基于棋盘格的Python相机校准：角点检测及多视图校准求助

核心调整点 #

• 确认内角点数量：cv2.findChessboardCorners接收的是棋盘格内角点的行列数（比如实际棋盘是9×6个方格，内角点就是8×5），你之前只检测到2×2大概率是行列数设置错误。
• 图像预处理增强对比度：拍摄的棋盘格可能存在光照不均，先对灰度图做直方图均衡化（cv2.equalizeHist）或高斯模糊（cv2.GaussianBlur），提升角点辨识度。
• 针对性设置检测flags：组合以下鲁棒性更高的flags替代通用参数：
  • cv2.CALIB_CB_ADAPTIVE_THRESH：自适应阈值分割，适配不同光照区域
  • cv2.CALIB_CB_NORMALIZE_IMAGE：归一化图像亮度与对比度
  • cv2.CALIB_CB_FILTER_QUADS：过滤误检测的四边形区域
• 亚像素细化角点：用cv2.cornerSubPix对检测到的粗角点做亚像素级优化，为后续校准提供更高精度的坐标。

实用检测代码 #

import cv2
import numpy as np

# 替换为你的棋盘格内角点行列数
board_size = (8, 5)
img = cv2.imread("chessboard.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 预处理增强对比度
gray = cv2.equalizeHist(gray)

# 角点检测
ret, corners = cv2.findChessboardCorners(
    gray,
    board_size,
    flags=cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_NORMALIZE_IMAGE + cv2.CALIB_CB_FILTER_QUADS
)

if ret:
    # 亚像素细化参数
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
    corners_subpix = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
    
    # 绘制角点验证
    cv2.drawChessboardCorners(img, board_size, corners_subpix, ret)
    cv2.imshow("Detected Corners", img)
    cv2.waitKey(0)
else:
    print("未检测到角点，请检查内角点数量或图像预处理方式")

cv2.destroyAllWindows()

校准流程 #

1. 批量检测角点：对8张图像逐一运行上述角点检测代码，收集所有成功检测的亚像素级角点坐标。
2. 生成世界坐标点：假设棋盘格每个方格边长为固定值（比如20mm），生成世界坐标系下的3D点数组（Z轴为0，因为棋盘格在平面上）。
3. 执行校准计算：调用cv2.calibrateCamera，传入所有视图的世界点和图像点，得到相机内参、畸变系数、每个视图的旋转/平移向量。
4. 评估校准精度：通过重投影误差判断校准效果，理想误差在0.1-1像素之间。

联合校准代码 #

import cv2
import numpy as np

board_size = (8, 5)
square_size = 20.0  # 棋盘格方格实际尺寸（单位：mm）
image_paths = ["img1.jpg", "img2.jpg", ..., "img8.jpg"]  # 替换为你的8张图像路径

# 生成世界坐标系下的3D点
objp = np.zeros((board_size[0] * board_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:board_size[0], 0:board_size[1]].T.reshape(-1, 2) * square_size

objpoints = []  # 存储所有视图的3D世界点
imgpoints = []  # 存储所有视图的2D图像点

for path in image_paths:
    img = cv2.imread(path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    gray = cv2.equalizeHist(gray)
    
    ret, corners = cv2.findChessboardCorners(
        gray,
        board_size,
        flags=cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_NORMALIZE_IMAGE + cv2.CALIB_CB_FILTER_QUADS
    )
    
    if ret:
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
        corners_subpix = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
        objpoints.append(objp)
        imgpoints.append(corners_subpix)
    else:
        print(f"跳过图像 {path}：未检测到角点")

# 执行相机校准
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints,
    imgpoints,
    gray.shape[::-1],
    None,
    None
)

# 输出校准结果
print("相机内参矩阵：")
print(mtx)
print("\n畸变系数：")
print(dist)

# 计算平均重投影误差
mean_error = 0
for i in range(len(objpoints)):
    imgpoints_proj, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist)
    error = cv2.norm(imgpoints[i], imgpoints_proj, cv2.NORM_L2) / len(imgpoints_proj)
    mean_error += error

print(f"\n平均重投影误差：{mean_error / len(objpoints):.4f} 像素")

注意事项 #

• 确保8张图像的棋盘格姿态差异足够大（比如倾斜、旋转、远近变化），否则校准结果会不稳定。
• 如果某张图像检测失败，可尝试单独调整该图像的预处理（比如增加高斯模糊核大小）或flags组合。
• 重投影误差超过1像素时，建议检查角点检测是否准确，或补充更多不同姿态的棋盘格图像。

内容的提问来源于stack exchange，提问作者JPearson