# 将彩色图像转换为灰度图像
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 查找棋盘格角点
ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
# 如果成功找到角点，则添加到数据中
if ret:
obj_points.append(np.zeros((np.prod(pattern_size), 3), np.float32))
obj_points[-1][:, :2] = np.indices(pattern_size).T.reshape(-1, 2)
img_points.append(corners)
# 绘制角点并显示图像
cv2.drawChessboardCorners(frame, pattern_size, corners, ret)
cv2.imshow('Chessboard', frame)
# 延迟一段时间，以便观察图像
cv2.waitKey(500)
# 递增已采集的图像数量
image_count += 1
关闭摄像头
cap.release()
cv2.destroyAllWindows()
进行摄像头内外参数标定
ret, camera_matrix, dist_coeffs, rvecs, tvecs = cv2.calibrateCamera(obj_points, img_points, gray.shape[::-1], None, None)
打印结果
print(“相机内参数矩阵:\n”, camera_matrix)
print(“畸变系数:\n”, dist_coeffs)
在上述示例代码中，首先通过`cv2.VideoCapture()`函数打开摄像头，并设置摄像头的编号。然后进入循环，采集多个棋盘格图像并进行自动角点检测。
在每次循环中，使用`cap.read()`函数读取摄像头图像，并将彩色图像转换为灰度图像。然后使用`cv2.findChessboardCorners()`函数进行棋盘格角点的自动检测。如果成功找到角点，则将其添加到数据中，并绘制在图像上显示出来。
在采集足够数量的图像后，关闭摄像头，并使用`cv2.calibrateCamera()`函数进行摄像头内外参数标定。最后，打印出相机的内参数矩阵和畸变系数。
通过以上扩展示例代码，可以实现采集多个棋盘格图像并进行自动角点检测的功能，以提高摄像头内外参数标定的效率和准确性。在实际应用中，可以根据具体需求进行调整和优化，如调整棋盘格的尺寸、调整采集图像的数量等。
### 四、立体视觉标定示例代码和扩展
以下是一个使用OpenCV进行立体视觉标定的示例代码：
import numpy as np
import cv2
定义棋盘格的尺寸
pattern_size = (9, 6) # 棋盘格内角点数量
存储左右相机图像的角点坐标
left_img_points = [] # 左相机图像坐标系
right_img_points = [] # 右相机图像坐标系
设置摄像头编号
left_camera_id = 0
right_camera_id = 1
打开左右相机
left_cap = cv2.VideoCapture(left_camera_id)
right_cap = cv2.VideoCapture(right_camera_id)
采集多个棋盘格图像并进行角点检测
num_images = 10 # 采集图像的数量
image_count = 0 # 当前已采集的图像数量
while image_count < num_images:
# 读取左右相机图像
ret1, left_frame = left_cap.read()
ret2, right_frame = right_cap.read()
# 将彩色图像转换为灰度图像
left_gray = cv2.cvtColor(left_frame, cv2.COLOR_BGR2GRAY)
right_gray = cv2.cvtColor(right_frame, cv2.COLOR_BGR2GRAY)
# 查找棋盘格角点
ret1, left_corners = cv2.findChessboardCorners(left_gray, pattern_size, None)
ret2, right_corners = cv2.findChessboardCorners(right_gray, pattern_size, None)
# 如果成功找到角点，则添加到数据中
if ret1 and ret2:
left_img_points.append(left_corners)
right_img_points.append(right_corners)
# 绘制角点并显示图像
cv2.drawChessboardCorners(left_frame, pattern_size, left_corners, ret1)
cv2.imshow('Left Chessboard', left_frame)
cv2.drawChessboardCorners(right_frame, pattern_size, right_corners, ret2)
cv2.imshow('Right Chessboard', right_frame)
# 延迟一段时间，以便观察图像
cv2.waitKey(500)
# 递增已采集的图像数量
image_count += 1
关闭左右相机
left_cap.release()
right_cap.release()
cv2.destroyAllWindows()
进行立体视觉标定
ret, left_camera_matrix, left_dist_coeffs, right_camera_matrix, right_dist_coeffs, R, T, E, F = cv2.stereoCalibrate(
objectPoints=None,
imagePoints1=left_img_points,
imagePoints2=right_img_points,
imageSize=left_gray.shape[::-1],
cameraMatrix1=None,
distCoeffs1=None,
cameraMatrix2=None,
distCoeffs2=None
)
打印结果
print(“左相机内参数矩阵:\n”, left_camera_matrix)
print(“左相机畸变系数:\n”, left_dist_coeffs)
print(“右相机内参数矩阵:\n”, right_camera_matrix)
print(“右相机畸变系数:\n”, right_dist_coeffs)
print(“旋转矩阵:\n”, R)
print(“平移向量:\n”, T)
print(“本征矩阵:\n”, E)
print(“基础矩阵:\n”, F)
在上述示例代码中，首先通过`cv2.VideoCapture()`函数打开左右相机，并设置相机的编号。然后进入循环，采集多个棋盘格图像并进行角点检测。
在每次循环中，使用`cap.read()`函数读取左右相机图像，并将彩色图像转换为灰度图像。然后使用`cv2.findChessboardCorners()`函数进行棋盘格角点的检测。如果成功找到角点，则将其添加到数据中，并绘制在图像上显示出来。
在采集足够数量的图像后，关闭左右相机，并使用`cv2.stereoCalibrate()`函数进行立体视觉标定。该函数接受左右相机图像的角点坐标、图像尺寸等作为输入，并返回左右相机的内参数矩阵（camera\_matrix）、畸变系数（dist\_coeffs）、旋转矩阵（R）、平移向量（T）、本征矩阵（E）和基础矩阵（F）。
通过打印结果，可以查看左右相机的内参数矩阵、畸变系数以及立体相机系统的旋转矩阵、平移向量等参数。
希望以上示例能帮助你了解如何使用OpenCV进行立体视觉标定。请注意根据实际情况和需求进行调整和优化。
以下是一个扩展示例代码，使用OpenCV进行立体视觉标定时采集多种姿态的棋盘格图像，并进行亚像素级别的角点检测：
import numpy as np
import cv2
定义棋盘格的尺寸
pattern_size = (9, 6) # 棋盘格内角点数量
存储左右相机图像的角点坐标
left_img_points = [] # 左相机图像坐标系
right_img_points = [] # 右相机图像坐标系
设置摄像头编号
left_camera_id = 0
right_camera_id = 1
打开左右相机
left_cap = cv2.VideoCapture(left_camera_id)
right_cap = cv2.VideoCapture(right_camera_id)
采集多种姿态的棋盘格图像并进行角点检测
num_images = 10 # 采集图像的数量
image_count = 0 # 当前已采集的图像数量
while image_count < num_images:
# 读取左右相机图像
ret1, left_frame = left_cap.read()
ret2, right_frame = right_cap.read()
# 将彩色图像转换为灰度图像
left_gray = cv2.cvtColor(left_frame, cv2.COLOR_BGR2GRAY)
right_gray = cv2.cvtColor(right_frame, cv2.COLOR_BGR2GRAY)
# 查找棋盘格角点
ret1, left_corners = cv2.findChessboardCorners(left_gray, pattern_size, None)
ret2, right_corners = cv2.findChessboardCorners(right_gray, pattern_size, None)
# 如果成功找到角点，则添加到数据中
if ret1 and ret2:
# 亚像素级别的角点精确定位
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
cv2.cornerSubPix(left_gray, left_corners, (11, 11), (-1, -1), criteria)
cv2.cornerSubPix(right_gray, right_corners, (11, 11), (-1, -1), criteria)
left_img_points.append(left_corners)
right_img_points.append(right_corners)
# 绘制角点并显示图像
cv2.drawChessboardCorners(left_frame, pattern_size, left_corners, ret1)
cv2.imshow('Left Chessboard', left_frame)
cv2.drawChessboardCorners(right_frame, pattern_size, right_corners, ret2)
cv2.imshow('Right Chessboard', right_frame)
# 延迟一段时间，以便观察图像
cv2.waitKey(500)
# 递增已采集的图像数量
image_count += 1
关闭左右相机
left_cap.release()
right_cap.release()
cv2.destroyAllWindows()
进行立体视觉标定
ret, left_camera_matrix, left_dist_coeffs, right_camera_matrix, right_dist_coeffs, R, T, E, F = cv2.stereoCalibrate(
objectPoints=None,
imagePoints1=left_img_points,
imagePoints2=right_img_points,
imageSize=left_gray.shape[::-1],
cameraMatrix1=None,
distCoeffs1=None,
cameraMatrix2=None,
distCoeffs2=None
)
打印结果
print(“左相机内参数矩阵:\n”, left_camera_matrix)
print(“左相机畸变系数:\n”, left_dist_coeffs)
print(“右相机内参数矩阵:\n”, right_camera_matrix)
print(“右相机畸变系数:\n”, right_dist_coeffs)
print(“旋转矩阵:\n”, R)
print(“平移向量:\n”, T)
print(“本征矩阵:\n”, E)
print(“基础矩阵:\n”, F)
在上述示例代码中，除了采集多种姿态的棋盘格图像，还使用了`cv2.cornerSubPix()`函数对粗略检测到的角点进行亚像素级别的精确定位。通过设置适当的参数，可以提高角点位置的精确度。
通过以上扩展示例代码，可以实现采集多种姿态的棋盘格图像并进行亚像素级别的角点检测，以提高立体视觉标定的效果。在实际应用中，可以根据具体需求进行调整和优化，如调整棋盘格的尺寸、调整采集图像的数量、调整亚像素精确度的参数等。
### 五、归纳总结
OpenCV摄像头标定是指通过采集一系列棋盘格图像，并利用这些图像的角点信息来计算摄像头的内外参数，从而实现图像畸变校正和立体视觉等应用。以下是OpenCV摄像头标定的关键步骤和要点：
做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。
别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。
我先来介绍一下这些东西怎么用，文末抱走。
* * *
**（1）Python所有方向的学习路线（新版）**
这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
最近我才对这些路线做了一下新的更新，知识体系更全面了。
**（2）Python学习视频**
包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
**（3）100多个练手项目**
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。
**（4）200多本电子书**
这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。
基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。
**（5）Python知识点汇总**
知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。
**（6）其他资料**
还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。
**这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。**
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**[需要这份系统化学习资料的朋友，可以戳这里无偿获取](https://bbs.csdn.net/topics/618317507)**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
扫一扫
86
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
