本系列文章旨在系统性地阐述如何利用 Python 与 OpenCV 库，从零开始构建一个完整的双目立体视觉系统。

本项目github地址：https://github.com/present-cjn/stereo-vision-python.git

在上一篇文章中，我们为项目设计了清晰的架构。现在，我们将深入第一个，也是整个双目视觉系统最关键的模块——相机标定 (Camera Calibration)。

如果说双目视觉系统是一座高楼，那么标定就是它的地基。一个不准确、不稳定的标定结果，会使后续所有的计算（立体匹配、三维重建）都失去意义，最终导致整个系统的崩塌。无论你的匹配算法多么先进，都无法弥补一个错误的地基。

本文将深入探讨相机标定的核心原理，详细对比“一步标定法”与“两步标定法”的优劣，并逐行解析我们项目中健壮的标定代码实现。

1. 标定的“为什么”：理解相机的内在与外在

相机标定的根本目的，是精确地计算出相机的内参 (Intrinsics) 和 外参 (Extrinsics)。

内参 (Intrinsic Parameters)

内参描述了相机自身的光学特性，它将三维世界中的点投影到二维图像平面上。这与相机被如何放置无关，是相机出厂时就固有的属性。

• 相机矩阵 K:

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

• • 焦距 (fx, fy): 以像素为单位，决定了相机的视野范围（FOV）。
  • 主点 (cx, cy): 相机光轴与成像平面的交点，通常非常接近图像的中心。

• 畸变系数 D: 由于镜头制造工艺的物理限制，图像会产生变形。畸变主要分为两种：

• • 径向畸变: 导致直线在图像边缘处变弯曲（桶形或枕形畸变）。
  • 切向畸变: 由镜头与成像平面不完全平行导致。

外参 (Extrinsic Parameters)

对于双目系统，外参描述了右相机相对于左相机坐标系的空间位置关系。

• 旋转矩阵 R (3x3): 描述了右相机相对于左相机的旋转姿态。
• 平移向量 T (3x1): 描述了右相机光学中心相对于左相机光学中心的位移。T 的模长通常被称为基线距 (Baseline)，是深度计算的关键参数。

2. “一步法” vs. “两步法”：稳定性的抉择

在OpenCV中，获取这些参数主要有两种策略。

一步标定法 (One-Step Calibration)

• 做法: 直接调用 cv2.stereoCalibrate 函数，让它一次性地、同时地去求解两个相机的内参、畸变以及它们之间的外参，总共20多个未知参数。
• 缺点: 因为优化空间巨大且参数高度耦合，用一次性求解容易陷入某个“局部最优解”中。这导致标定结果非常不稳定，对初始值和输入数据的质量极其敏感。

两步标定法 (Two-Step Calibration) - 本项目采用的方案

• 做法: 遵循“分而治之”的思想。

1. 1. 第一步：单目标定: 分别对左右相机调用 cv2.calibrateCamera 函数。这是一个相对简单的优化问题，可以非常精确地计算出每个相机各自的内参 K 和畸变 D。
   2. 第二步：双目标定: 再次调用 cv2.stereoCalibrate，但这次将第一步得到的精确内参作为高质量的初始猜测值，并使用 cv2.CALIB_USE_INTRINSIC_GUESS 标志。

• 优点: 极大地降低了优化问题的复杂度，使得求解过程更稳定、结果更精确、对数据顺序不那么敏感。

3. 代码实现深度解析

现在，我们深入 calibration/calibrator.py 文件，看看这些理论是如何通过代码实现的。

__init__：准备“标准答案卡”

class StereoCalibrator:
    def __init__(self, chessboard_size: tuple, square_size: float):
        self.chessboard_size = chessboard_size
        self.square_size = square_size

        # 准备 objectPoints，这是棋盘格角点的三维物理坐标
        width, height = self.chessboard_size
        self.objp = np.zeros((width * height, 3), np.float32)
        
        # 使用 np.mgrid 生成网格点，确保 (y, x) 顺序
        grid_points = np.mgrid[0:height, 0:width].T.reshape(-1, 2)
        self.objp[:, :2] = grid_points
        self.objp *= self.square_size

• 核心: self.objp 是我们提供给算法的“标准答案”。我们在这里创建了一个完美的、尺寸精确的虚拟棋盘格。np.mgrid[0:height, 0:width] 的顺序至关重要，它确保了我们生成的3D点顺序能与 findChessboardCorners 的输出顺序匹配。

_find_corners_in_all_images：寻找角点

def _find_corners_in_all_images(self, image_source):
    # ... (glob 和 natural_sort_key 加载图像对) ...

    for left_path, right_path in image_pairs:
        # ... (读取图像，并健壮地转换为灰度图) ...

        # 为左图增加亮度归一化标志，提升在不同光照下的检测成功率
        find_flags_l = cv2.CALIB_CB_NORMALIZE_IMAGE
        ret_left, corners_left = cv2.findChessboardCorners(gray_left, self.chessboard_size, flags=find_flags_l)
        ret_right, corners_right = cv2.findChessboardCorners(gray_right, self.chessboard_size, None)

        # 只有当左右图像都成功找到了角点，才进行后续处理
        if ret_left and ret_right:
            # 将角点精确到亚像素级
            corners_left_sub = cv2.cornerSubPix(gray_left, corners_left, (3, 3), (-1, -1), config.SUBPIX_CRITERIA)
            corners_right_sub = cv2.cornerSubPix(gray_right, corners_right, (3, 3), (-1, -1), config.SUBPIX_CRITERIA)
            
            object_points.append(self.objp)
            image_points_left.append(corners_left_sub)
            image_points_right.append(corners_right_sub)
        else:
            # 打印被跳过的图像对，便于调试
            print(f"  - Skipped pair: ... (Left found: {ret_left}, Right found: {ret_right})")
    
    # ...
    return object_points, image_points_left, image_points_right, image_size

• 核心: 这个函数负责从每对图片中提取角点的2D像素坐标。if ret_left and ret_right: 这个“守门员”逻辑，自动剔除了质量不佳的图像对，是保证最终标定质量的关键。

_calibrate_single_camera：执行单目标定

@staticmethod
def _calibrate_single_camera(obj_points, img_points, img_size, camera_name: str):
    print(f"\nPerforming monocular calibration for {camera_name} camera...")
    
    ret, K, D, rvecs, tvecs = cv2.calibrateCamera(
        obj_points, img_points, img_size, None, None,
        criteria=config.MONO_CALIB_CRITERIA
    )

    # 效果评估：要求重投影误差必须小于1.0
    assert ret < 1.0, f"{camera_name} camera reprojection error is too high: {ret}"
    print(f"  - {camera_name} camera calibrated with reprojection error: {ret}")
    
    return K, D, ret

• 核心: 这是两步法的第一步。它接收3D物理点和2D图像点，计算出单个相机的内参 K 和畸变 D。我们用 assert ret < 1.0 来强制要求一个高质量的标定结果。

_calibrate_stereo_relationship：执行双目标定

@staticmethod
def _calibrate_stereo_relationship(obj_points, img_points_l, img_points_r, K1, D1, K2, D2, img_size):
    print("\nPerforming stereo calibration to find the relationship between cameras...")
    
    # 核心标志：告诉函数使用我们提供的K,D作为高质量的初始猜测值
    flags = config.STEREO_CALIB_FLAGS # cv2.CALIB_USE_INTRINSIC_GUESS
    
    ret, K1, D1, K2, D2, R, T, E, F = cv2.stereoCalibrate(
        obj_points, img_points_l, img_points_r,
        K1, D1, # 传入单目标定的结果作为初始值
        K2, D2,
        img_size,
        flags=flags,
        criteria=config.STEREO_CALIB_CRITERIA
    )

    assert ret < 1.0, f"Stereo calibration reprojection error is too high: {ret}"
    # ...
    return stereo_params

• 核心: 这是两步法的第二步。最关键的参数是 flags=cv2.CALIB_USE_INTRINSIC_GUESS，它告诉算法：“在优化 R 和 T 的同时，你可以微调一下我给你的 K 和 D，以达到全局最优。”

如何使用 StereoCalibrator 类

我们已经设计了一个功能强大且独立的 StereoCalibrator 类。那么，在一个简单的脚本中，我们该如何调用它来完成标定呢？下面是一个最简化的概念性示例：

# conceptual_usage_example.py
import os
from calibration.calibrator import StereoCalibrator
from utils import file_utils

# 1. 定义你的标定板参数
chessboard_size = (11, 8)
square_size_mm = 12.0
image_directory = "data/calibration_images/"
output_file = "output/stereo_params.yml"

# 2. 创建标定器实例
calibrator = StereoCalibrator(
    chessboard_size=chessboard_size,
    square_size=square_size_mm
)

# 3. 执行标定
# 在实际项目中，我们通过更灵活的方式传入图片路径
stereo_params = calibrator.run(image_directory)

# 4. 检查并保存结果
if stereo_params:
    print("标定成功！正在保存参数...")
    # 确保输出目录存在
    os.makedirs("output", exist_ok=True) 
    file_utils.save_stereo_params(output_file, stereo_params)
else:
    print("标定失败。")

在我们的完整项目中，上述所有步骤，包括参数的传递和文件的保存，都已经被优雅地封装在了 main.py 的命令行界面中。你不需要自己编写上面的脚本，只需要在克隆了我们的完整代码后，运行一个简单的命令即可开始标定：

# 用项目中的测试图片
python main.py calibrate

或者也可以用自己的采集的图片，按项目要求修改图片名放到[项目路径/data/calibration_images]

# 用自己给定的图片，例如一个11x8角点，格子边长12mm的标定板
python main.py calibrate --corners 11,8 --size 12

用项目中的测试图片运行成功后会打印如下信息

4. 如何解读标定结果

当你成功运行标定后，会得到一个 .yml 文件。解读这份标定结果文件的能力至关重要：

• 重投影误差 (reprojection_error): 最重要的指标。它应该远小于1.0，越小越好。
• 内参矩阵 (K1, K2): 两个相机的 fx 和 fy 应该各自相近，并且两个相机的 K 矩阵整体也应该非常相似。
• 畸变系数 (D1, D2): 对于普通镜头，这些值通常都比较小。
• 旋转矩阵 R: 对于一个被精确平行放置的双目系统，R 应该非常接近一个单位矩阵。
• 平移向量 T:

• • Tx: 应该是负值，其绝对值就是你的基线距（单位mm），应该与你的物理测量值大致相符。
  • Ty, Tz: 应该都非常接近于0，表明两个相机在垂直和前后方向上对齐得很好。