相机标定与3D重建（0）标定板说明

最新推荐文章于 2024-09-20 12:14:42 发布

求则得之，舍则失之

最新推荐文章于 2024-09-20 12:14:42 发布

阅读量1.8k

点赞数 2

分类专栏：相机标定三维重建文章标签：相机标定三维重建

本文链接：https://blog.csdn.net/weixin_43229348/article/details/121695298

版权

三维重建同时被 2 个专栏收录

12 篇文章 6 订阅

订阅专栏

相机标定

9 篇文章 4 订阅

订阅专栏

准确标定相机对于任何机器/计算机视觉设置的成功都很重要。但是，有不同的标定板可供选择。为了让您更轻松地进行选择，本文解释了每种方法的主要优点。
在这里插入图片描述

标定板尺寸

在选择标定板时，一个重要的考虑因素是它的物理尺寸。这与最终应用的测量视场 (FOV) 相关。这是因为相机需要专注于该特定距离并进行标定。改变对焦距离会略微影响焦距，这会导致之前的任何标定失效。即使是光圈变化通常也会对标定有效性产生负面影响，这就是应该避免它们的原因。

为了准确标定，如果摄像机看到标定目标填充图像的大部分，那么相机模型是最受约束的。通俗地说，如果使用一个小的标定板，许多相机参数的组合都可以解释观测到的图像。根据经验，从正面观察时，校准板的面积至少应为可用像素面积的一半。

标定板图案类型

多年来，已经引入了不同的模式，每种模式都具有独特的特性和优势。

选择正确的类型首先要考虑您将使用哪种算法和算法实现。在Calib 的 Camera Calibrator等软件和libCalib、OpenCV 或 MVTec Halcon等库中，模式具有一定的自由度，并且它们具有各自的优点和局限性。

棋盘目标

这是最流行和最常见的标定板图案类型。棋盘候选角点通常是通过对相机图像进行二值化并找到四边形（黑色棋盘域）来找到的。过滤步骤只保留那些满足特定尺寸标准的四边形，并以规则的网格结构组织，其尺寸与用户指定的尺寸相匹配。

在对图案进行初始检测后，可以以非常高的精度确定角点位置。这是因为角点（数学上：鞍点）基本上无限小，因此在透视变换或镜头畸变下是无偏的。

在 OpenCV 中，整个棋盘必须在所有图像中都可见才能被检测到。这通常使得很难从图像的边缘获取信息。这些区域通常很适合从中获取信息，因为它们会适当地限制镜头畸变模型。

在检测到棋盘格之后，可以执行亚像素细化以找到具有亚像素精度的角点(鞍点)。这利用了给定角点位置周围像素的精确灰度值，并且精度比整数像素位置允许的精度要准确得多。

关于棋盘格目标的一个重要细节是，为了保持旋转不变，行数必须是偶数，列数必须是奇数，反之亦然。例如，如果两者都是偶数，则存在 180 度旋转歧义。对于单相机标定，这不是问题，但是如果需要两个或多个相机识别相同的点（用于立体标定），则必须不存在这种歧义。这就是为什么我们的标准棋盘格目标都具有偶数/奇数行/列的这种属性的原因。

CharuCo 目标

CharuCo 图案克服了经典棋盘格的一些局限性。然而，他们的检测算法稍微复杂一些。幸运的是，CharuCo 检测是 OpenCVs contrib 库（自 OpenCV 3.0.0 起）的一部分，使得集成这种高级方法变得非常容易。

CharuCo 的主要优点是所有检查器字段都是唯一编码和可识别的。这意味着即使是部分被遮挡或非理想的相机图像也可用于标定。例如，强环形灯可能会在标定目标（半镜面反射区域）上产生不均匀的照明，这将导致普通棋盘检测失败。使用 CharuCo，仍然可以使用剩余的（好的）角点（鞍点）检测。鞍点定位可以像棋盘一样使用亚像素检测来细化。

观测点接近图像角落时，这是一个非常有用的属性。由于目标的定位可以使相机只看到它的一部分，我们可以从相机图像的边缘和角落收集信息。这通常会导致对镜头畸变参数的非常好的和稳健的确定。因此，当 OpenCV 3.x 可用时，我们强烈建议使用 CharuCo 目标。

当然，CharuCo 目标可用于立体标定。在这种情况下，需要实现一些代码来找到在每个相机中单独检测到的点，以及在两者中都找到的点（点的交集）。

棋盘标记目标

它们基于传统的棋盘格，可以使用相同的检测算法。此外，它们的中心包含三个圆圈，即使在棋盘的部分视图中也允许绝对参考（只要在所有图像中都可以看到圆圈）。因此，可以包括来自图像外围的数据，这确保拟合的镜头模型在图像的那些部分也是有效的。

对于许多立体标定任务，棋盘格标记目标带来了编码目标（如 ChArUco）的所有优点。它在 OpenCV 4.5+ 中得到支持。

圆形网格

圆形网格也是一种流行且非常常见的标定目标设计，基于圆圈，要么在深色背景上带有白色圆圈，要么在白色背景上带有深色（黑色）圆圈。在图像处理方面，圆圈可以被检测为图像中的“斑点”。这些二进制 blob 区域上的一些简单条件，例如面积、圆形度、凸度等，可用于去除不良候选特征。这在找到合适的候选者后，再次使用特征的规则结构来识别和过滤模式。由于可以使用圆圈外围的所有像素，因此可以非常准确地确定圆圈，从而减少图像噪声的影响。然而，与棋盘中的鞍点相比，圆在相机视角下被成像为椭圆。这种透视可以通过图像校正来解释。然而，此外，未知的镜头畸变意味着圆圈不会被成像为完美的椭圆，这会增加一个小的偏差。但是，我们可以将畸变模型视为局部线性（服从透视变换/单应性），因此该误差在大多数镜头中非常小。

对于高精度标定，椭圆形状和投影圆心都需要考虑在内，尤其是对于短焦距镜头和大圆。OpenCV 两者都不做，默认情况下使用简单的斑点检测器来查找椭圆斑点的质心。Calib Camera Calibrator确实考虑了这些影响，并且能够为圆形目标产生更准确的结果。

对称和非对称圆形网格之间的一个重要区别是，前者具有 180 度的歧义，如“棋盘”部分所述。因此，对于立体标定，非对称网格是必要的。否则，两种类型的性能应该没有太大差异。