特定标志检测算法流程-棋盘格

ROS标定工具是采用棋盘格，具体实现是OPENCV。

将输入图像降采样到大约VGA分辨率，并在全尺寸图像中检测校准目标角点。
结合这些明显正交的职责作为一个优化。棋盘式检测在大图像上太昂贵，所以最好在较小的显示图像上进行检测，并将角点缩小到正确的大小。

def get_corners（self，img，refine=True）：

函数中使用cvFindChessboardCorners查找图像中棋盘的角点。
检查所有电路板。返回第一个棋盘的角，如果给定多个大小的棋盘，它会检测到。
返回（状态，角点，板）

//modules\calib3d\src\calibinit.cpp
Finds the positions of internal corners of the chessboard.
CV_IMPL
int cvFindChessboardCorners( 
	const void* arr, 
	CvSize pattern_size,
   	CvPoint2D32f* out_corners, 
   	int* out_corner_count,
   	int flags )

首先定义开一个结构体 CvCBQuad用来存储棋盘上的方格信息，CvCBCorner用来存储棋盘方格的四个角点。CvCBQuad的neighbordors在程序中有重要的作用。

 struct CvCBQuad
{
    int count;      // Number of quad neighbors
    int group_idx;  // quad group ID
    int row,col;   // row and column of this quad
    bool ordered;   // true if corners/neighbors are ordered counter-clockwise
    float edge_len;// quad edge len, in pix^2
    // neighbors and corners are synced, i.e., neighbor 0 shares corner 0
    CvCBCorner *corners[4];// Coordinates of quad corners
    struct CvCBQuad *neighbors[4];// Pointers of quad neighbors
};

整个棋盘定位过程是一个循环过程，先对读入的棋盘图像直方图均衡化，接着自适应(取决于flag参数)二值化，再对二值化后的图像膨胀。为了定位的鲁棒性，自适应二值化和膨胀所采用核的大小不能是唯一的，故不断的循环用不同的参数用对棋盘图像处理，膨胀所采用核的大小逐渐变大。

在每次的循环过程都需要，经过以下步骤。

1、
局部平均自适应阈值化方法对亮度不均匀情况适应性强，因此用该方法对图像二值化，均衡化后得到了理想的门限，效果如图
然后
图像膨胀分离各个黑块四边形的衔接，由于膨胀的是白色像素点，因此能够缩小黑块四边形，断掉衔接，效果如图3所示。

在二值化后图像外围画一白色的矩形框(方便轮廓提取)，然后进行轮廓提取cvFindContours。经过膨胀后的二值图像，每个黑色的方格已经被分开，轮廓提取后可以得到每个方格的轮廓，当然还有很多干扰轮廓。
对轮廓进行多边形拟合cvApproxPoly，排除不是矩形的轮廓，利用矩形的其他性质，再排除一些干扰轮廓。这些工作主要由icvGenerateQuads函数完成。

2、寻找每个方格的相邻方格，并记相邻方格的个数，连同相邻方格的信息存在相应CvCBQuad结构体中。二值图像在膨胀后原本相邻的方格，分开了，原来相连部分有一个公共点，现在分开变成了两个点。找到相邻的方格之后，计算出原来的公共点，用公共点替代膨胀后分开的点。这主要由icvFindQuadNeighborhors函数完成。

3、对所有“方格”(包括被误判的)分类，分类的原则是类内所有方格是相邻的。由icvFindConnectedQuads函数完成。

4、根据已知所求的角点个数，判别每个类中方格是否为所求的棋盘方格，并对棋盘方格排序，即该方格位于哪行那列。在这个过程中，可以添加每类方格总缺少的方格，也可以删除每类方格中多余的方格。icvOrderFoundConnetedQuads函数完成该过程。

5、icvCleanFoundConnectedQuads函数、icvCheckQuadGroup函数根据已知棋盘的方格个数(由棋盘的角点数计算出来)确认方格位置及个数是否正确，并确定粗略强角点的位置(两个方格的相连位置)。icvCheckBoardMonotony再次检验棋盘方格是否提取正确。

6、以上如果有一步所有方格都不符合要求，则进入一个新的循环。若循环结束，还尚未找到符合要求的方格，则棋盘定位失败，退出函数。

最后，cvFindCornerSubpix()根据上步的强角点位置，确定强角点的精确位置。

亚像素角点检测：cornerSubPix()

	void cv::cornerSubPix(
		cv::InputArray image, // 输入图像 和cv::goodFeaturesToTrack()中的输入图像是同一个图像。
		cv::InputOutputArray corners, // 角点（既作为输入也作为输出）
		cv::Size winSize, // 区域大小为 NXN; N=(winSize*2+1) 计算亚像素角点时考虑的区域的大小，大小为NXN;
		cv::Size zeroZone, // 类似于winSize，但是总具有较小的范围，Size(-1,-1)表示忽略
		cv::TermCriteria criteria // 停止优化的标准 表示计算亚像素时停止迭代的标准，
									//可选的值有cv::TermCriteria::MAX_ITER 、
									//cv::TermCriteria::EPS
									//（可以是两者其一，或两者均选），
									//前者表示迭代次数达到了最大次数时停止，
									//后者表示角点位置变化的最小值已经达到最小时停止迭代。
									//二者均使用cv::TermCriteria()构造函数进行指定。
	);

参考连接：

findchessboar原理

opencv棋盘格检测原理总结