2、棋盘格标定板：为什么选择棋盘格？角点检测的数学原理

做相机标定，第一件事就是选标定板。市面上有圆点阵、同心圆环、ArUco码，但为什么绝大多数人——包括我——上手都用棋盘格？

说白了，棋盘格有两个核心优势：角点天然具备亚像素精度，而且检测算法极其鲁棒。我在项目里试过圆点阵，光照一变，椭圆拟合就飘；换回棋盘格，稳得很。

2.1 棋盘格 vs 其他标定板

先看一张对比表，你就明白为什么棋盘格是工业界默认选项了。

你想想看，圆点阵的圆心检测依赖椭圆拟合，一旦镜头畸变大或者光照不均匀，椭圆边缘提取就出问题。棋盘格不一样——它检测的是黑白交界处的鞍点，这个点对光照变化不敏感，因为梯度方向在角点处是正交的。

2.2 棋盘格角点的数学定义

棋盘格上的角点，数学上叫鞍点（saddle point）。什么意思？

想象一个二维曲面 f(x, y)，在鞍点处：

• 沿一个方向看，它是极小值（比如沿棋盘格黑块内部）
• 沿另一个方向看，它是极大值（比如沿棋盘格白块内部）

用数学语言说，Hessian 矩阵 H 在鞍点处是不定矩阵——特征值一正一负。

H = [[f_xx, f_xy],
     [f_xy, f_yy]]

det(H) < 0  → 鞍点
det(H) > 0  → 极值点（峰或谷）

这个性质非常关键。因为鞍点对图像亮度偏移不敏感——你把整张图调亮或调暗，鞍点的位置不会移动。我在一次户外标定中，阳光从侧面照过来，棋盘格一半亮一半暗，圆点阵直接废了，但棋盘格角点检测依然稳定。

2.3 角点检测的数学原理

实际算法怎么找这些鞍点？主流方法是Harris 角点检测的变体，加上亚像素精化。

2.3.1 Harris 响应函数

Harris 的核心思想：用一个窗口在图像上滑动，看窗口内灰度变化有多大。

对于像素 (x, y)，定义自相关矩阵 M：

M = [[Σ(I_x²), Σ(I_x I_y)],
     [Σ(I_x I_y), Σ(I_y²)]]

其中 I_x、I_y 是图像在 x、y 方向的梯度。然后计算响应值：

R = det(M) - k * (trace(M))²

当 R 很大且为正时，是角点；R 为负时，是边缘；|R| 很小时，是平坦区域。

但棋盘格角点比较特殊——它是鞍点，R 值其实偏负。所以 OpenCV 的 findChessboardCorners 并没有直接用 Harris，而是用了基于轮廓和四边形拟合的方法，先找到棋盘格的大致位置，再在局部做精化。

2.3.2 亚像素精化

像素级角点不够用。相机标定对特征点精度要求很高，通常需要亚像素级（sub-pixel）精度，也就是小数像素坐标。

亚像素精化的原理很简单：在角点附近，梯度方向应该与角点到该点的向量垂直。

数学表达：

对于角点 q 附近的每个点 p_i，
梯度 ∇I(p_i) 与向量 (q - p_i) 的点积 ≈ 0

即：∇I(p_i)ᵀ · (q - p_i) = 0

把所有 p_i 的方程堆起来，用最小二乘法解出 q 的亚像素坐标。OpenCV 的 cornerSubPix 就是这么干的。

2.4 完整检测流程

我把棋盘格角点检测的完整流程画成了一张图，方便你理解整体脉络。

2.5 为什么棋盘格角点适合标定？

标定需要的是高精度、可重复、易检测的特征点。棋盘格角点恰好满足所有条件：

1. 梯度正交性：角点处两个方向的梯度正交，亚像素精化收敛快、精度高
2. 光照鲁棒：鞍点位置对亮度偏移不敏感，不像圆点阵的圆心会随光照偏移
3. 结构先验：角点之间的拓扑关系固定，可以自动排序，不需要人工干预
4. 亚像素精度高：通常可以达到 0.1 像素甚至更高，满足高精度标定需求

2.6 棋盘格设计建议

最后，给你一些棋盘格设计的实用建议：

我个人习惯用 9×6 内角点的棋盘格，方格边长 25 mm。这个尺寸在大多数场景下都能兼顾精度和视场覆盖。你如果做小物体标定，可以缩小到 10 mm；做大场景，可以放大到 50 mm 以上。