《相机标定板全解析：优劣对比与应用指南》

相机的精准标定在机器视觉和计算机视觉的成功应用中起着至关重要的作用。在相机标定流程里，标定板的挑选是极为关键的一环。不同种类的标定板具备各自独特的特性、优势与不足。当下，常见的标定板有棋盘格、不对称圆、棋盘格等类型，以下将对其展开详尽介绍。

标定板类型及特点

不同类型的标定板在不同应用场景中各有适配性，选择时需要综合考量采用的算法与具体实施情况。在诸如OpenCV或MVTec Halcon等通用库中，标定板的选择存在一定灵活性，但它们也都各有优势与局限。

标定板

标定板有效克服了传统棋盘的部分局限。尽管其检测算法相对复杂，但自OpenCV 3.0.0起，检测成为了OpenCVs contrib库的组成部分，大大便利了这一高级方法的集成。

标定板的核心优势在于其所有光检查器字段均为唯一编码且可识别。这意味着，即便存在部分遮挡或相机图像不理想的状况，也能够用于校准。例如，强烈的环形光可能会对标定目标造成不均匀光照（半镜面反射区域），导致普通棋盘格检测失败，而使用标定板，剩余的（合格的）鞍点检测仍可正常开展，并且鞍点定位能够像棋盘一样借助亚像素检测来进行细化。

针对靠近图像角落的观察区域，这一特性尤为实用。因目标的位置关系，摄像机可能仅能捕捉到其一部分，故而可以从摄像机图像的边缘和角落收集信息，这通常能使镜头失真参数的确定具备良好的鲁棒性。所以，在OpenCV 3.x可用时，强烈建议采用标定板进行校准。同时，它也适用于立体校准，不过在此情况下，需要编写一些代码来找出在每个摄像头中单独检测到的点以及在两个摄像头中都检测到的点（交点）。

棋盘格标定板

棋盘格标定板是最为广泛使用且常见的图案设计，国仪光子的灰阶视觉定位板GPG1200 - 7*5 - 150便是此类产品的典型范例。其工作原理一般是先对摄像机图像进行二值化处理，找出四边形（黑色的棋盘区域）作为棋盘角点的候选点，接着通过过滤步骤，仅保留符合特定大小标准的四边形，并将其组织成规则的网格结构，该结构尺寸与用户指定的尺寸相契合。

对标定板进行初步检测后，能够高精度确定角点位置。这是因为角（数学上为鞍点）近乎无限小，在透视变换或镜头失真下无偏。在OpenCV中，所有图像中必须完整呈现整个棋盘才能被检测到，这使得从图像边缘获取信息变得困难，而图像边缘区域通常蕴含丰富信息能够有效约束镜头失真模型。

检测出棋盘格后，还可进行亚像素细化，以找到具备亚像素精度的鞍点。此过程利用了给定角点位置周围像素的值，其精度远高于整数像素位置所允许的精度。需要注意的是，为保证旋转不变性，棋盘格标定板的行数和列数必须为一偶一奇，反之亦然。例如，若两者均为偶数，则会存在180度旋转歧义。对于单台相机的校准，这并非问题，但在立体校准中，相同的点需要由两个或更多相机识别，这种模糊性必须消除，国仪光子的灰阶视觉定位板GPG1200 - 7*5 - 150就满足偶数/奇数行/列的要求。

圆形网格标定板

圆形网格标定板同样是常见的校准目标设计，它以圆形为基础，可分为白色背景上的白色圆形或白色背景上的黑色圆形。在图像处理中，圆可被检测为图像中的“斑点”，通过在这些二元斑点区域应用一些简单条件，如面积、圆度、凸度等，能够剔除候选的不良特征点。

找到合适的候选对象后，借助特征的规则结构对模式进行识别和过滤。由于可以利用圆外围的所有像素，圆的确定能够达到高精度，减少了图像噪声的影响。不过，与棋盘中的鞍点不同，在相机视角下，圆形会被成像为椭圆。虽可通过图像校正来解释这一现象，但未知的镜头畸变会使圆并非完美椭圆，从而引入一个小的偏置。不过，在大多数透镜中，可将畸变模型视为分段线性的（服从透视变换/单应性），因此这种误差极小。

对称圆网格和非对称圆网格的一个重要区别在于，对称圆网格存在180度模糊性所以在立体校正中，非对称网格不可或缺。否则，这两种类型的性能差异不大。

标定板尺寸的考量

在筛选标定板时，物理尺寸是一个关键因素，它与最终应用的测量视场（FOV）紧密相关。相机需要在特定距离上进行聚焦标定，焦距长度的改变会略微影响对焦距离，进而对之前的标定结果产生影响。同时，光圈的变动通常也会对标定的有效性造成负面影响，因此应尽量避免其变动。

为实现精确标定，当摄像机捕捉到的标定目标占据大部分图像时，摄像机模型能获得更有效的约束。通俗而言，如果使用过小的标定板，会有多种相机参数组合可解释所观察到的图像。根据经验，正面观察时，标定板的面积至少应达到可用像素面积的一半。

综上所述，不同类型的标定板各有千秋，在实际应用中，需根据具体需求以及国仪光子等厂家所提供标定板的特点，挑选最为合适的标定板，以达成精确的相机标定。

#灰阶视觉定位板 #灰阶视觉目标板 #ADAS校正视觉标定板 #多视觉融合激光雷达定位板 #VQA测试图卡视觉定位板 #相机标定板