张氏标定法python

张氏标定法是一种相机标定方法，它是由张正友教授提出的。这种方法需要使用一个已知尺寸的棋盘格，通过拍摄多张棋盘格的图片，来估计相机的内参数和外参数。在这个过程中，需要检测出每张图片中棋盘格的角点，然后通过角点的坐标来计算相机的内参数和外参数。张氏标定法在计算相机内参数时，可以同时考虑径向畸变和切向畸变，因此可以得到更加准确的结果。在Python中，可以使用OpenCV库来实现张氏标定法。

相关问题

手眼标定张正友棋盘标定法

### 张正友棋盘标定法实现手眼标定的方法

#### 方法概述
张氏标定法是一种基于平面模板（通常是黑白相间的棋盘格）的相机标定技术，能够有效解决传统标定方法中存在的问题。此方法不仅适用于单独的相机标定，还特别适合用于手眼系统的联合标定。

#### 准备工作
为了实施张氏标定法的手眼标定流程，首先需要准备如下材料：

- **标定板**：按照特定规格打印并固定好的棋盘格图案，其尺寸应尽可能大以便提高测量准确性[^1]。

- **成像设备**：一台具有稳定安装位置的数码相机或其他类型的图像采集装置。

- **机械臂/末端执行器**：带有可移动平台或工具接口的自动化操作单元，在本案例中充当“手”的角色。

#### 数据收集阶段
在此期间，应当让机械手臂携带摄像头围绕着固定的标定板做多角度变换，并记录每一步骤所对应的姿态信息以及相应的图像数据集。具体来说就是改变相对位姿关系来获取一系列视角各异的画面样本，从而确保后续处理有足够的多样性支持参数求解过程中的泛化能力。

#### 特征点提取与匹配
对于每一帧捕获到的场景视图而言，都需要识别出其中存在的特征元素——即棋盘格内部交界处形成的角点结构。这些几何标记将在之后用来建立从二维投影空间映射回三维现实世界的联系桥梁。值得注意的是，当涉及到手眼协调任务时，还需额外关注如何消除因旋转对称性带来的不确定性影响，比如采用非标准形状的设计方案规避歧义情况的发生[^2]。

#### 参数初始化猜测
依据先前积累的经验知识或者是借助某些启发式的算法手段给出一组初始估值作为起点，这其中包括但不限于焦距长度、主点偏移量在内的内在属性描述符；还有关于外部方位表述的一系列变量集合，例如绕各轴转动的角度值和沿坐标轴平移的距离等。

#### 迭代优化求精
最后也是最关键的环节便是运用数值分析领域内的高级技巧不断修正上述设定直至达到满意的拟合效果为止。这里通常会选择最小二乘准则衡量残差平方和大小的变化趋势，并配合梯度下降类迭代机制逐步逼近全局最优解的位置附近。与此同时，还可以引入最大似然估计理论框架进一步增强模型抗噪性能表现，最终获得更加精确可靠的内外参配置组合[^3]。

import cv2
import numpy as np

# 定义标定点的世界坐标 (单位:mm)，假设为7*9的标准棋盘格
objp = np.zeros((6 * 8, 3), np.float32)
objp[:, :2] = np.mgrid[0:8, 0:6].T.reshape(-1, 2)

# 存储每次拍摄中标定点的像素坐标及其对应的真实坐标
imgpoints = []  # 图像中检测到的角点列表
objpoints = []  # 对象空间中的实际位置数组

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    ret, corners = cv2.findChessboardCorners(gray, (8, 6))
    
    if ret is True:
        objpoints.append(objp)
        
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
        corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
        imgpoints.append(corners2)

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None
)