📚 课程目录第2章标定板选择与设计

2. 标定板选择与设计

做深度图标定，第一步不是调参数，而是选对板子。我见过不少项目，算法调了大半个月，最后发现是标定板本身就不合适——那种挫败感，嗯，一次就够了。

标定板说白了，就是给相机看的“尺子”。它必须提供高精度的已知特征点。在Halcon里，我们主要跟三种板子打交道：圆点阵、棋盘格、编码点。它们各有脾气，选错了，标定精度直接打折。

  核心原则：标定板的精度决定了标定结果的天花板。算法只能逼近这个上限，无法超越。

2.1 三大标定板的核心差异

先看一张对比表，心里有个底：

类型	特征提取方式	亚像素精度	抗遮挡能力	大倾角鲁棒性	制作成本
圆点阵	椭圆拟合 + 中心定位	极高（0.01~0.03 pixel）	弱（遮挡半个圆就废）	强（椭圆模型自适应）	低
棋盘格	角点检测 + 亚像素精化	高（0.05~0.1 pixel）	中（遮挡角点附近受影响）	中（大倾角角点模糊）	低
编码点	圆形识别 + 码值解码	高（0.03~0.05 pixel）	强（部分遮挡仍可解码）	强（单点独立定位）	高

2.2 圆点标定板：精度之王，但娇气

我个人最常用的是圆点板。为什么？因为Halcon对圆点的支持太成熟了。find_calib_object 配合 calibrate_cameras，一套流程走下来非常顺。

圆点的优势在于亚像素精度。它通过拟合整个椭圆边缘来定位中心，而不是只依赖几个像素的梯度。这意味着，在图像质量好的情况下，重复性精度可以做到0.02像素以内。

我的习惯：做高精度3D重建（比如手机中框检测）时，我首选陶瓷基板的圆点阵。玻璃基板反光太严重，容易引入系统误差。

但圆点有个致命弱点：怕遮挡。我在一个机械臂抓取项目里吃过亏——标定板边缘被夹具挡住了一个圆，结果那一帧的标定直接失败。Halcon的 find_calib_object 默认要求所有圆点可见，除非你手动设置 'all_caltab_marks_visible' 为 false。

* Halcon示例：圆点标定板创建与检测
create_calib_data ('calibration_object', 1, 1, CalibDataID)
* 设置圆点板参数：7x7阵列，间距12.5mm，圆点直径6.25mm
set_calib_data_calib_object (CalibDataID, 0, 'caltab_marks_spacing', 0.0125)
set_calib_data_calib_object (CalibDataID, 0, 'caltab_marks_diameter', 0.00625)
set_calib_data_calib_object (CalibDataID, 0, 'caltab_marks_rows', 7)
set_calib_data_calib_object (CalibDataID, 0, 'caltab_marks_columns', 7)

* 检测标定板
find_calib_object (Image, CalibDataID, 0, 0, 0, [])
get_calib_data_observ_contours (Contours, CalibDataID, 'caltab', 0, 0, 0)

避坑指南：圆点板对光照均匀性要求极高。我曾经在环形光源下用圆点板，边缘的圆点因为反光变成了“月牙形”，拟合出的中心偏了0.3像素。后来换成背光照明，问题才解决。

2.3 棋盘格标定板：皮实耐用，但精度有上限

棋盘格是入门首选。它制作简单，用打印机打出来贴在平板上就能用。但你要清楚，它的精度上限不如圆点板。

为什么？角点检测本质上只用了角点附近4个像素区域的梯度信息。而圆点拟合用了整个边缘的几百个像素。信息量不在一个量级。

不过棋盘格有个好处：鲁棒。我在现场调试时，经常遇到光照变化剧烈的情况。圆点板可能因为反光导致边缘断裂，但棋盘格的角点——只要黑白对比还在，就能找到。

场景	推荐板型	理由
实验室高精度标定	圆点阵	亚像素精度最高
现场快速标定	棋盘格	对光照、倾角容忍度高
大视场/多相机	编码点	部分遮挡不影响全局
热成像/低分辨率	棋盘格	角点比圆点更容易识别

2.4 编码点标定板：大场景的救星

编码点是我做多相机拼接时的首选。每个点自带ID，即使视场里只看到3个点，也能唯一确定它们在标定板上的位置。

你想想看，如果用圆点板做1米×1米的大标定板，相机稍微偏一点，边缘的圆点就出画了。但编码点不一样——每个点都是独立的“路标”。

Halcon里编码点的处理流程稍微复杂一点：

* 编码点检测流程
create_calib_data ('calibration_object', 1, 1, CalibDataID)
* 加载编码点描述文件（.cpd文件）
set_calib_data_calib_object (CalibDataID, 0, 'caltab_marks_file', 'coded_pattern.cpd')

* 检测时，Halcon会自动解码每个点的ID
find_calib_object (Image, CalibDataID, 0, 0, 0, [])
* 获取解码后的点坐标和ID
get_calib_data_observ_points (CalibDataID, 0, 0, 0, Row, Col, Index, Pose)

经验之谈：编码点的码值设计很关键。我建议用12位环形码，容错率比二进制码高。另外，编码点的背景最好是哑光黑，反光会导致解码失败。

2.5 选型决策流程

说了这么多，到底怎么选？我画了一张决策图，帮你快速定位：

2.6 标定板设计的几个硬指标

不管选哪种板子，设计时这几个参数必须算清楚：

特征点数量：我建议至少12个点。太少的话，Halcon的 calibrate_cameras 在优化畸变参数时容易陷入局部最优。
特征点间距：占视场宽度的1/10~1/8。太密了，标定板稍微倾斜点，特征点就糊成一团；太疏了，标定板覆盖区域不够。
背景与特征对比度：至少1:5。我见过有人用灰色背景配白色圆点，Halcon的阈值分割根本分不开。
平面度：这是最容易被忽略的。3D打印的标定板，平面度可能只有0.1mm。对于深度图标定来说，这误差直接进了系统。

我曾经踩过的坑：用亚克力板做基材，贴打印的棋盘格。结果亚克力本身有0.3mm的弯曲，标定出来的内参在视场边缘差了2个像素。后来换了5mm厚的碳纤维板，问题才解决。记住：标定板的平面度至少要比你期望的标定精度高一个数量级。

2.7 Halcon中的标定板文件格式

Halcon支持两种描述标定板的方式：

格式	扩展名	适用场景	创建方式
描述文件	.descr	圆点阵、棋盘格	`gen_caltab` 算子生成
编码点文件	.cpd	编码点标定板	Halcon标定助手导出

我个人习惯用 gen_caltab 生成描述文件，然后交给加工厂制作。这样能保证算法里的参数和实物完全一致。

* 生成圆点标定板描述文件
gen_caltab (7, 7, 0.00625, 0.0125, 'caltab_7x7.descr', 'caltab_7x7.ps')
* 参数说明：7行7列，圆点直径6.25mm，间距12.5mm
* 会同时生成 .descr（Halcon用）和 .ps（打印用）两个文件

嗯，选对板子，标定就成功了一半。下一件重要的事，就是怎么把板子摆好、拍好——这部分我们留到后面细聊。