重投影误差大主因是输入数据质量差或预处理不足：需确保棋盘格角点检测完整、图像清晰无模糊，且用cv::cornerSubPix优化至亚像素精度；物点坐标须按每张图独立构造，Z恒为0；cameraMatrix焦距fx/fy必为正，负值系误用stereoCalibrate或未初始化矩阵所致。
cv::calibrateCamera 为什么返回的重投影误差很大
标定误差大，通常不是函数本身的问题，而是输入数据质量或预处理没到位。重点检查棋盘格角点检测是否完整、图像是否过曝或运动模糊、以及角点坐标是否用 cv::findChessboardCorners 正确提取并优化（必须调用 cv::cornerSubPix）。未优化的角点坐标误差常达 1–2 像素，直接导致重投影误差翻倍。
- 确保每张标定图至少包含 10 张不同角度/距离的清晰棋盘格图像（推荐 15–25 张）
- 使用
cv::CALIB_CB_ADAPTIVE_THRESH | cv::CALIB_CB_NORMALIZE_IMAGE提高cv::findChessboardCorners的鲁棒性 -
cv::cornerSubPix的搜索窗口大小建议设为cv::Size(11,11)，迭代次数 ≥ 30，精度阈值 ≤ 0.01
cv::calibrateCamera 的 objectPoints 怎么组织
这是最容易出错的一环：世界坐标系原点必须统一，且每个角点的 Z 坐标必须为 0（平面标定板假设）。不能手动写死一个 std::vector<:point3f> 然后重复 push_back 多次——那样会导致所有图像共用同一组三维点，失去多视角约束。
- 先构造单个棋盘格的三维点，例如 9×6 角点：用两层循环生成
cv::Point3f(x * square_size, y * square_size, 0.f) - 对每张图像，把这组点 push 进
std::vector<:vector>>的外层 vector 中（即每个内层 vector 对应一张图的物点） - 注意顺序必须和
cv::findChessboardCorners返回的imagePoints严格一致（行列方向、翻转与否）
标定后怎么用 cv::undistort 或 cv::initUndistortRectifyMap 做去畸变
cv::undistort 简单但慢，适合单帧；cv::initUndistortRectifyMap + cv::remap 是生产环境首选，支持 ROI 和并行加速。关键点在于：标定得到的 distCoeffs 必须是 1×5 或 1×4 的 cv::Mat（对应 k1,k2,p1,p2[,k3]），若用 cv::CALIB_RATIONAL_MODEL 则需 1×8，否则会触发断言失败。
-
cv::undistort(src, dst, cameraMatrix, distCoeffs)可直接用，但内部每次重建映射表，不缓存 - 用
cv::initUndistortRectifyMap时，R参数传cv::Mat::eye(3,3,CV_32F)即可（单目无需旋转校正） - 生成的
map1/map2是CV_32FC1类型，务必用cv::remap(src, dst, map1, map2, cv::INTER_LINEAR)
为什么 cv::calibrateCamera 返回的 cameraMatrix 有负焦距
不会。OpenCV 的 cameraMatrix 形如 [fx 0 cx; 0 fy cy; 0 0 1]，其中 fx 和 fy 永远为正——它们是像素单位下的焦距，由物理焦距 × 像素尺寸倒数决定。如果看到负值，说明你误把 cv::stereoCalibrate 的输出当成了单目标定结果，或者读取了未初始化的 Mat 内存（比如声明了 cv::Mat cameraMatrix 但没赋值就打印）。
- 检查是否混淆了
cv::calibrateCamera和cv::stereoCalibrate的输出结构 - 确认
cameraMatrix在调用前已声明为cv::Mat()或cv::Mat::zeros(3,3,CV_64F)，避免未定义行为 - 打印前加一句
if (cameraMatrix.empty()) { /* 报错 */ }，防止空矩阵误读
实际中最大的坑不在代码逻辑，而在标定板摆放——哪怕只有一张图的棋盘格边缘被遮挡或反光，就可能让整组标定参数在远距离深度估计上漂移几十厘米。建议用 cv::drawChessboardCorners 可视化每张图的角点检测结果，人工过一遍再喂给 cv::calibrateCamera。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
