📚 课程目录第2章高精度角点检测

2. 高精度角点检测：从OpenCV到亚像素级优化

角点检测这事儿，说白了就是给标定板上的黑白格子找交点。你想想看，如果交点找偏了0.1个像素，标定出来的相机参数可能就差一大截。我刚开始做标定时就吃过这个亏——用默认参数跑了一遍，重投影误差看着还行，结果三维重建出来全是歪的。

嗯，这一章咱们就把角点检测的来龙去脉捋清楚。从OpenCV的findChessboardCorners怎么用，到亚像素级优化怎么做，再到边缘提取和梯度分析的底层原理。每一步我都会结合项目经验来讲。

核心观点：角点检测的精度直接决定标定质量。整数像素级精度只能用于粗定位，亚像素级优化才是高精度标定的关键。

2.1 OpenCV的findChessboardCorners：从原理到实战

cv::findChessboardCorners这个函数，我估计做标定的人都用过。但很多人只是调个接口，不知道它背后干了什么。其实它的流程很清晰：

图像预处理——转灰度、自适应阈值化，把棋盘格从背景里拎出来
轮廓提取——找到所有四边形轮廓，筛选出符合棋盘格尺寸的候选
角点定位——在候选四边形内部，用Harris角点响应找到整数像素级角点
排序输出——按从左到右、从上到下的顺序排列角点坐标

这里有个坑，我遇到过好几次：如果棋盘格图像有反光或者阴影，自适应阈值可能把格子连成一片。这时候findChessboardCorners会返回false，或者找到的角点数量不对。

我的习惯：调用findChessboardCorners之前，先做一步直方图均衡化。特别是光照不均匀的场景，效果提升很明显。

来看一个典型的调用示例：

cv::Mat gray;
cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);

// 直方图均衡化，减少光照影响
cv::equalizeHist(gray, gray);

cv::Size patternSize(9, 6);  // 内角点数量
std::vector<cv::Point2f> corners;
bool found = cv::findChessboardCorners(
    gray,
    patternSize,
    corners,
    cv::CALIB_CB_ADAPTIVE_THRESH |
    cv::CALIB_CB_NORMALIZE_IMAGE |
    cv::CALIB_CB_FAST_CHECK
);

if (found) {
    cv::drawChessboardCorners(image, patternSize, corners, found);
}

注意那个CALIB_CB_FAST_CHECK标志。我建议在实时视频流里加上它，能省不少时间。但如果是单张高精度标定，去掉它反而更稳妥——快速检查可能会漏掉一些边缘情况。

2.2 亚像素级角点优化：把精度推到1/10像素

整数像素级角点够用吗？说实话，对于手机镜头标定，勉强够。但对于工业相机、双目视觉、高精度测量，必须上亚像素。

OpenCV提供了cv::cornerSubPix来做这件事。它的原理是基于梯度分析：在角点附近，梯度方向应该指向角点中心。通过迭代优化，让梯度向量与角点方向的点积最小化。

数学本质：亚像素角点优化是一个最小二乘问题。目标函数是梯度向量与角点偏移向量的点积之和最小。

代码实现很简单：

cv::TermCriteria criteria(
    cv::TermCriteria::EPS + cv::TermCriteria::COUNT,
    30,    // 最大迭代次数
    0.001  // 精度阈值（像素）
);

cv::cornerSubPix(
    gray,
    corners,
    cv::Size(5, 5),   // 搜索窗口半尺寸
    cv::Size(-1, -1), // 死区（-1表示无死区）
    criteria
);

这里有个参数值得聊：搜索窗口大小。我个人的经验是：

窗口大小	适用场景	注意事项
3×3	高分辨率、角点清晰	速度快，但抗噪能力弱
5×5	通用场景	精度和鲁棒性的平衡点
7×7	图像模糊、噪声大	收敛更稳定，但可能过平滑

我曾经在一个项目中，标定板离相机很远，角点在图像里只有十几个像素。用5×5窗口死活收敛不到亚像素精度。后来换成7×7，迭代次数从30加到50，效果立竿见影。

注意：亚像素优化不是万能的。如果初始角点偏差超过2-3个像素，cornerSubPix可能收敛到局部最优。所以一定要先用findChessboardCorners拿到靠谱的初始值。

2.3 边缘提取与梯度分析：理解底层原理

说实话，很多人只调API，不知道亚像素优化背后是怎么算的。我觉得有必要讲清楚梯度分析这部分，因为理解了原理，你才知道参数怎么调。

亚像素角点检测的核心思想是：角点附近的梯度向量，应该与角点到像素点的向量正交。换句话说，梯度方向指向角点中心。

具体来说，对于角点附近的每个像素点：

计算该点的梯度向量 g（用Sobel算子）
计算该点到初始角点的向量 v
理想情况下，g · v = 0

把所有像素点的方程组合起来，就得到一个超定线性方程组。用最小二乘法求解，就能得到亚像素级的偏移量。

我画了一张流程图，帮你理清整个检测流程：

你看这个流程，其实就三步：预处理、粗定位、精优化。每一步都有它的道理。

2.4 实战经验：调参避坑指南

讲了这么多理论，最后分享几个我在项目中踩过的坑：

我曾经犯过的错：在一个户外标定项目中，阳光直射标定板，图像过曝。我直接调高阈值去跑，结果角点全偏了。后来加了个中值滤波和自适应伽马校正，才把角点拉回来。

总结几条实用建议：

光照不均匀——先做直方图均衡化，不行再加CLAHE（限制对比度自适应直方图均衡化）
图像模糊——别急着调大搜索窗口，先试试锐化滤波
角点被遮挡——检查标定板是否完整，必要时手动标注初始角点
迭代不收敛——增大迭代次数（从30到50），或者放宽精度阈值（从0.001到0.01）

嗯，这一章的内容就到这儿。角点检测是标定的第一步，也是最重要的一步。把这一步做扎实了，后面的标定工作才能事半功倍。