4、标定板设计：棋盘格与AprilTag、圆形标定板（Calibao）、多传感器通用标定板设计原则
标定板这东西，说白了就是给传感器看的「尺子」。你想想看，传感器要校准，总得有个已知尺寸的参照物吧？我这些年经手过的项目，从单目相机到激光雷达，从热成像到事件相机，几乎每个系统都离不开一块靠谱的标定板。
但问题来了——不同传感器对「参照物」的要求完全不一样。相机喜欢高对比度的角点，激光雷达需要高反射率的特征，深度相机又怕反光太强。嗯，这里面的门道，我今天跟你好好聊聊。
4.1 棋盘格标定板：经典但别踩坑
棋盘格，最经典的标定工具。我刚开始做视觉SLAM那会儿，用的就是A4纸打印的棋盘格。便宜、简单、角点检测算法成熟，OpenCV里直接调findChessboardCorners就行。
但棋盘格有个致命问题——方向模糊性。你拍一张棋盘格照片，旋转180度后，角点坐标完全一样。这就导致标定结果可能整体偏转180度，尤其在多相机系统中，外参直接崩掉。
怎么解决？我建议用非对称棋盘格，比如一边是偶数格，一边是奇数格。或者干脆在棋盘格角落加一个标记点，用来指示方向。
另一个要注意的是棋盘格尺寸。我个人的经验是：
- 室内标定：格子边长20-30mm，7×9或8×11格
- 室外远距离：格子边长50-100mm，格数少一些
- 微距/小视场：格子边长5-10mm，用高精度玻璃基板
打印棋盘格时，记得用哑光纸。亮面纸反光严重，尤其在强光下，角点检测会飘。我见过有人用相纸打印，结果标定出来的内参误差大了三倍。
4.2 AprilTag：鲁棒性更强的选择
AprilTag是密歇根大学搞出来的视觉基准标记系统。说白了，就是给每个标记一个「身份证号」。你拍到一个AprilTag，不仅能知道它的角点位置，还能知道它是几号标记、朝向哪个方向。
这比棋盘格强在哪？
- 单帧可用：一个AprilTag就能解算位姿，棋盘格至少需要拍到完整图案
- 方向唯一：每个Tag有编码，不存在180度歧义
- 部分遮挡也能用：只要检测到足够多的码元，就能恢复ID和位姿
AprilTag有不同家族（family），比如Tag16h5、Tag25h9、Tag36h11。数字代表码元数量和最小汉明距离。我一般用Tag36h11，鲁棒性最好，误检率极低。
生成AprilTag的代码很简单，用官方库就行：
# 安装AprilTag库
pip install apriltag
# 生成Tag图像
from apriltag import apriltag
import cv2
import numpy as np
# 生成Tag36h11家族的ID为0的Tag
tag = apriltag("tag36h11", 0)
tag_image = tag.generate(tag_size=200) # 200x200像素
cv2.imwrite("tag36h11_0.png", tag_image)打印AprilTag时，注意黑色边框要完整。我见过有人为了省纸，把Tag的白色边框裁掉了，结果检测率直接掉到50%以下。白色边框是解码的必要区域，千万别动。
4.3 圆形标定板（Calibao）：高精度之选
圆形标定板，也叫Calibao（Calibration Board的简称）。它用圆形图案代替棋盘格的角点，检测的是圆心位置。
为什么用圆？因为圆心的亚像素定位精度比角点高。角点检测受图像梯度影响大，而圆心的椭圆拟合可以做到0.1像素甚至更高精度。我在做高精度工业相机标定时，棋盘格标出来的重投影误差0.3像素，换成圆形标定板直接降到0.08像素。
但圆形标定板也有坑——透视畸变。你拍一个圆，在图像上变成椭圆，圆心位置会偏移。这个偏移量跟圆的半径、相机视角有关。好在OpenCV的findCirclesGrid函数已经做了补偿，但前提是圆的半径要准确输入。
| 标定板类型 | 精度 | 鲁棒性 | 适用场景 |
|---|---|---|---|
| 棋盘格 | 中等（0.3-0.5像素） | 高（角点检测成熟） | 通用标定、快速验证 |
| AprilTag | 中等（0.3-0.5像素） | 极高（抗遮挡、方向唯一） | 多传感器、部分遮挡场景 |
| 圆形标定板 | 高（0.05-0.15像素） | 中等（受光照影响大） | 高精度标定、工业视觉 |
圆形标定板的布局也有讲究。我建议用非对称排列，比如行和列的圆数量不同，或者圆的大小交替变化。这样能避免方向歧义，也方便自动检测时确定坐标系。
4.4 多传感器通用标定板设计原则
好了，前面聊了三种标定板，各有优劣。但实际项目中，我们往往需要同时标定多个传感器——相机+激光雷达+IMU+深度相机。这时候就需要一块「通用标定板」，让所有传感器都能看到共同的特征。
我总结了几条设计原则，都是血泪换来的：
- 多模态特征共存：板子上同时要有视觉特征（棋盘格/AprilTag）和几何特征（平面、边缘）。激光雷达看不到图案，但能扫到平面和边缘。
- 高反射率差异：激光雷达需要反射率差异来区分特征。我一般用黑色哑光背景+白色高反射材料做图案。这样激光雷达点云中，白色区域的反射率明显高于黑色区域。
- 尺寸适中：板子太小，远距离看不清；板子太大，近距离拍不全。我一般按「最近工作距离下，板子占图像面积的1/4到1/3」来设计。
- 刚性背板：板子必须平整，不能弯曲。我见过有人用泡沫板做标定板，结果稍微一弯，标定出来的外参全是错的。建议用铝合金板或亚克力板做基底。
- 可拆卸设计：不同传感器可能需要不同的特征。我习惯把AprilTag和棋盘格做成可替换的模块，插在同一个背板上。
我推荐的一种通用标定板方案：
- 基底：3mm厚铝合金板，表面喷黑色哑光漆
- 视觉特征：中心贴一个Tag36h11的AprilTag（边长50mm）
- 几何特征：板子四角贴白色高反射陶瓷片（直径20mm）
- 辅助特征：板子边缘贴反光条，用于激光雷达检测边界
这样一块板子，相机能看到AprilTag，激光雷达能扫到陶瓷片和边缘，深度相机能看到平面。所有传感器都能找到共同参考点。
嗯，最后说一句。标定板设计没有「万能方案」，关键是根据你的传感器组合和工作距离来定制。我每次做新项目，都会先画一块板子，打印出来试拍几张，看看检测效果，再调整尺寸和布局。迭代个两三次，基本就能找到最优解。
你想想看，标定板是传感器融合的第一步。这一步走稳了，后面的联合标定、数据融合才能顺风顺水。别在这上面省功夫。