【OpenCV findChessboardCornersSB 算法原理与函数使用】

简介

findChessboardCornersSB是OpenCV4新引入的棋盘格角点检测函数，可以直接获得亚像素角点坐标，对噪声的鲁棒性和对大尺寸图像的检测速度相比之前的findChessboardCorners有很大提升。本文介绍findChessboardCornersSB函数的算法原理，并给出函数使用示例。

算法原理

findChessboardCornersSB的实现主要参考论文Accurate Detection and Localization of Checkerboard Corners for Calibration(2018)。

如上图所示，棋盘格角点检测算法的模型可以分为两类，一种是中心线模型，一种是边缘交叉模型。边缘交叉模型的缺点是易受噪声影响，论文中提出的是一种基于中心线模型的检测算法。

检测算法基于Radon变换的思想，对于任意一个像素，可以选择以其为中心的圆形区域，对像素灰度沿不同角度进行积分。可以画出积分结果随角度的变化曲线，当这一像素是角点时，如下图所示，曲线接近三角函数曲线，且曲线有较大的变化幅度。可以根据这一特性判断像素是否为角点。

使用Radon变换的问题是不同角度的积分计算较为耗时。为了加速这一过程，论文中只计算0、45、90、135这四个方向。0、90度的积分结果分别由对图像进行横竖两个方向的Box滤波获得，为得到45、135度的积分结果，先将图像旋转45°，对旋转的图像进行横竖两个方向的Box滤波，最后再反向旋转图像。取四个滤波结果中最大值与最小值差值的平方作为角点响应值。对响应图进行滤波，找到局部极大值，并进行亚像素插值获得亚像素角点坐标，最后再使用阈值和非最大值抑制来滤除响应弱的角点。原文算法流程如下图。

下图是论文中展示的对实际图片进行角点检测的效果

论文使用仿真数据和实际数据对提出的算法和OpenCV原始的角点检测算法效果进行了对比。仿真数据中，提出的算法在不同角点角度、低运动模糊、不同噪声水平、不同透视角度下都优于OpenCV原始方法。实际数据中，提出的算法检测成功率更高，同时重投影误差也更小。

函数使用

#include<opencv2/opencv.hpp>

int main()
{
	std::string pattern = "./data/*.png";
	std::vector<std::string> files;
	cv::glob(pattern, files);
	int width = 11;
	int height = 8;
	cv::Size patternSize(width, height);

	// flag参数
	// cv::CALIB_CB_NORMALIZE_IMAGE 调用cv::equalizeHist对图片进行直方图均衡化
	// cv::CALIB_CB_EXHAUSTIVE 保留更多的角点用于棋盘格筛选，同时尝试更多次数的棋盘格筛选
	// cv::CALIB_CB_ACCURACY 对图像进行x2放大，提高角点检查准确度
	// cv::CALIB_CB_LARGER 是否允许检测出的标定板角点数量大于标定板patternSize
	// cv::CALIB_CB_MARKER 标定板是否有标记点
	int flag = cv::CALIB_CB_EXHAUSTIVE | cv::CALIB_CB_ACCURACY;

	std::string windowsName = "Chessboard Corners";

	for (auto f : files)
	{
		cv::Mat image = cv::imread(f, cv::IMREAD_UNCHANGED);
		std::vector<cv::Point2f> corners;
		// 检测棋盘格
		bool found = cv::findChessboardCornersSB(image, patternSize, corners, flag);
		if (found)
		{
			// 绘制显示结果
			cv::drawChessboardCorners(image, patternSize, corners, found);
			cv::namedWindow(windowsName);
			cv::imshow(windowsName, image);
			cv::waitKey(0);
			cv::destroyWindow(windowsName);
		}
	}
	return 0;
}