作者：Jakob W
編譯：ronghuaiyang（AI 公園）
導讀
各種標定板的解釋和分析。
準確標定像機對於所有的機器/計算機視覺的成功應用都是非常重要的。然而，對於標定板，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。這最終關係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，這就是為什麼要避免改動它們。
為了精確的標定，當攝像機看到標定目標填充大部分影象時，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，許多相機引數的組合可以解釋所觀察到的影象。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。
標定板型別
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。
要選擇正確的型別，首先要考慮使用哪種演算法和演算法實現。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侷限性。
棋盤格
這是最流行、最常見的圖案設計。通常透過首先對攝像機影象進行二值化並找到四邊形（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，並組織在一個規則的網格結構中，網格結構的尺寸與使用者指定的尺寸匹配。
在對標定板進行初步檢測後，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影象中可見才能被檢測到。這通常使得從影象的邊緣獲取資訊變得困難。這些區域通常是很好的資訊來源，因為它們適當地約束了鏡頭失真模型。
在檢測出棋盤格後，
可以進行亞畫素細化，以找到具有亞畫素精度的鞍點
。這利用了給定角點位置周圍畫素的確切灰度值，並且精度比整數畫素位置所允許的精度要精確得多。
你可以檢視OpenCV棋盤檢測器的原始碼：https：//github。com/opencv/opencv/blob/master/modules/calib3d/src/calibinit。cpp。關於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。對於單臺相機的校準，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（對於立體校準），這種模糊性必須不存在。這就是為什麼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，它基於圓形，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。在影象處理術語中，圓可以被檢測為影象中的“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徵點。
在找到合適的候選物件後，再次利用特徵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畫素，減少了影象噪聲的影響。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。這種觀點可以透過影象校正來解釋。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，對於立體校正，非對稱網格是必要的。否則，這兩種型別的效能都不會有太大的差別。
圓形網格檢測的OpenCV原始碼：https：//github。com/opencv/opencv/blob/master/modules/calib3d/src/circlesgrid。cpp。
CharuCo
CharuCo標定板克服了傳統棋盤的一些限制。然而，它們的檢測演算法有點複雜。幸運的是，CharuCo檢測是OpenCVs contrib庫的一部分（從OpenCV 3。0。0開始），這使得整合這個高階方法非常容易。
CharuCo的主要優點是所有光檢查器欄位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影象也可以用於校準。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，剩餘的（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畫素檢測來細化。
對於接近影象角落的觀察區域，這是一個非常有用的屬性。由於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影象的邊緣和角落收集資訊。這通常會帶來確定鏡頭失真引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目標可以用於立體校準。在這種情況下，需要執行一些程式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）。
英文原文：https：//calib。io/blogs/knowledge-base/calibration-patterns-explained
本文僅做學術分享，如有侵權，請聯絡刪文。
