开源代码位于：GitHub - Shelfcol/livox_camera_lidar_calibration_modified: livox_camera_lidar_calibration的改进得
代码为cameraCalib.cpp
运行： roslaunch camera_lidar_calibration cameraCalib.launch
1. 拍摄并读取23张拍摄的棋盘格照片
相片拍摄：准备20张以上的照片数据，各个角度和位置都要覆盖，拍摄的时候距离不要太近（3米左右），如图所示：
Mat imageInput = imread(filename);
2. 提取棋盘格的角点
Size board_size = Size(row_number, col_number); /* 标定板上每行、列的角点数 */
vector<Point2f> image_points_buf; /* 缓存每幅图像上检测到的角点 */
0 == findChessboardCorners(imageInput, board_size, image_points_buf)
3. 对角点提取成功的图片进行亚像素角点提取
Mat view_gray; // 保存对应的灰度图
cvtColor(imageInput, view_gray, cv::COLOR_RGB2GRAY); // 转灰度图
/* 亚像素精确化 */
// image_points_buf 初始的角点坐标向量，同时作为亚像素坐标位置的输出
// Size(5,5) 搜索窗口大小
// （-1，-1）表示没有死区
// TermCriteria 角点的迭代过程的终止条件, 可以为迭代次数和角点精度两者的组合
cornerSubPix(view_gray, image_points_buf, Size(5, 5), Size(-1, -1), TermCriteria(cv::TermCriteria::EPS + cv::TermCriteria::MAX_ITER, 30, 0.1));
（具体的原理后面补上）
drawChessboardCorners(view_gray, board_size, image_points_buf, false); // 用于在图片中标记角点
4. 根据图片的宽高设定假设的世界角点坐标。
这里的boad_size 的height为棋盘格的数值方向的角点数，width为水平方向角点数，这里注意不包含最外一圈黑块。下面图片对应的width = 8, height = 6。其中每个方块的尺寸为Size square_size(w,h),w和h单位为mm。
这里假定左上角的角点坐标为(0,0)，按照格子的尺寸计算其他的角点的坐标，这里假定标定板位于世界坐标系z=0的平面上
/* 初始化标定板上角点的三维坐标，以(0,0)坐标开始，每个角点的长宽由测量确定 */
int i, j, t;
for (t = 0; t<image_count; t++) { // 遍历所有图片数
vector<Point3f> tempPointSet;
for (i = 0; i<board_size.height; i++) {
for (j = 0; j<board_size.width; j++) {
Point3f realPoint;
/* 假设标定板放在世界坐标系中z=0的平面上 */
realPoint.x = i * square_size.width;
realPoint.y = j * square_size.height; // 右x下y
realPoint.z = 0;
tempPointSet.push_back(realPoint);
}
}
object_points.push_back(tempPointSet);
}5. 根据提取的角点和假定的世界坐标系角点计算相机内参
/* 开始标定 */
// object_points 世界坐标系中的角点的三维坐标
// image_points_seq 每一个内角点对应的图像坐标点
// image_size 图像的像素尺寸大小
// cameraMatrix 输出，内参矩阵
// distCoeffs 输出，畸变系数
// rvecsMat 输出，旋转向量
// tvecsMat 输出，位移向量
// 0 标定时所采用的算法
calibrateCamera(object_points, image_points_seq, image_size, cameraMatrix, distCoeffs, rvecsMat, tvecsMat, 0); //
6. 根据计算的内参进行三维点重投影，计算标定误差
/* 通过得到的摄像机内外参数，对假定空间的三维点进行重新投影计算，得到新的投影点，保存在image_points2中 */
输入：假定的世界点，是世界点对应的旋转，平移矩阵，相机内参，畸变系数，输出投影到相机平面的点坐标
projectPoints(tempPointSet, rvecsMat[i], tvecsMat[i], cameraMatrix, distCoeffs, image_points2);
这里学习一个小知识：
CV_<bit_depth>(S|U|F)C<number_of_channels>
CV_32FC2表示32位浮点数双通道
double total_err = 0.0; /* 所有图像的平均误差的总和 */
double err = 0.0; /* 每幅图像的平均误差 */
vector<Point2f> image_points2; /* 保存重新计算得到的投影点 */
fout << "Average error: \n";
for (i = 0; i<image_count; i++) {
vector<Point3f> tempPointSet = object_points[i];
/* 通过得到的摄像机内外参数，对假定空间的三维点进行重新投影计算，得到新的投影点，保存在image_points2中 */
projectPoints(tempPointSet, rvecsMat[i], tvecsMat[i], cameraMatrix, distCoeffs, image_points2);
/* 计算新的投影点和旧的投影点之间的误差*/
vector<Point2f> tempImagePoint = image_points_seq[i]; // 第i张图片的角点坐标
Mat tempImagePointMat = Mat(1, tempImagePoint.size(), CV_32FC2); // 双通道数据，每个存放Vec2f
Mat image_points2Mat = Mat(1, image_points2.size(), CV_32FC2);
for (unsigned int j = 0; j < tempImagePoint.size(); j++) {
image_points2Mat.at<Vec2f>(0, j) = Vec2f(image_points2[j].x, image_points2[j].y);
tempImagePointMat.at<Vec2f>(0, j) = Vec2f(tempImagePoint[j].x, tempImagePoint[j].y);
}
err = norm(image_points2Mat, tempImagePointMat, NORM_L2); // 计算L2距离
total_err += err /= point_counts[i];
fout << "The error of picture " << i + 1 << " is " << err << " pixel" << endl;
}
fout << "Overall average error is: " << total_err / image_count << " pixel" << endl << endl;
7. 标定结果
1个3x3的内参矩阵，5个畸变纠正参数(k1,k2,p1,p2,k3)
8. Matlab标定相机内参
Matlab中的cameraCalibrator工具可以标定内参，我们只需要结果中的1，，2和11数据
