2. 标定板设计原理：角点/圆心特征提取原理、亚像素精度定位、图案对称性与抗噪设计

标定板是视觉测量与3D点云配准中的核心基准。其设计质量直接决定了特征点提取的稳定性、亚像素定位精度以及算法对噪声的鲁棒性。本节从特征提取原理出发，深入剖析角点与圆心两种主流方案，并阐述亚像素精度提升方法及图案对称性、抗噪性的设计准则。

2.1 特征提取原理：角点 vs. 圆心

标定板上的特征点通常分为两类：棋盘格角点与圆形/圆环圆心。两者在提取原理、精度与适用场景上存在显著差异。

2.2 亚像素精度定位方法

像素级特征点无法满足高精度标定与配准需求。亚像素定位通过局部灰度/梯度模型，将特征点坐标精度提升至0.01像素量级。以下为三种主流方法：

1. 梯度方向迭代法（角点专用）
   基于角点邻域内梯度向量与角点-像素向量的正交约束，通过最小二乘迭代求解亚像素偏移量。OpenCV中 cornerSubPix() 即采用此原理。
2. 椭圆拟合与偏心补偿（圆心专用）
   提取圆环边缘点后，使用最小二乘拟合椭圆参数，取椭圆中心作为圆心。需根据透视投影模型补偿圆心偏移误差。
3. 灰度重心法（通用）
   以特征点邻域灰度值为权重，计算加权质心。适用于对称性良好的圆形或十字标记，计算速度快但受光照不均匀影响较大。

// 梯度方向迭代法核心伪代码（OpenCV风格）
void refineCornerSubPix(Mat& gray, vector<Point2f>& corners, Size winSize) {
    for (auto& pt : corners) {
        float dx = 0, dy = 0;
        for (int i = -winSize.height; i <= winSize.height; i++) {
            for (int j = -winSize.width; j <= winSize.width; j++) {
                Point2f q = pt + Point2f(j, i);
                // 计算灰度梯度
                float gx = sobelX(gray, q);
                float gy = sobelY(gray, q);
                // 梯度与向量点积最小化
                float dot = gx * (q.x - pt.x) + gy * (q.y - pt.y);
                dx += gx * dot;
                dy += gy * dot;
            }
        }
        // 更新亚像素偏移
        pt.x -= dx / (winSize.area() * 2);
        pt.y -= dy / (winSize.area() * 2);
    }
}

2.3 图案对称性与抗噪设计

标定板的图案设计需兼顾旋转对称性与抗噪鲁棒性。对称性确保特征点在任意旋转角度下均可被稳定识别；抗噪设计则抑制图像噪声、光照不均及局部遮挡对提取精度的影响。

2.3.1 对称性设计准则

• 旋转对称： 棋盘格具有90°旋转对称性，圆环标定板具有连续旋转对称性。推荐使用非对称圆环阵列（如不对称间距或编码环）来消除方向歧义。
• 反射对称： 图案在水平/垂直方向上的对称性有助于简化特征点排序与匹配。但过度对称会导致方向模糊，需引入唯一标识码（如ChArUco板中的ArUco码）。
• 尺度对称： 特征点尺寸应覆盖2~5个像素，避免过小导致亚像素采样不足，或过大引入透视畸变。

2.3.2 抗噪设计策略

2.4 图案对称性与抗噪设计实例

下图展示了一种典型的非对称圆环标定板设计，该设计在3D点云配准中表现出优异的抗噪性能与旋转不变性。