單目相機標定的完整流程，可分為“標定前準備→標定圖像采集→特征點提取與預處理→參數求解→參數優(yōu)化→畸變校正驗證→標定結果保存與應用”7個核心步驟，每個步驟環(huán)環(huán)相扣，缺一不可。以下結合工程實操細節(jié)，詳細拆解每個步驟的操作流程、操作標準和注意事項，確保讀者能夠一步步跟著操作，完成單目相機標定。

標定前準備

標定前的準備工作是確保標定精度的前提，主要包括4個方面，每一項都需嚴格按照要求操作，避免因準備不足導致標定失敗或精度不足。

（1）標定物選擇與準備：優(yōu)先選擇棋盤格標定板，推薦使用黑白棋盤格，格子數量建議選擇9×6或10×7（棋盤格內角點數量，不含邊框），格子尺寸根據拍攝距離確定，通常選擇10mm、20mm或30mm，要求尺寸精準、平面度誤差≤0.1mm。標定板材質選擇磨砂塑料、金屬或玻璃，避免表面反光；若使用紙質標定板，需固定在平整的硬紙板或木板上，防止標定板彎曲、變形，影響特征點的世界坐標準確性。同時，需準確記錄棋盤格的格子尺寸，后續(xù)參數求解時需輸入該參數。

（2）相機與設備準備：將單目相機固定在三腳架上，確保相機在拍攝過程中不會移動、晃動，避免因相機運動導致圖像模糊、特征點偏移。關閉相機的自動對焦、自動曝光功能，固定焦距和光圈——若焦距或光圈發(fā)生變化，會導致內參改變，標定結果失效。同時，檢查相機鏡頭是否干凈、無污漬，鏡頭是否松動，若鏡頭松動，需重新固定，避免因鏡頭偏移導致切向畸變增大。

（3）拍攝環(huán)境準備：選擇光線均勻、無強光直射、無陰影遮擋的拍攝環(huán)境，避免光照不均勻導致圖像灰度差異不明顯，影響特征點提取。拍攝區(qū)域需足夠寬敞，確保能夠靈活調整標定板的姿態(tài)，讓標定板能夠以不同角度、不同位置出現(xiàn)在相機視野中。同時，避免拍攝環(huán)境中有過多雜物，防止雜物遮擋標定板，影響特征點提取。

（4）軟件準備：選擇合適的標定軟件，工程實踐中最常用的是OpenCV（開源視覺庫，支持C++、Python語言，可自行編寫標定程序），也可使用MATLAB、Halcon等商業(yè)軟件，或工業(yè)相機配套的標定工具。對于新手而言，推薦使用OpenCV-Python，代碼簡潔、操作便捷，且有大量開源案例可參考；若追求高效、便捷，可使用MATLAB的Camera Calibrator工具，可視化操作，無需編寫復雜代碼。

標定圖像采集

標定圖像采集是單目相機標定的核心環(huán)節(jié)，其核心要求是“采集足夠數量、不同姿態(tài)、清晰可見的標定板圖像”，確保特征點分布均勻、覆蓋整個圖像平面，為后續(xù)參數求解提供充足的約束條件。具體操作要點如下：

（1）圖像數量要求：采集的標定板圖像數量建議為10-20張，最少不低于8張。若圖像數量過少，會導致參數求解的約束不足，標定精度下降；若圖像數量過多，會增加特征點提取和參數求解的工作量，且不會顯著提升標定精度，10-20張為最優(yōu)區(qū)間。

（2）姿態(tài)調整要求：拍攝時，需不斷改變標定板的姿態(tài)，確保標定板以不同角度、不同位置出現(xiàn)在相機視野中，具體要求包括：① 旋轉姿態(tài)：將標定板繞水平軸、垂直軸旋轉，旋轉角度范圍為0-90°，確保標定板能夠呈現(xiàn)水平、垂直、傾斜等不同姿態(tài)；② 平移姿態(tài)：將標定板在相機視野中上下、左右平移，確保標定板的特征點能夠覆蓋圖像的中心區(qū)域和邊緣區(qū)域，避免特征點集中在圖像中心；③ 距離調整：適當調整標定板與相機的距離，拍攝近距離、中距離、遠距離的圖像，距離范圍建議為30cm-200cm，確保不同距離下的特征點成像清晰，同時避免距離過近導致畸變過大，距離過遠導致特征點過小、模糊。

（3）圖像質量要求：每張采集的圖像都需滿足“清晰、無模糊、無反光、無遮擋”的要求。拍攝時確保相機對焦清晰，避免運動模糊（可通過三腳架固定、緩慢調整標定板姿態(tài)實現(xiàn)）；避免標定板表面反光，若出現(xiàn)反光，可調整光源角度或在標定板表面張貼啞光貼紙；確保標定板完整出現(xiàn)在相機視野中，無遮擋、無裁剪，特征點清晰可見，避免因標定板遮擋導致特征點提取失敗。

（4）拍攝注意事項：拍攝過程中，保持相機參數不變（焦距、光圈、曝光固定），避免因參數變化導致標定結果失效；拍攝時，標定板需保持平整，避免彎曲、折疊；每張圖像的標定板姿態(tài)差異盡量大，避免姿態(tài)重復，確保參數求解的約束充足。

特征點提取與預處理

特征點提取的核心是提取標定板圖像中的角點（棋盤格的內角點），并進行預處理，剔除異常點，確保特征點的定位精度，這是影響參數求解精度的關鍵環(huán)節(jié)。具體操作流程和實操要點如下：

（1）特征點粗提取：使用標定軟件中的角點檢測算法（如Harris角點檢測、Shi-Tomasi角點檢測），自動提取每張標定板圖像中的內角點。提取時，需設置合適的檢測參數（如角點響應閾值、最小角點距離），確保能夠準確提取所有內角點，避免漏檢、誤檢。例如，在OpenCV中，可使用cv2.findChessboardCorners()函數實現(xiàn)角點粗提取，參數設置需根據圖像質量調整，確保提取效果。

（2）特征點亞像素精確化：粗提取的角點坐標通常為整數像素，存在一定的定位誤差（誤差約1-2像素），會影響標定精度。因此，需對粗提取的角點進行亞像素精確化處理，將角點坐標精準到0.1像素以內。常用的亞像素精確化算法包括迭代法、插值法，在OpenCV中，可使用cv2.cornerSubPix()函數實現(xiàn)，通過調整窗口大小、迭代次數，提升角點定位精度。

（3）特征點預處理與異常點剔除：提取完成后，需對特征點進行預處理，剔除異常點（如定位錯誤的角點、偏離整體分布的角點）。異常點的產生主要源于圖像模糊、反光、遮擋等問題，若不剔除，會導致參數求解出現(xiàn)偏差。實操時，可通過軟件可視化查看特征點提取結果，手動剔除明顯的異常點；也可使用RANSAC算法，自動剔除異常點，提升特征點的可靠性。同時，需確保每張圖像中的特征點數量一致，若某張圖像的特征點漏檢過多，需重新拍攝該圖像。

（4）特征點匹配與坐標對應：將提取的角點與標定板的真實世界坐標進行對應——根據棋盤格的格子尺寸，預先計算出每個內角點的世界坐標（通常以標定板平面為世界坐標系z=0平面，左上角內角點為原點），然后將圖像中的角點與對應的世界坐標一一匹配，確保每個特征點的圖像坐標與世界坐標對應準確，這是參數求解的核心前提。

參數求解

參數求解是單目相機標定的核心計算環(huán)節(jié)，其核心邏輯是“根據特征點的世界坐標與圖像坐標的對應關系，通過軟件算法求解內參、外參和畸變系數”，無需手動計算，全程依托標定軟件實現(xiàn)，實操要點主要在于參數設置和結果初步判斷。

（1）參數設置：在標定軟件中，輸入棋盤格的格子尺寸，選擇合適的畸變模型（普通單目相機推薦選擇“徑向畸變+切向畸變”模型，即包含k1、k2、p1、p2四個畸變系數；若鏡頭畸變嚴重，可加入k3高階徑向畸變系數）；設置參數求解算法（常用最小二乘法結合RANSAC算法，兼顧精度和魯棒性）。

（2）自動求解參數：啟動軟件的參數求解功能，軟件會自動根據特征點的對應關系，求解出相機的內參矩陣、每張圖像對應的外參（旋轉矩陣、平移向量）以及畸變系數。求解過程中，軟件會自動計算重投影誤差（前文已詳細介紹，核心用于評價標定精度），重投影誤差的大小的是判斷參數求解效果的核心指標。

（3）初步結果判斷：參數求解完成后，重點查看平均重投影誤差和最大重投影誤差。對于普通單目相機，平均重投影誤差建議控制在0.5-1.0像素以內，最大重投影誤差不超過3像素；若平均重投影誤差大于1.0像素，或最大重投影誤差超過3像素，說明參數求解存在偏差，需返回上一步，檢查特征點提取質量或重新采集圖像。

參數優(yōu)化

參數求解完成后，通常需要進行參數優(yōu)化，進一步降低重投影誤差，提升標定精度。參數優(yōu)化的核心是“以重投影誤差最小化為目標，迭代調整內參、外參和畸變系數”，實操流程如下：

（1）迭代優(yōu)化：使用軟件中的迭代優(yōu)化算法（如Levenberg-Marquardt算法），以重投影誤差最小化為目標，迭代調整內參、外參和畸變系數，每次迭代后計算重投影誤差，直到重投影誤差降至合理范圍，或迭代次數達到預設值。

（2）異常圖像剔除：若優(yōu)化后重投影誤差仍較大，需查看每張圖像的重投影誤差分布，找出重投影誤差過大的圖像（如某張圖像的重投影誤差超過5像素），這類圖像通常是由于拍攝模糊、特征點提取錯誤導致的，需剔除該圖像，重新進行參數求解和優(yōu)化。

（3）多次優(yōu)化驗證：重復迭代優(yōu)化2-3次，確保重投影誤差穩(wěn)定在合理范圍，同時檢查參數的穩(wěn)定性——若多次優(yōu)化后，參數變化較小，說明標定結果穩(wěn)定；若參數變化較大，需檢查特征點提取或圖像采集環(huán)節(jié)是否存在問題。

畸變校正驗證

參數優(yōu)化完成后，需進行畸變校正驗證，檢驗標定結果的有效性，確保標定得到的參數能夠準確消除鏡頭畸變，這是單目相機標定的關鍵檢驗環(huán)節(jié)，實操要點如下：

（1）選取驗證圖像：選取幾張未參與標定的相機拍攝圖像（與標定圖像的拍攝環(huán)境、相機參數一致），作為驗證圖像，避免使用標定過程中采集的圖像，確保驗證結果的客觀性。

（2）進行畸變校正：使用標定得到的內參和畸變系數，通過軟件對驗證圖像進行畸變校正（如OpenCV中的cv2.undistort()函數），校正后得到無畸變的圖像。

（3）效果驗證：對比校正前后的圖像，觀察畸變消除效果——校正后的圖像中，原本彎曲的直線應恢復筆直，物體的比例應恢復正常，邊緣區(qū)域的變形應徹底消除。例如，拍攝一張包含直線的圖像，校正前直線邊緣彎曲（桶形或枕形畸變），校正后直線應保持筆直，無明顯變形；若校正效果不佳，說明標定參數存在偏差，需返回參數優(yōu)化環(huán)節(jié)，重新調整。

（4）精度驗證：對于高精度場景（如工業(yè)檢測），還需進行精度驗證——使用標定后的相機拍攝已知尺寸的物體，測量圖像中物體的像素尺寸，結合標定得到的內參，計算物體的真實尺寸，與實際尺寸對比，若誤差在允許范圍內，說明標定精度符合要求；若誤差過大，需重新標定。

標定結果保存與應用

標定效果驗證通過后，需保存標定結果，以便后續(xù)圖像處理和應用中復用，實操要點如下：

（1）保存核心參數：將求解得到的內參矩陣、畸變系數保存為txt、xml或yaml格式的文件，方便后續(xù)軟件調用。同時，可保存每張圖像的外參，但外參隨相機姿態(tài)變化，通常僅用于特定場景（如多視角成像），日常應用中主要復用內參和畸變系數。

（2）參數復用注意事項：若相機的硬件狀態(tài)發(fā)生變化（如鏡頭松動、焦距調整、鏡頭更換），之前保存的標定參數會失效，需重新進行標定；若相機硬件狀態(tài)未變，僅改變拍攝場景，可直接復用之前的標定參數，無需重新標定。

（3）后續(xù)應用：在后續(xù)的圖像處理任務中（如目標定位、尺寸測量、三維重建），調用保存的內參和畸變系數，先對拍攝的圖像進行畸變校正，再基于校正后的圖像開展后續(xù)工作，確保工作精度。