導(dǎo)讀

各種標(biāo)定板的解釋和分析。

準(zhǔn)確標(biāo)定像機(jī)對于所有的機(jī)器/計(jì)算機(jī)視覺的成功應(yīng)用都是非常重要的。然而，對于標(biāo)定板，有不同的模式可供選擇。為了方便進(jìn)行選擇，本文將解釋每種方法的主要好處。

標(biāo)定板的選擇，有CharuCo，棋盤格，不對稱的圓和棋盤格。

標(biāo)定板尺寸

在選擇標(biāo)定板時(shí)，一個(gè)重要的考慮因素是它的物理尺寸。這最終關(guān)系到最終應(yīng)用的測量視場(FOV)。這是因?yàn)橄鄼C(jī)需要聚焦在特定的距離上標(biāo)定。改變焦距長度會(huì)輕微地影響對焦距離，這會(huì)影響之前的標(biāo)定。即使是光圈的改變通常也會(huì)對標(biāo)定的有效性產(chǎn)生負(fù)面影響，這就是為什么要避免改動(dòng)它們。

為了精確的標(biāo)定，當(dāng)攝像機(jī)看到標(biāo)定目標(biāo)填充大部分圖像時(shí)，攝像機(jī)模型最好是受到約束的。通俗來說，如果使用一個(gè)小的標(biāo)定板，許多相機(jī)參數(shù)的組合可以解釋所觀察到的圖像。根據(jù)經(jīng)驗(yàn)，當(dāng)正面觀察時(shí)，標(biāo)定板的面積至少應(yīng)該是可用像素面積的一半。

標(biāo)定板類型

多年來已經(jīng)引入了不同的標(biāo)定板，每種標(biāo)定板都有獨(dú)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(shí)現(xiàn)。在OpenCV或MVTec Halcon等通用庫中，標(biāo)定板有一定的自由度，它們有各自的優(yōu)點(diǎn)和局限性。

棋盤格

這是最流行、最常見的圖案設(shè)計(jì)。通常通過首先對攝像機(jī)圖像進(jìn)行二值化并找到四邊形(黑色的棋盤區(qū)域)來找到棋盤角點(diǎn)的候選點(diǎn)。過濾步驟只保留那些滿足特定大小標(biāo)準(zhǔn)的四邊形，并組織在一個(gè)規(guī)則的網(wǎng)格結(jié)構(gòu)中，網(wǎng)格結(jié)構(gòu)的尺寸與用戶指定的尺寸匹配。

在對標(biāo)定板進(jìn)行初步檢測后，可以以非常高的精度確定角點(diǎn)位置。這是因?yàn)榻?數(shù)學(xué)上：鞍點(diǎn))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(gè)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(qū)域通常是很好的信息來源，因?yàn)樗鼈冞m當(dāng)?shù)丶s束了鏡頭失真模型。

在檢測出棋盤格后，可以進(jìn)行亞像素細(xì)化，以找到具有亞像素精度的鞍點(diǎn)。這利用了給定角點(diǎn)位置周圍像素的確切灰度值，并且精度比整數(shù)像素位置所允許的精度要精確得多。

你可以查看OpenCV棋盤檢測器的源代碼：https://github.com/opencv/opencv/blob/master/modules/calib3d/src/calibinit.cpp。關(guān)于棋盤格目標(biāo)的一個(gè)重要細(xì)節(jié)是，為了保持旋轉(zhuǎn)不變，行數(shù)必須是偶數(shù)，列數(shù)必須是奇數(shù)，或者相反。例如，如果兩者都是偶數(shù)，則存在180度旋轉(zhuǎn)的歧義。對于單臺(tái)相機(jī)的校準(zhǔn)，這不是一個(gè)問題，但如果相同的點(diǎn)需要由兩個(gè)或更多的相機(jī)識(shí)別(對于立體校準(zhǔn))，這種模糊性必須不存在。這就是為什么我們的標(biāo)準(zhǔn)棋盤目標(biāo)都具有偶數(shù)/奇數(shù)行/列的屬性。

圓形網(wǎng)格

圓形網(wǎng)格也是一種流行且非常常見的校準(zhǔn)目標(biāo)設(shè)計(jì)，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(shù)語中，圓可以被檢測為圖像中的“斑點(diǎn)”。在這些二元斑點(diǎn)區(qū)域上應(yīng)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(diǎn)。

在找到合適的候選對象后，再次利用特征的規(guī)則結(jié)構(gòu)對模式進(jìn)行識(shí)別和過濾。圓的確定可以非常精確，因?yàn)榭梢允褂脠A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(diǎn)不同的是，在相機(jī)視角下，圓形被成像為橢圓。這種觀點(diǎn)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(gè)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(yīng)性)，因此在大多數(shù)透鏡中，這種誤差非常小。

對稱圓網(wǎng)格和非對稱圓網(wǎng)格的一個(gè)重要區(qū)別是，對稱圓網(wǎng)格具有180度的模糊性，正如“棋盤”一節(jié)中所解釋的那樣。因此，對于立體校正，非對稱網(wǎng)格是必要的。否則，這兩種類型的性能都不會(huì)有太大的差別。

圓形網(wǎng)格檢測的OpenCV源代碼：https://github.com/opencv/opencv/blob/master/modules/calib3d/src/circlesgrid.cpp。

CharuCo

CharuCo標(biāo)定板克服了傳統(tǒng)棋盤的一些限制。然而，它們的檢測算法有點(diǎn)復(fù)雜。幸運(yùn)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(gè)高級(jí)方法非常容易。

CharuCo的主要優(yōu)點(diǎn)是所有光檢查器字段都是唯一編碼和可識(shí)別的。這意味著即使是部分遮擋或非理想的相機(jī)圖像也可以用于校準(zhǔn)。例如，強(qiáng)烈的環(huán)形光可能會(huì)對標(biāo)定目標(biāo)產(chǎn)生不均勻的光照(半鏡面反射區(qū)域)，這將導(dǎo)致普通棋盤格檢測失敗。使用CharuCo，剩余的(好的)鞍點(diǎn)檢測仍然可以使用。鞍點(diǎn)定位可以像棋盤一樣使用亞像素檢測來細(xì)化。

對于接近圖像角落的觀察區(qū)域，這是一個(gè)非常有用的屬性。由于目標(biāo)的定位使得攝像機(jī)只能看到它的一部分，所以我們可以從攝像機(jī)圖像的邊緣和角落收集信息。這通常會(huì)帶來確定鏡頭失真參數(shù)時(shí)的非常好的魯棒性。因此，我們強(qiáng)烈推薦使用CharuCo標(biāo)定板，OpenCV 3.x是可用的。

自然，CharuCo目標(biāo)可以用于立體校準(zhǔn)。在這種情況下，需要執(zhí)行一些代碼來找到在每個(gè)攝像頭中單獨(dú)檢測到的點(diǎn)，以及在兩個(gè)攝像頭中都檢測到的點(diǎn)(交點(diǎn))。