背景介紹

準確標定像機對于所有的機器/計算機視覺的成功應用都是非常重要的。然而，對于標定板，有不同的模式可供選擇。為了方便進行選擇，本文將解釋每種方法的主要好處。

標定板的選擇，有CharuCo，棋盤格，不對稱的圓和棋盤格。

標定板尺寸

在選擇標定板時，一個重要的考慮因素是它的物理尺寸。這最終關系到最終應用的測量視場(FOV)。這是因為相機需要聚焦在特定的距離上標定。改變焦距長度會輕微地影響對焦距離，這會影響之前的標定。即使是光圈的改變通常也會對標定的有效性產生負面影響，這就是為什么要避免改動它們。 為了精確的標定，當攝像機看到標定目標填充大部分圖像時，攝像機模型最好是受到約束的。通俗來說，如果使用一個小的標定板，許多相機參數的組合可以解釋所觀察到的圖像。根據經驗，當正面觀察時，標定板的面積至少應該是可用像素面積的一半。

標定板類型

多年來已經引入了不同的標定板，每種標定板都有獨特的屬性和好處。 要選擇正確的類型，首先要考慮使用哪種算法和算法實現。在OpenCV或MVTec Halcon等通用庫中，標定板有一定的自由度，它們有各自的優點和局限性。

棋盤格

這是最流行、最常見的圖案設計。通常通過首先對攝像機圖像進行二值化并找到四邊形(黑色的棋盤區域)來找到棋盤角點的候選點。過濾步驟只保留那些滿足特定大小標準的四邊形，并組織在一個規則的網格結構中，網格結構的尺寸與用戶指定的尺寸匹配。 在對標定板進行初步檢測后，可以以非常高的精度確定角點位置。這是因為角(數學上：鞍點)基本上是無限小的，因此在透視變換或鏡頭失真下是無偏的。 在OpenCV中，整個棋盤必須在所有圖像中可見才能被檢測到。這通常使得從圖像的邊緣獲取信息變得困難。這些區域通常是很好的信息來源，因為它們適當地約束了鏡頭失真模型。 在檢測出棋盤格后，可以進行亞像素細化，以找到具有亞像素精度的鞍點。這利用了給定角點位置周圍像素的確切灰度值，并且精度比整數像素位置所允許的精度要精確得多。

關于棋盤格目標的一個重要細節是，為了保持旋轉不變，行數必須是偶數，列數必須是奇數，或者相反。例如，如果兩者都是偶數，則存在180度旋轉的歧義。對于單臺相機的校準，這不是一個問題，但如果相同的點需要由兩個或更多的相機識別(對于立體校準)，這種模糊性必須不存在。這就是為什么我們的標準棋盤目標都具有偶數/奇數行/列的屬性。

圓形網格

圓形網格也是一種流行且非常常見的校準目標設計，它基于圓形，或者是白色背景上的白色圓形，或者是白色背景上的黑色(黑色)圓形。在圖像處理術語中，圓可以被檢測為圖像中的“斑點”。在這些二元斑點區域上應用一些簡單的條件，如面積、圓度、凸度等，可以去除候選的壞特征點。 在找到合適的候選對象后，再次利用特征的規則結構對模式進行識別和過濾。圓的確定可以非常精確，因為可以使用圓外圍的所有像素，減少了圖像噪聲的影響。然而，與棋盤中的鞍點不同的是，在相機視角下，圓形被成像為橢圓。這種觀點可以通過圖像校正來解釋。然而，未知的鏡頭畸變意味著圓不是完美的橢圓，這增加了一個小的偏置。然而，我們可以將畸變模型看作是分段線性的(服從透視變換/單應性)，因此在大多數透鏡中，這種誤差非常小。 對稱圓網格和非對稱圓網格的一個重要區別是，對稱圓網格具有180度的模糊性，正如“棋盤”一節中所解釋的那樣。因此，對于立體校正，非對稱網格是必要的。否則，這兩種類型的性能都不會有太大的差別。

CharuCo

CharuCo標定板克服了傳統棋盤的一些限制。然而，它們的檢測算法有點復雜。幸運的是，CharuCo檢測是OpenCVs contrib庫的一部分(從OpenCV 3.0.0開始)，這使得集成這個高級方法非常容易。 CharuCo的主要優點是所有光檢查器字段都是唯一編碼和可識別的。這意味著即使是部分遮擋或非理想的相機圖像也可以用于校準。例如，強烈的環形光可能會對標定目標產生不均勻的光照(半鏡面反射區域)，這將導致普通棋盤格檢測失敗。使用CharuCo，剩余的(好的)鞍點檢測仍然可以使用。鞍點定位可以像棋盤一樣使用亞像素檢測來細化。 對于接近圖像角落的觀察區域，這是一個非常有用的屬性。由于目標的定位使得攝像機只能看到它的一部分，所以我們可以從攝像機圖像的邊緣和角落收集信息。這通常會帶來確定鏡頭失真參數時的非常好的魯棒性。因此，我們強烈推薦使用CharuCo標定板，OpenCV 3.x是可用的。 自然，CharuCo目標可以用于立體校準。在這種情況下，需要執行一些代碼來找到在每個攝像頭中單獨檢測到的點，以及在兩個攝像頭中都檢測到的點(交點)。

編輯：何安