w, h), cv2.CV_32FC1) dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR)

getOptimalNewCameraMatrix里那个1是自由缩放比例因子，设为 1 表示保持全部像素，设为 0 则会裁掉边缘畸变严重的区域，但分辨率损失会明显。实际项目中，如果对画面视野要求高，通常设 1 然后手动裁剪；如果边缘畸变本身干扰视觉，可以用 0。

4.4 标定结果为什么会有波动：照片数量和角度分布的影响

标定结果不是一次拍完就固定的，它对输入数据很敏感。照片数量少（少于 10 张）时，方程约束不足，解出来的内参往往在多次尝试之间跳来跳去；角度分布太集中（比如全是正对棋盘格拍摄），单应性矩阵之间的差异太小，内参的可辨识度就会下降。一个可行的经验法则是：拍摄 15 张以上照片，让棋盘格在画面中的倾角覆盖 -30° 到 +30° 的范围，并且远近位置拉开差距。标定完成后再拍一组不同角度的照片作为验证集，算一次重投影误差，如果验证误差远高于训练误差，说明标定过拟合了——侧面遮盖了某个角度范围的样本太稀缺。

5. 张正友标定法与其它标定方法的区别：三大流派怎么选

5.1 传统标定法 vs 张正友法：高精度与便捷性的取舍

传统标定法以使用精密加工的三维标定块为代表，把一块带有精确刻度图案的立方体放在相机前拍摄一次，就能完成标定。它的优点是只需拍摄一张照片、精度极高，缺点同样明显：标定块造价昂贵，动辄数千元，而且对摆放位置要求苛刻，一旦标定块的加工精度不够或者位置偏移，误差立刻放大。

张正友法把三维标定块换成了一张二维棋盘格，用多次拍摄替代单次拍摄。代价是精度稍逊于顶级的三维标定块标定，但成本低到可以忽略，操作难度也大幅下降。对大多数应用场景来说，张正友法的精度（重投影误差可做到 0.05～0.15 像素）已经足够满足视觉测量、定位和重建的需求。

5.2 自标定 vs 张正友法：没有标定板，但也要付出代价

自标定（Self-Calibration）是另一条路线：完全不需要标定物，只凭相机运动过程中多帧图像之间的对应关系来求解参数。它听起来很酷，但也有明显的短板——算法病态性强，对图像特征的数量和质量要求很高，在场景纹理不够丰富时，不仅精度不稳定，甚至可能完全无法收敛。

张正友法本质上是一个"介于传统与自标定之间的方法"：它用棋盘格提供了可靠的约束，又不像三维标定块那样要求精密设备。这也是它的历史地位——它让标定从高端实验室的专用操作，变成了普通开发者也能随手完成的常规步骤。

5.3 OpenCV 标定与 MATLAB 标定工具箱的区别

实际动手时，OpenCV 和 MATLAB 是最常用的两个工具。OpenCV 的标定完全基于代码，灵活性高，适合嵌入到自动化流程里；MATLAB 的 Calibration Toolbox 提供图形界面，每一步都有可视化反馈（角点检测结果、误差分布图），更适合教学和一次性标定。

两者的算法内核都是张正友标定法，差别主要体现在参数输出的组织方式和错误诊断的便捷程度上。MATLAB 会输出每张照片的外参三维示意图，帮你看清棋盘格在空间中的姿态，这个功能在排查拍摄角度问题时特别实用；OpenCV 则需要自己写代码画出来。

6. 张正友标定法误区与易混概念：三个新手最容易栽的跟头

6.1 误区一：把世界坐标系的单位当成"米"，结果重建出来全是歪的

这是最典型的翻车现场。很多同学把棋盘格边长填成 0.03（米），但测量时是用直尺量的毫米值 30，两者差了 1000 倍。外参的平移向量会跟着缩放，二维图像坐标不受影响，看起来标定误差很小，但输出给三维重建模块时，单位错乱导致重建的物体尺寸全部错误。

为什么混：因为棋盘格角点的世界坐标既可以写成毫米，也可以写成米，算法本身不关心单位，它只处理数值。怎么区分：牢记"你填什么单位，标定结果就以什么单位解释"，并在注释里显式写明单位——内参不受影响，但外参平移量直接依赖这个选择。

6.2 误区二：自动对焦不关，每张照片的焦距都在变

拍摄时如果开了自动对焦，相机每次对焦都会微调镜头位置，等效焦距跟着变化。张正友标定法假设所有照片共享同一组内参，这个假设一旦被破坏，标定算法会把焦距的变化混入畸变系数甚至外参里，最终结果不稳定。

为什么混：手机相机默认自动对焦，很多人完全没意识到拍摄过程中焦距已经变了。怎么区分：拍摄前在相机 App 里长按锁定对焦，或者切换到专业模式手动设定焦距；工业相机则设置 fixed focus。判断方法很简单：标定多次，如果内参矩阵忽大忽小，八成就是对焦没锁住。

6.3 误区三：内参矩阵中的 fx 和 fy 直接当成物理焦距，其实它是"像素焦距"

fx 的单位是像素，不是毫米。如果要换算成物理焦距，需要 fx 除以传感器每毫米的像素数。这看起来是一个知识性细节，但确实有很多做三维重建的初学者把 fx 当作物理焦距用来计算视角大小，结果算出来的视场角偏得离谱。

为什么混：名称里带"f"容易被当成焦距真值。怎么区分：记住公式 f_mm = fx / (pixel_size_mm)，或者直接用 fx 和图像宽度计算水平视场角：FOV = 2 * arctan(width / (2 * fx))，这样既不用换单位，也不容易混淆。

7. 什么时候该用张正友标定法：边界、坑位和一句建议

张正友标定法的适用边界其实很清楚。适合它的情况：单目相机标定、相机内参未知且不允许使用昂贵设备、需要把多个相机标定到统一坐标、或者只是想快速给相机做一个能用的去畸变配置。不适合它的情况：对精度有毫米级甚至亚毫米级要求且预算充足（这种情况应该上三维标定块），或者完全无法放置标定板的场景（这时只能用自标定，但要接受精度波动），再或者鱼眼镜头这类超广角强畸变镜头，标准针孔模型加上 k1/k2/k3 可能不够，需要专门的全向相机标定模型。

具体到三维重建项目里，我的建议是：把张正友标定法当成默认起点，然后用重投影误差作为验收标准。误差达标就放心用；误差超标，优先排查拍摄质量，而不是急着换算法。这套方法最让我服气的地方在于它的"性价比"——纸板和打印机换来的精度，放在二十年前是需要几万元设备才能做到的事。

作为一个做过几年视觉开发的普通工程师，我每次拿到新的摄像头，都会强制自己走一遍完整的标定流程：锁对焦、拍 15 张、检查重投影误差、保存映射表。有一次偷懒拿了上一个相机的标定结果直接换到新摄像头，结果测距偏差直接到了 8 厘米，从那以后我再也不敢跳步骤了。张正友标定法并不复杂，但它的价值恰恰藏在那些"看起来不重要"的细节里：单位、角点、对焦、误差报告，每一个都算数。希望这篇梳理能帮你把标定这块硬骨头啃下来，少走几段弯路，一次就把标定做明白。

本文还有配套的精品资源，点击获取