在机器视觉、三维重建、SLAM、AR/VR 领域，相机标定是绕不开的第一步。而张氏标定法（Zhang’s Calibration） 凭借精度高、操作简单、仅需打印棋盘格的优势，成为工业界和学术界最主流的标定算法，没有之一。

本文从原理、数学模型、标定流程、代码实战四个维度，把张氏标定讲透，让你从理论到实践完全掌握。

---

一、什么是相机标定？为什么需要它？

相机本质是把三维世界坐标投影到二维图像像素的设备，但这个过程会产生两类误差：

1. 内参误差：相机自身的焦距、主点、像素缩放等固有属性；
2. 畸变误差：镜头物理特性导致的图像边缘拉伸/收缩（径向畸变、切向畸变）。

标定的目标：求解相机内参矩阵 + 畸变系数 + 拍摄时的外参（旋转+平移），为后续三维计算提供精准的数学模型。

传统标定 vs 张氏标定

方法	设备要求	复杂度	精度	主流场景
传统标定法	高精度三维标定块	极高	高	实验室精密测量
张氏标定	打印棋盘格（2D平面）	极低	极高	工业视觉、机器人、无人机

核心结论：张氏标定用最简单的设备实现了工业级精度，这就是它统治行业的原因。

---

二、张氏标定核心数学模型（小白也能看懂）

1. 相机投影基础公式

三维点 $P_w$ → 图像像素点 $p$ 的完整投影链：

• $f_x,f_y$：焦距（像素单位）
• $c_x,c_y$：主点（图像中心）
• $R$：旋转矩阵（3×3）
• $t$：平移向量（3×1）
• $s$：尺度因子

2. 张氏标定的核心创新

张正友教授在 2000 年提出单平面标定：

让相机拍摄不同角度、不同位置的平面棋盘格，利用平面约束（标定板 Z=0） 大幅简化计算。

核心推导：
因为标定板在世界坐标系中 $Z_w=0$，外参可以简化为单应性矩阵（Homography） $H$：
$$H=K[R_1{R}_{2}t]$$
通过至少3张棋盘格图像求解多组 $H$，即可联立方程解出 $K$ 和畸变系数。

3. 畸变模型（标定必求参数）

张氏标定默认求解5个畸变系数（OpenCV 标准模型）：
$$k_1,k_2,p_1,p_2,k_3$$

• $k_1,k_2,k_3$：径向畸变（桶形/枕形畸变）
• $p_1,p_2$：切向畸变（镜头安装偏心）

---

三、张氏标定完整流程（标准工业流程）

准备工作

1. 打印棋盘格：A4纸打印标准棋盘格（推荐 9×6 角点，方格尺寸 20mm~30mm）；
2. 固定棋盘格：贴在平整硬板上，保证无弯曲；
3. 拍摄图像：相机固定，移动棋盘格，拍摄10~20张不同姿态的图片。

✅ 拍摄要点

• 棋盘格占画面 1/3~2/3；
• 覆盖图像四个角+中心；
• 包含倾斜、旋转、远近不同姿态；
• 图片清晰无模糊。

标定步骤

1. 角点提取：自动检测棋盘格角点坐标；
2. 单应性矩阵求解：每张图计算一个单应矩阵；
3. 内参初值求解：用多组单应矩阵解出内参；
4. 畸变系数优化：最小二乘法拟合畸变；
5. 全局非线性优化：LM算法优化所有参数，得到最终精准结果。

---

四、OpenCV Python 实战代码（直接运行）

这是开箱即用的张氏标定代码，只需替换图片路径即可。

1. 依赖安装

pip install opencv-python numpy

2. 完整标定代码

import cv2
import numpy as np
import glob

# ===================== 1. 参数配置 =====================
# 棋盘格角点尺寸 (横向角点数, 纵向角点数)
CHECKERBOARD = (9, 6)
# 每个方格的物理尺寸 (单位：mm)
SQUARE_SIZE = 25.0
# 标定图片路径（替换成你的图片路径）
img_paths = glob.glob("./calib_images/*.jpg")

# 终止条件：角点亚像素优化
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)

# ===================== 2. 准备世界坐标点 =====================
objp = np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) * SQUARE_SIZE

# 存储3D点和2D点
obj_points = []  # 世界坐标系3D点
img_points = []  # 图像坐标系2D点

# ===================== 3. 提取角点 =====================
valid_img_num = 0
for path in img_paths:
    img = cv2.imread(path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 检测棋盘格角点
    ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None)

    if ret:
        valid_img_num += 1
        obj_points.append(objp)
        # 亚像素优化，提高精度
        corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
        img_points.append(corners2)

        # 绘制角点
        cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret)
        cv2.imshow("Corners", img)
        cv2.waitKey(100)

cv2.destroyAllWindows()
print(f"有效标定图片数量：{valid_img_num}")

# ===================== 4. 执行张氏标定 =====================
print("\n========== 开始标定 ==========")
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    obj_points, img_points, gray.shape[::-1], None, None
)

# ===================== 5. 输出结果 =====================
print("\n===== 相机内参矩阵 K =====")
print(mtx)

print("\n===== 畸变系数 [k1,k2,p1,p2,k3] =====")
print(dist)

print("\n===== 标定重投影误差 (越小越好) =====")
print(f"误差：{ret:.4f} 像素")

# ===================== 6. 畸变校正（测试） =====================
test_img = cv2.imread(img_paths[0])
h, w = test_img.shape[:2]
new_mtx, roi = cv2.getOptimalNewCameraMatrix(mtx, dist, (w, h), 1, (w, h))

# 校正图像
dst = cv2.undistort(test_img, mtx, dist, None, new_mtx)

# 保存结果
cv2.imwrite("calib_result.jpg", dst)
print("\n畸变校正完成，结果已保存为 calib_result.jpg")

3. 结果解读

• 内参矩阵：相机核心参数，用于三维投影计算；
• 畸变系数：用于图像去畸变；
• 重投影误差：标定精度指标，<0.5px 为优秀，<1px 为良好。

---

五、关键问题与避坑指南

1. 标定失败/误差大？

• 棋盘格不平整（最大原因）；
• 图片模糊、过曝、欠曝；
• 姿态太少，没有倾斜角度；
• 角点检测错误。

2. 最少需要几张图？

理论：3张
工业推荐：10~20张

3. 棋盘格怎么选？

• 角点：9×6 最通用；
• 方格尺寸：20~30mm（相机焦距不同可调整）。

---

六、总结

张氏标定是2D平面标定的巅峰，它用极简方案解决了机器视觉的核心问题：

1. 原理：利用平面约束 + 单应性矩阵求解内参、畸变、外参；
2. 流程：打印棋盘格 → 多角度拍摄 → 角点提取 → 非线性优化；
3. 实战：OpenCV 一行函数完成标定，重投影误差是精度金标准。

掌握张氏标定，你就掌握了机器视觉三维计算的钥匙，无论是做测量、定位、重建都能轻松上手。

---

总结

1. 张氏标定是工业界最主流的相机标定方法，无需高精度设备，精度极高；
2. 核心是平面棋盘格+单应性矩阵，求解内参+畸变+外参三大参数；
3. 重投影误差**<1像素**代表标定合格；
4. 提供的Python代码可直接用于项目，适配所有常规相机。