4. 棋盘格与角点检测

棋盘格，说白了就是张正友标定法的“尺子”。

你想想看，我们要从一堆照片里算出相机的内参和外参，总得有个已知尺寸的参照物吧？棋盘格就是干这个的。它的角点——那些黑白方块的交界处——就是我们用来建立世界坐标和像素坐标对应关系的锚点。

这一章，我们就来聊聊怎么设计好这把“尺子”，以及怎么用OpenCV又快又准地把这些角点找出来。

4.1 棋盘格设计原则：别在第一步就翻车

棋盘格的设计，看似简单，其实坑不少。我在项目里见过有人随便打印一张棋盘格就开始标定，结果标出来的参数一塌糊涂。嗯，这里面的门道，我跟你捋一捋。

4.1.1 核心参数：内角点 vs 方格数

首先，你得搞清楚一个概念：我们检测的是内角点，不是棋盘格的所有格子角。

比如一个 9×6 的棋盘格，指的是内角点有 9 列、6 行。对应的方格数其实是 10×7。OpenCV 的 findChessboardCorners 函数，第一个参数传的就是内角点的尺寸 (9,6)，千万别搞反了。

4.1.2 方格尺寸：要精度，就别偷懒

方格的实际物理尺寸（比如 30mm × 30mm）必须精确测量。我见过有人直接用“A4纸打印的，大概是25mm吧”这种说法……千万别这么干。

• 用游标卡尺量：量一整排方格的宽度，除以方格数，取平均值。多量几次。
• 单位统一：标定程序里填的尺寸单位是毫米，那所有数据都得是毫米。
• 尺寸别太小：我个人建议方格边长在 20mm ~ 50mm 之间。太小了，相机离远点就看不清角点了。

4.1.3 棋盘格材质：平面度是命门

棋盘格必须贴在平整的硬板上。我曾经偷懒用普通打印纸贴在纸板上，结果标定出来的畸变系数全是错的。为什么？因为纸板一弯，棋盘格就不是一个平面了，张正友标定法的“平面假设”直接失效。

4.2 OpenCV 角点检测：findChessboardCorners 实战

棋盘格准备好了，接下来就是让 OpenCV 帮我们找角点。这个函数我用了不下上千次，它的脾气我基本摸透了。

4.2.1 函数签名与参数

ret, corners = cv2.findChessboardCorners(image, patternSize, flags=None)

4.2.2 标准调用流程

我习惯的写法是这样的，每一步都有它的道理：

import cv2
import numpy as np

# 1. 读取图像并转灰度
img = cv2.imread('chessboard.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 2. 定义棋盘格内角点尺寸
pattern_size = (9, 6)  # 9列，6行

# 3. 查找角点
ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)

if ret:
    print(f"找到 {corners.shape[0]} 个角点")
    # 4. 绘制角点（调试用）
    cv2.drawChessboardCorners(img, pattern_size, corners, ret)
    cv2.imshow('Corners', img)
    cv2.waitKey(0)
else:
    print("未找到完整的棋盘格角点")

4.2.3 常见失败原因与对策

这个函数不是万能的。我遇到过好多次它返回 False，总结下来主要是这几个原因：

• 光照不均匀：棋盘格一半亮一半暗。对策：用 cv2.adaptiveThreshold 预处理一下。
• 棋盘格太小：在图像里只占了一小块。对策：让棋盘格占图像面积的 1/4 到 1/2。
• 角度太倾斜：棋盘格平面与相机光轴夹角超过 45 度。对策：拍摄时保持夹角在 30 度以内。
• 图像模糊：运动模糊或对焦不准。对策：保证快门速度足够，或者用 cv2.GaussianBlur 轻微去噪。

4.3 亚像素角点优化：从像素级到亚像素级

findChessboardCorners 找到的角点，精度是像素级的。说白了，就是整数坐标。但张正友标定法对精度的要求很高，像素级的误差会导致标定结果偏差很大。

这时候就需要亚像素角点优化了。它能将角点定位到小数点后几位，精度能提升一个数量级。

4.3.1 原理简述

亚像素角点检测的核心思想，是利用角点附近像素的梯度信息。在理想角点处，所有相邻像素的梯度方向都指向或背离该角点。通过迭代优化，找到那个让所有梯度向量与位置向量的点积之和为零的点。

嗯，听起来有点绕。你只要记住：它是在像素级角点周围的小窗口里，通过数学方法找到更精确的位置。

4.3.2 cornerSubPix 函数

cv2.cornerSubPix(image, corners, winSize, zeroZone, criteria)

4.3.3 完整代码示例

# 接上一段代码，在找到角点之后
if ret:
    # 设置亚像素优化参数
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
    
    # 执行亚像素优化
    corners_sub = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria)
    
    # 对比一下精度
    print("优化前第一个角点:", corners[0][0])
    print("优化后第一个角点:", corners_sub[0][0])

你会发现，优化后的坐标不再是整数了。比如从 (124, 256) 变成了 (124.352, 256.187)。这 0.3 个像素的差异，在标定结果上可能就是几个像素的重投影误差。

4.4 本章知识结构图

下面这张图，把棋盘格角点检测的完整流程串起来了。从设计到优化，一步都不能少。

4.5 避坑总结

最后，我把这些年踩过的坑，浓缩成几条实用建议：

• 棋盘格别太小：在图像里至少占 1/4 面积，否则角点检测容易失败。
• 亚像素优化别省略：我见过有人直接用像素级角点去标定，结果重投影误差 0.5 个像素起步。加上亚像素优化，能压到 0.1 以内。
• 多拍几张不同角度的：张正友标定法需要至少 10~20 张不同姿态的棋盘格图像。别偷懒，拍个 15 张以上。
• 每次检测都检查结果：用 drawChessboardCorners 把角点画出来看一眼。有时候 OpenCV 找到了角点，但顺序是乱的，或者有误检。