Python实战：张正友相机标定从原理到实现

1. 相机标定到底是什么？为什么你的照片会“变形”？

如果你玩过单反，或者用手机拍过建筑，可能会发现一个有趣的现象：照片里的直线，尤其是靠近边缘的部分，有时候会莫名其妙地“弯”了。比如，你拍一个方方正正的窗户，照片里窗户的边缘却像被吸进去了一样，变成了弧形。这可不是你的手抖了，也不是镜头脏了，而是镜头本身存在的一种光学缺陷，我们称之为“畸变”。

相机标定，简单来说，就是给相机做一次“体检”和“身份认证”。通过这次“体检”，我们可以精确地知道相机的“内在特性”（内参）和它看世界时的“姿势”（外参），并且能测量出它“看东西变形”的程度（畸变参数）。有了这些数据，我们就能像给照片戴上一副“矫正眼镜”一样，把变形的图像拉直、还原，让照片里的世界和真实世界在几何关系上对得上号。

这听起来可能有点学术，但它的应用无处不在。从手机拍照的自动矫正、全景拼接，到自动驾驶汽车用摄像头感知距离，再到工业机器人用视觉精准抓取零件，背后都离不开相机标定。没有准确的标定，机器“看”到的世界就是扭曲的，做出的判断自然也是错的。所以，无论你是摄影爱好者想提升画质，还是计算机视觉的初学者想踏入这个领域，掌握相机标定都是非常关键的第一步。

在众多标定方法中，张正友教授于1998年提出的方法，堪称经典中的经典。它不需要昂贵、精密的标定设备，只需要你打印一张棋盘格图案，用待标定的相机从不同角度拍几张照片，就能算出所有需要的参数。这种方法巧妙、实用、精度高，几乎成了业界和学术界的标准流程。今天，我们就用Python和OpenCV这个强大的工具库，手把手带你走一遍完整的张正友标定流程，从生成棋盘格开始，一直到在图像上画出三维坐标轴。我会把原理掰开揉碎了讲，把代码一行行解释清楚，保证你跟着做一遍，就能彻底搞懂。

2. 动手之前：理解原理，告别“调包侠”

在急着敲代码之前，我们花点时间聊聊背后的原理。知其然更要知其所以然，这样出了问题你才知道往哪儿找，而不是只会对着报错发呆。张正友标定的核心思想，是建立“真实世界点”到“照片像素点”之间的数学关系。

想象一下，你面前有一个真实的棋盘格，每个黑白格的交点（我们叫它“角点”）在三维空间里都有一个精确的坐标 (X, Y, Z)。你用相机拍下它，在二维的照片上，这些角点变成了一个个像素点 (u, v)。相机标定要解的，就是这个从 (X, Y, Z) 到 (u, v) 的映射方程。

这个过程可以拆解成三步走：

2.1 从世界到相机：换个视角看问题

首先，世界坐标系是固定的，比如我们把棋盘格的一个角点设为原点。但相机可以到处移动、旋转。所以第一步，我们需要用一个旋转矩阵 R 和一个平移向量 t，把棋盘格上所有角点的世界坐标，统一转换到以相机镜头中心为原点的“相机坐标系”下。这一步决定了相机“站在哪儿、脸朝哪边”看棋盘格。

公式很简单：[X_camera; Y_camera; Z_camera] = R * [X_world; Y_world; Z_world] + t。R 和 t 就是我们要求解的外参数，每一张照片都对应一组不同的外参，因为每拍一张，相机的位置和角度都可能变了。

2.2 从相机到图像：透视投影的魔法

接下来，相机坐标系是三维的，但我们的照片是二维的。这就需要透视投影。你可以把它想象成相机背后有一个小孔（针孔相机模型），光线穿过小孔在底片上成像。这里会引入相机的内参数矩阵 K。

这个 K 矩阵长这样：

[ fx, 0,  cx ]
[ 0,  fy, cy ]
[ 0,  0,  1  ]

它包含了相机的核心身份信息：

• fx, fy：分别是x轴和y轴方向的焦距（以像素为单位）。它决定了成像的放大倍数，为什么手机变焦拍远景更清楚？本质上就是焦距变大了。
• cx, cy：主点坐标，通常是图像的中心点。理论上光线应该穿过图像正中心，但镜头组装可能有细微偏差，这个参数就是用来修正这个偏差的。

通过内参矩阵 K，我们可以把相机坐标系下的三维点 (X_c, Y_c, Z_c)，投影到图像平面上的二维点 (x, y)。公式是：[x; y; 1] 等价于 (1/Z_c) * K * [X_c; Y_c; Z_c]。注意这里的 1/Z_c，这就是透视效果的关键：离相机越远的物体，成像越小。

2.3 从图像到像素：最后一步量化

上一步得到的 (x, y) 还是连续的图像坐标（单位可能是毫米）。但我们的照片是由一个个离散的像素组成的。所以最后一步，需要根据传感器的尺寸和分辨率，把 (x, y) 换算成具体的像素坐标 (u, v)。不过幸运的是，在OpenCV的模型中，内参矩阵 K 已经直接包含了这个换算关系，fx, fy, cx, cy 本身就已经是像素值了。所以我们通常把上一步直接得到的结果就当作像素坐标。

2.4 畸变：让直线变弯的“元凶”

上面说的都是理想情况。现实中的镜头，尤其是为了获得更大视野而采用的广角镜头，会因为透镜的形状和组装工艺，引入两种主要的畸变：

• 径向畸变：像鱼眼效果，直线会向内（枕形畸变）或向外（桶形畸变）弯曲。这是最主要、最需要矫正的畸变。
• 切向畸变：由于镜头和成像平面不平行导致，有点像“剪切”变形。

张正友标定法在求解时，会一并估计出刻画这些畸变的系数（通常是k1, k2, k3, p1, p2），有了它们，我们就能把照片上弯曲的点，反向推回它原本应该在的直线位置。

总结一下，标定就是通过多张已知物体（棋盘格）的图片，反推出 K、畸变系数 以及每张图片对应的 R 和 t。OpenCV的 cv2.calibrateCamera 函数，就是帮我们完成这个复杂的反向求解过程的。

3. 实战第一步：制作你的专属标定板

理论有点烧脑，现在我们开始动手。第一步，你需要一个标定板。张正友法推荐使用黑白棋盘格，因为它的角点（黑白方格相交的点）非常容易通过计算机算法精确检测。

你可以从网上下载，但我强烈建议自己用代码生成。好处有两个：一是尺寸和格子数量完全可控；二是你可以用高分辨率打印，获得更清晰的边缘，这对后续角点检测的精度至关重要。

下面是我常用的一个生成脚本，比原始文章里的更灵活一些：

import cv2
import numpy as np

def generate_chessboard(squares_x=9, squares_y=6, square_size_px=100, margin_px=50, filename='