基于OpenCV-Python的自动驾驶相机标定失效问题求助

1. 确认棋盘格内角点参数的准确性 #

• OpenCV中wc和hc指的是棋盘格内角点的数量，不是棋盘格的格子数。比如5×8的棋盘格（横向5个格子，纵向8个），内角点数量就是4×7，和你找到的参数一致，但务必确认你的棋盘格实际内角点数量是否匹配，同时别搞反横向和纵向的数值。
• 手动验证角点检测结果：用cv2.drawChessboardCorners()将检测到的角点绘制到原图上，检查是否存在漏检、误检或角点顺序混乱的情况——这是后续标定准确的基础。

2. 优化标定图片的采集 #

• 数量要求：至少采集10-15张不同角度、距离的棋盘格图片，覆盖相机全视野（近中远、上下左右都要有），单一角度或过少的图片会导致标定结果偏差极大。
• 质量要求：
  • 棋盘格清晰无模糊、过曝/欠曝，保证角点能被准确识别；
  • 棋盘格在画面中占比不小于1/4，且不要仅集中在画面中心，尽量分布在边缘区域；
  • 避免棋盘格出现严重倾斜或超出焦距范围的情况。

3. 提升角点检测精度 #

• 启用亚像素级角点优化，这能大幅提高角点的坐标精度：

  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  # 检测粗略角点
  ret, corners = cv2.findChessboardCorners(gray, (wc, hc), None)
  if ret:
      # 设置亚像素迭代终止条件
      criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
      # 执行亚像素优化
      corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
  

• 若检测不稳定，可给cv2.findChessboardCorners()添加增强检测的flags：

  ret, corners = cv2.findChessboardCorners(gray, (wc, hc), 
                                          flags=cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_NORMALIZE_IMAGE)
  

4. 检查标定核心参数设置 #

• 棋盘格实际尺寸：必须传入真实的棋盘格方块边长（如20mm、25mm），构建世界坐标系点集objp时要使用实际数值，不能用默认的单位1，否则内参和畸变系数的数值会完全失真。
• 畸变模型选择：如果是自动驾驶常用的广角/鱼眼镜头，建议使用高阶畸变模型，在cv2.calibrateCamera()中添加flags=cv2.CALIB_RATIONAL_MODEL，计算更多畸变系数，适配大畸变场景。

5. 验证标定结果有效性 #

• 计算重投影误差：用cv2.projectPoints()将世界坐标系点投影到图像，与实际检测的角点计算平均误差，若平均误差超过1像素，说明标定结果不合格，需要重新调整。
• 畸变校正测试：用标定得到的内参和畸变系数校正一张测试图，观察校正后的图像是否直线笔直、无明显畸变残留，这是最直观的验证方式。

关于是否重新搜索wc和hc #

如果已经通过drawChessboardCorners()确认角点检测完全正确，说明wc和hc参数没问题，无需再搜索。此时应把重点放在图片质量、角点精度、标定参数这些环节上。

内容的提问来源于stack exchange，提问作者Hoseong Ahn