数据集1 来自《OpenCV计算机视觉编程攻略》第3版
数据集2来自家中“国民床单”
既然是做实验，我想初步计划一下。首先是要明确我能够获得那些东西？然后是比较这些东西是否真的像书上说的那样符合实际？然后我会添加一些干扰，看一看在有错误数据的情况，这些东西如何变化？最后是一个小结。1、明确我能够获得那些东西？
通过前面的代码，我们大概是准备获得这样的东西：
<?xml version="1.0"?>
<opencv_storage>
<Intrinsic type_id="opencv-matrix">
<rows>3</rows>
<cols>3</cols>
<dt>d</dt>
<data>
1.3589305122261344e+003 0. 5.7505355544729957e+002
0. 1.3565816672769690e+003 6.0423226535731465e+002
0. 0. 1.
</data>
</Intrinsic>
<Distortion type_id="opencv-matrix">
<rows>1</rows>
<cols>14</cols>
<dt>d</dt>
<data>
9.5113243912423840e+001 1.4262144540955842e+003
5.2119492051277685e-003 2.8847713358900241e-003
1.2859720255043484e+002 9.5182218776001392e+001
1.4741397414456521e+003 6.8332022963370434e+002 0. 0. 0. 0. 0. 0.</data></Distortion>
</opencv_storage>从结果上看，我将获得这两个矩阵。前面那个是相机内参矩阵，后面那个是外参数。那么在一组图片中，内参肯定是不变的；后面外参肯定是变化的。但是这里也有很多疑问。
那么具体来看结果，对于第一组图片来说，我们获得的结果为：
<?xml version="1.0"?>
<opencv_storage>
<Intrinsic type_id="opencv-matrix">
<rows>3</rows>
<cols>3</cols>
<dt>d</dt>
<data>
4.0927176647992695e+002 0. 2.3724719115090161e+002 0. 4.0870629848642727e+002 1.7128731207874495e+002 0. 0. 1. </data></Intrinsic>
<Distortion type_id="opencv-matrix">
<rows>1</rows>
<cols>14</cols>
<dt>d</dt>
<data>
1.8631118716959048e+001 -5.0639175384902096e+001
-5.2453807582033300e-003 -9.2620440694993842e-003
5.2367454865598742e+000 1.9002289932447418e+001
-4.8948501055979285e+001 -6.5115263545215851e-001 0. 0. 0. 0. 0. 0.</data></Distortion>
</opencv_storage><?xml version="1.0"?>
<opencv_storage>
<Intrinsic type_id="opencv-matrix">
<rows>3</rows>
<cols>3</cols>
<dt>d</dt>
<data>
3.9136489375791234e+003 0. 2.6879080836687035e+003 0. 3.9811430968074164e+003 1.9454067884808153e+003 0. 0. 1. </data></Intrinsic>
<Distortion type_id="opencv-matrix">
<rows>1</rows>
<cols>14</cols>
<dt>d</dt>
<data>
2.5259392493942739e-002 -3.2418875955674309e-001
3.6376246418718853e-004 3.2526045276898190e-003
-8.1692713459156296e-002 2.5694845194956913e-002
4.7826938999253371e-001 -1.3315729771950511e+000 0. 0. 0. 0. 0. 0.</data></Distortion>
</opencv_storage>
对于第二组图片来说：
2、这些东西是否真的像书上说的那样符合实际？
对于第一套图片来说，看它的内参矩阵：
<data>
4.0927176647992695e+002 0. 2.3724719115090161e+002
0. 4.0870629848642727e+002 1.7128731207874495e+002
0. 0. 1.
</data>解析一下，fx = fy = 409 ；U0=237 V0 = 171，这个是代码计算值。从实际情况上来看，
标准中间为 268,178，这个和237,171是比较符合的。
对于其它信息
这个焦距和我们计算出来的东西差距较大，如何比对？进一步研究，获得这个相机的参数：
可以获得，它的传感器尺寸为23.5mm X 15.7mm,那么像素宽度分别为0.0438（=23.5/536）和0.044,反过来算焦距为17.9，这个比较接近。
书中给出的资料肯定是自己选择过的，那么我们自己重新采集一套图片来说，那么它的固有参数为：
获得的结果：
<data>
3.9136489375791234e+003 0. 2.6879080836687035e+003
0. 3.9811430968074164e+003 1.9454067884808153e+003
0. 0. 1.
</data>翻译一下，fx = 3913.6 fy=3981.1 U0=2687.9 V0=1945.4
先看U V，5456/2 = 2728 3632/2=1816，这样的话，差距在1.5%，这个差距看上去比较大，但是相对值比书中提供的数据要小。
而对于焦距来说，像素宽度分别为0.00425（=23.2/5456）和0.0386
算出来焦距为16.64和16.88，这个和16的差距也是比较合适的。
3、添加一些干扰，容错性如何？
最好的方法，是在有固定相机的情况下，重新采集一套图片，这个对于读者来说，如果有兴趣，可以来做。
4、小结
通过比较，可以发现一下几个特点：
1、书本上采集的图片，其角度范围更为广泛。所以说书上的采集方法对于我们后面做实际采集有指导意义；
2、棋盘的大小和最后是否能够产生良好结果关系不大，所以一个合适大小的棋盘就可以；
此外：
3、特别是对于视野比较广的情况，应该优先想出高效解决方法。我认为视场越大，误差越大；
4、对于大照片的处理，本身就是一个比较复杂的问题：因为像素比较高，所以处理起来比较慢；而又不能通过压缩之类的方法进行预处理，所以会有比较多的问题。目前还有没有很好解决方法；
此外，你还必须考虑标定的过程中失败的情况；还必须考虑采用什么模式能够让标定的效果最好。
感谢阅读至此，希望有所帮助。