摄像机标图案（可打印到A4纸）

什么是标定图案？为何需要使用？

可打印的平面标定图案主要用途：

1. 相机内参标定：求解相机内部参数，详见OpenCV官方《相机标定》教程。
2. 双目/多相机系统外参标定：求解各相机间外部参数（旋转矩阵、平移向量），详情参见cv::stereoCalibrate函数。
3. 相机位姿配准：标定相机相对三维世界已知坐标点的位姿，可参考OpenCV 5.x多视角标定教程。

标定图案类型

1. 棋盘格图案

经典黑白相间方格标定图案。所有标定算法均以棋盘格内角点作为特征点。
可通过cv::findChessboardCorners检测棋盘格，再用cv::cornerSubPix做亚像素级角点坐标精修。

棋盘格尺寸以内角点行列数定义，而非黑白方格数量。
⚠️ 关键注意点：

• 若某一维度角点数量为偶数，位姿存在180°歧义解（2种解）；
• 若为N×N正方形棋盘格，位姿存在90°歧义解（4种解）；
• 以上两种有歧义的棋盘格不适合用于标定。

标定物点坐标生成示例代码：

std::vector<cv::Point3f> objectPoints;
for (int i = 0; i < boardSize.height; ++i) {
    for (int j = 0; j < boardSize.width; ++j) {
        objectPoints.push_back(Point3f(j*squareSize, i*squareSize, 0));
    }
}

可打印棋盘格模板：https://github.com/opencv/opencv/blob/4.x/doc/pattern.png
（9×6内角点棋盘格，A4纸张尺寸：宽210mm、高297mm）

2. 圆点网格图案

分为对称圆点网格与非对称圆点网格（偶数行圆点错位排布），白底黑圆或黑底白圆均可。
通过cv::findCirclesGrid函数检测，可直接输出亚像素级圆心坐标，无需额外精修。

网格尺寸以横竖方向圆点总数定义；非对称网格需额外计入行错位偏移量，适用于相机内参标定。
对称圆点网格存在和偶数棋盘格相同问题：位姿存在180°歧义解。

对称圆点网格物点生成代码：

std::vector<cv::Point3f> objectPoints;
for (int i = 0; i < boardSize.height; ++i) {
    for (int j = 0; j < boardSize.width; ++j) {
        objectPoints.push_back(Point3f(j*squareSize, i*squareSize, 0));
    }
}

非对称圆点网格物点生成代码：

std::vector<cv::Point3f> objectPoints;
for (int i = 0; i < boardSize.height; i++) {
    for (int j = 0; j < boardSize.width; j++) {
        objectPoints.push_back(Point3f((2 * j + i % 2)*squareSize, i*squareSize, 0));
    }
}

可打印非对称圆点网格模板：https://github.com/opencv/opencv/blob/4.x/doc/acircles_pattern.png
（11×4非对称圆点网格，A4尺寸）

3. ChAruco棋盘格（棋盘格+ArUco标记融合图案）

在传统棋盘格基础上嵌入ArUco标记，每个内角点由相邻两个ArUco标记唯一标识。
图案尺寸以单元行列数定义，N×M规格ChAruco板等效于(N-1)×(M-1)棋盘格。

OpenCV提供cv::aruco::CharucoDetector专用检测类：先识别ArUco标记，再依据标记配对关系拼接还原完整棋盘格。
相比前两种图案优势：支持局部遮挡检测（所有角点均带唯一标识）、具备旋转不变性。
⚠️ 限制：检测器必须预先知晓所用ArUco字典及标记排布，无法随机匹配未知标记集的ChAruco板。

ChAruco板物点生成代码：

std::vector<cv::Point3f> objectPoints;
for (int i = 0; i < boardSize.height-1; ++i) {
    for (int j = 0; j < boardSize.width-1; ++j) {
        objectPoints.push_back(Point3f(j*squareSize, i*squareSize, 0));
    }
}

可打印ChAruco模板：https://github.com/opencv/opencv/blob/4.x/doc/charuco_board_pattern.png
（7×5规格，方格边长30mm，ArUco标记边长15mm，采用DICT_5X5_100字典，A4尺寸）

自定义标定图案

若官方模板无法满足需求，可自行生成图案。
OpenCV源码目录apps/pattern-tools或发行版中提供generate_pattern.py生成工具，仅需Python3环境即可运行。

生成示例命令

1. 生成9行6列、方格边长20mm的棋盘格，保存为chessboard.svg：

python generate_pattern.py -o chessboard.svg --rows 9 --columns 6 --type checkerboard --square_size 20

2. 生成7行5列、圆点半径15mm的圆点网格：

python generate_pattern.py -o circleboard.svg --rows 7 --columns 5 --type circles --square_size 15

3. 生成7行5列、方格边长10mm、圆点间距缩小的非对称圆点网格：

python generate_pattern.py -o acircleboard.svg --rows 7 --columns 5 --type acircles --square_size 10 --radius_rate 2

4. 生成适配findChessboardCornersSB()的Radon棋盘格，指定标记单元格位置：

python generate_pattern.py -o radon_checkerboard.svg --rows 10 --columns 15 --type radon_checkerboard -s 12.1 -m 7 4 7 5 8 5

5. 生成7行5列ChAruco板：方格30mm、标记15mm，使用DICT_5X5_100字典：

python generate_pattern.py -o charuco_board.svg --rows 7 --columns 5 -T charuco_board --square_size 30 --marker_size 15 -f DICT_5X5_100.json.gz

工具参数说明

• -u：切换单位（毫米mm、英寸inches、像素px、米m）；
• -w/-h：自定义纸张宽高尺寸；
• 自定义ChAruco：指定私有字典文件路径即可。

自定义ArUco字典

可通过示例工具samples/cpp/aruco_dict_utils.cpp生成私有字典：

bin/example_cpp_aruco_dict_utils.exe my_dict.json -nMarkers=30 -markerSize=5

生成含30个标记、5位编码的字典文件my_dict.json。

图案尺寸选型

标定图案由物理整体尺寸、单元（方格/圆点）物理尺寸、特征点数量共同决定，影响标定精度的核心因素：

1. 特征点数量
   OpenCV标定接口内置优化与随机一致性算法，特征点越多，优化约束越强、标定精度越高。若图案特征点偏少，可通过增加标定采样图片数量补偿精度。

2. 单元尺寸
   单元物理尺寸与拍摄距离、像素占比强相关。各检测算法均有最小可检测阈值：圆点网格看半径、棋盘格看方格边长、ChAruco看ArUco标记尺寸。
   通用建议：增大图案在画面中的像素占比，可降低检测误差。

3. 整体板尺寸
   图案需完整入镜、成像清晰、可稳定检测。常规场景下大板标定效果更优，小幅图案则更利于精细角点拟合。

通用标定实操建议

1. 标定图案纸张尽量平整无褶皱，提升标定精度；
2. 优先选用哑光纸质，镜面反光易产生光斑、阴影，严重干扰图案检测；
3. 多数检测算法依赖图案外围黑白边框，请勿裁剪、遮挡边缘边框。

专业术语对照表