在机器视觉、图像测量、摄影测量、三维重建等应用中，为校正镜头畸变，确定物理尺寸和像素间的换算关系，以及确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，需要建立相机成像的几何模型。通过相机拍摄带有固定间距图案阵列平板、经过标定算法的计算，可以得出相机的几何模型，从而得到高精度的测量和重建结果。而带有固定间距图案阵列的平板就是标定模板。准确的进行标定对于3D机器视觉像机的成功应用是非常重要的。标定过程中，不同的标定方案可供选择标定板也不尽相同。为了方便机器视觉行业的从业人员熟悉了解3D机器视觉标定所采用的标定板规格，本文将对标定板的种类和优缺点进行介绍。
根据标定板的图案主要可以分为棋盘格标定板，圆点标定板和CharuCo标定板三类。在选择任意一类标定板时，一个重要的考虑因素是它的物理尺寸。这关系到最终应用的测量视野范围(FOV)。这是因为相机需要在特定的工作距离上标定。为了精确的标定，当相机视野中，标定板需要能够填充大部分区域。根据经验，当正面观察时，标定板的面积至少应该是可用像素面积的一半。
机器视觉发展多年以来，已经引入了不同的标定板，每种标定板都有独特的属性和好处。要选择正确的类型，首先要考虑使用哪种算法和算法实现。在OpenCV或MVTec Halcon等通用库中，标定板的选择有一定的灵活性，它们也有各自的优点和局限性。
1、棋盘格标定板
确认光学系统的性能，复原相机模型的3D空间至2D空间的一一对应关系。棋盘格标定是基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。角点是图像很重要的特征，对图像图形图形的理解和分析有很重要的作用。对灰度图像、二值图像、边缘轮廓曲线的角点检测算法进行分析并对各种检测得出评价。这是最常用的图案方案。通常通过首先对3D视觉相机图像进行二值化并找到四边形(黑色的棋盘区域)来找到棋盘角点的候选点。过滤步骤只保留那些满足特定大小标准的四边形，并组织在一个规则的网格结构中，网格结构的尺寸与用户指定的尺寸匹配。在对标定板进行初步检测后，可以以非常高的精度确定角点位置。这是因为角基本上是无限小的，因此在透视变换或镜头失真下是无偏的。
在OpenCV中，整个棋盘必须在所有图像中可见才能被检测到。这通常使得从图像的边缘获取信息变得困难。这些区域通常是很好的信息来源，因为它们适当地约束了镜头失真模型。在检测出棋盘格后，可以进行亚像素细化，以找到具有亚像素精度的点，这利用了给定角点位置周围像素的确切灰度值，并且精度比整数像素位置所允许的精度要精确得多。关于棋盘格目标的一个重要细节是，为了保持旋转不变，行数必须是偶数，列数必须是奇数，或者相反。例如，如果两者都是偶数，则存在180度旋转的歧义。对于单台相机的校准，这不是一个问题，但如果相同的点需要由两个或更多的相机识别(对于立体校准)，这种模糊性必须不存在。这就是为什么我们的标准棋盘目标都具有偶数/奇数行/列的属性。
