网站导航
> 技术文档 > OpenCV 棋盘格相机标定（保姆版）_相机标定棋盘格

OpenCV 棋盘格相机标定（保姆版）_相机标定棋盘格

网友: 技术文档 2025-07-30 18:50:20

目录

一、概述

1.1标定原理

1.2实现步骤

1.3应用场景

二、代码

2.1 cv2.calibrateCamera函数

2.1.1输入参数

2.1.2输出参数

2.2完整代码

三、实现效果

3.1处理图像

3.2内参与畸变系数

一、概述

        使用 OpenCV 进行相机标定，通常需要拍摄多张包含棋盘格标定板的图像，然后通过这些图像计算相机的内参和畸变系数。OpenCV中使用 cv2.calibrateCamera 使用非线性最小二乘法（如 Levenberg-Marquardt 算法）来最小化重投影误差，即实际图像点与由相机模型预测的图像点之间的误差。通过迭代优化，函数求解出相机的内参、畸变系数以及每张图像的外参。

1.1标定原理

        相机标定是确定相机成像模型中的内参和外参的过程。内参（内参数）描述了相机自身的特性，而外参（外参数）描述了相机的姿态，即相机坐标系相对于世界坐标系的位置和方向。

1.2实现步骤

1.准备标定板
        标定板通常是一个已知尺寸的棋盘格或圆点阵列。标定板上的每个角点或圆心位置已知，可以用作 3D 世界坐标系中的参考点。
2.拍摄多张标定板图像
        从不同角度拍摄多张包含标定板的图像，以覆盖尽可能多的视角变化。这些图像将用于提取特征点，进行相机标定。
3.检测标定板角点
        使用图像处理算法（如 OpenCV 的 cv2.findChessboardCorners）在每张图像中检测标定板的角点或圆心，并记录其像素坐标。
4.优化角点位置
        为了提高精度，使用亚像素级别的优化方法（如 cv2.cornerSubPix）进一步优化角点的位置。
5.准备 3D-2D 点对
        根据标定板的已知尺寸和角点数量，准备每张图像的 3D 世界坐标点（实际坐标）和对应的 2D 图像点（像素坐标）。
6.计算相机内参和畸变系数
        使用标定算法（如 cv2.calibrateCamera）计算相机的内参矩阵和畸变系数。这一步需要将多张图像中的 3D-2D 点对输入到算法中，进行全局优化。
7.验证标定结果
        通过对标定图像进行去畸变处理和重投影误差分析，验证标定结果的准确性。可以使用一些新的图像进行验证，检查标定结果是否符合预期。

1.3应用场景

1.计算机视觉和机器人

  • 物体检测与识别：相机标定使得算法能够理解实际世界中的距离和比例，从而更准确地识别和定位物体。
  • 机器人导航：机器人通过相机感知环境，需要知道相机的精确位置和方向，以便于路径规划和避障。
  • 3D 重建：多视角相机标定是 3D 重建的基础，可以从多个视角拍摄的图像中恢复物体的 3D 形状。

2.增强现实（AR）

  • 虚拟物体叠加：为了将虚拟物体准确地叠加到现实场景中，必须知道相机的内参和外参，从而正确地渲染虚拟物体。
  • 实时跟踪：相机标定帮助实现实时跟踪和投影，使得虚拟内容能够随着相机移动而准确对齐。

3.工业检测

  • 尺寸测量：在工业检测中，准确测量物体的尺寸和位置需要相机的精确标定。
  • 缺陷检测：通过标定相机，可以从不同角度拍摄产品图像，检查产品表面是否存在缺陷。

二、代码

2.1 cv2.calibrateCamera函数

        cv2.calibrateCamera 使用非线性最小二乘法（如 Levenberg-Marquardt 算法）来最小化重投影误差，即实际图像点与由相机模型预测的图像点之间的误差。通过迭代优化，函数求解出相机的内参、畸变系数以及每张图像的外参。

retval, cameraMatrix, distCoeffs, rvecs, tvecs = cv2.calibrateCamera(objectPoints, imagePoints, imageSize[, cameraMatrix[, distCoeffs[, rvecs[, tvecs[, flags[, criteria]]]]]])

2.1.1输入参数

1.objectPoints:

  • 类型：list 或 np.ndarray
  • 形状：(N, 1, 3) 或 (N, 3)，其中 N 是 3D 点的数量。
  • 描述：世界坐标系中的 3D 点集，每张图像一组。通常是标定板上的特征点在实际空间中的位置。

示例：对于 10 张图像，每张图像有 54 个角点，objectPoints 的形状为 [10, 54, 3]。
2.imagePoints:

  • 类型：list 或 np.ndarray
  • 形状：(N, 1, 2) 或 (N, 2)，其中 N 是 2D 点的数量。
  • 描述：图像坐标系中的 2D 点集，每张图像一组。通常是从图像中检测到的标定板的特征点的像素坐标。

示例：对于 10 张图像，每张图像有 54 个角点，imagePoints 的形状为 [10, 54, 2]。
3.imageSize:

  • 类型：tuple
  • 形状：(width, height)
  • 描述：图像的大小，以像素为单位。

4.cameraMatrix（可选）:

  • 类型：np.ndarray
  • 形状：(3, 3)
  • 描述：初始相机内参矩阵。如果提供，函数将使用它作为初始估计，否则使用默认值。

5.distCoeffs（可选）:

  • 类型：np.ndarray
  • 形状：(5, 1) 或 (8, 1)
  • 描述：初始畸变系数。如果提供，函数将使用它作为初始估计，否则使用默认值。

6.rvecs（可选）:

  • 类型：list
  • 形状：(N, 1, 3) 或 (N, 3)
  • 描述：每张图像的初始旋转向量。如果提供，函数将使用它作为初始估计。

7.tvecs（可选）:

  • 类型：list
  • 形状：(N, 1, 3) 或 (N, 3)
  • 描述：每张图像的初始平移向量。如果提供，函数将使用它作为初始估计。

8.flags（可选）:

  • 类型：整数
  • 描述：标定方法的标志。常用的标志包括：
  • cv2.CALIB_USE_INTRINSIC_GUESS：使用提供的内参矩阵作为初始估计。
  • cv2.CALIB_FIX_PRINCIPAL_POINT：固定主点（光学中心）。
  • cv2.CALIB_FIX_ASPECT_RATIO：固定焦距的纵横比。
  • cv2.CALIB_ZERO_TANGENT_DIST：假设切向畸变为零。

9.criteria（可选）:

  • 类型：tuple
  • 描述：终止条件，表示迭代的最大次数和所需的最小精度。通常为 (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 1e-6)。

2.1.2输出参数

1.etval:

  • 类型：浮点数
  • 描述：标定的总重投影误差，表示优化过程的结果。

2.cameraMatrix:

  • 类型：np.ndarray
  • 形状：(3, 3)
  • 描述：计算得到的相机内参矩阵。

3.distCoeffs:

  • 类型：np.ndarray
  • 形状：(5, 1) 或 (8, 1)
  • 描述：计算得到的相机畸变系数。

4.rvecs:

  • 类型：list
  • 形状：(N, 1, 3) 或 (N, 3)
  • 描述：每张图像的旋转向量。

5.tvecs:

  • 类型：list
  • 形状：(N, 1, 3) 或 (N, 3)
  • 描述：每张图像的平移向量。

2.2完整代码

import cv2import numpy as npimport glob# 设置棋盘格参数chessboard_size = (11, 8) # 棋盘格的内角点个数square_size = 1.0 # 棋盘格每个方格的实际大小，单位可以是毫米、厘米或米# 准备棋盘格的世界坐标系坐标（假设z=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# 用于存储所有图像的世界坐标系点和图像坐标系点objpoints = [] # 世界坐标系中的点imgpoints = [] # 图像坐标系中的点# 获取所有棋盘格图像的路径images = glob.glob(\'board_image/*.png\')for image_path in images: img = cv2.imread(image_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 检测棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None) if ret: objpoints.append(objp) imgpoints.append(corners) # 绘制角点以进行可视化 img = cv2.drawChessboardCorners(img, chessboard_size, corners, ret) cv2.imshow(\'Chessboard Corners\', img) cv2.waitKey(0)cv2.destroyAllWindows()# 执行相机标定ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)# 输出相机的内参和畸变系数print(\"Camera matrix:\\n\", mtx)print(\"Distortion coefficients:\\n\", dist)# 保存内参和畸变系数到文件np.savez(\'camera_calibration.npz\', mtx=mtx, dist=dist, rvecs=rvecs, tvecs=tvecs)# 可选：验证标定结果for image_path in images: img = cv2.imread(image_path) h, w = img.shape[:2] # 计算新的相机矩阵和有效像素区域 # newcameramtx: 新的相机矩阵 # roi: 有效像素区域（区域内的像素可以保证无畸变） newcameramtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h)) # 使用新的相机矩阵 undistort 方法校正畸变图像 # mtx: 原始相机矩阵 # dist: 畸变系数 # newcameramtx: 新的相机矩阵 dst = cv2.undistort(img, mtx, dist, None, newcameramtx) # # 获取有效像素区域 x, y, w, h = roi # 裁剪图像，只保留有效像素区域 dst = dst[y:y + h, x:x + w] cv2.imshow(\'Undistorted Image\', dst) cv2.waitKey(0)cv2.destroyAllWindows()# 加载 .npz 文件data = np.load(\'camera_calibration.npz\')print(\'测试\')print(data[\'mtx\'])print(data[\'dist\'])

三、实现效果

3.1处理图像

3.2内参与畸变系数

Camera matrix: [[5.78450231e+03 0.00000000e+00 8.92032508e+02] [0.00000000e+00 5.57232763e+03 1.07114110e+03] [0.00000000e+00 0.00000000e+00 1.00000000e+00]]Distortion coefficients: [[ 3.13251587e-01 1.75995346e+00 1.34946542e-02 -1.23926024e-02 -5.43635102e+01]]
网络标签：

相关问题