OpenCV 版本导致 AprilTag 检测数量不同

结论

同一段视频、同一字典 DICT_APRILTAG_25h9，仅切换 OpenCV 版本，AprilTag 检测数量可能明显不同。

本项目的实测结果如下：

视频	Tag	OpenCV 4.13	OpenCV 4.14	OpenCV 5.0
`video_left.h265`	0	54	650	650
`video_left.h265`	1	813	813	813
`video_right.h265`	0	781	784	784
`video_right.h265`	1	741	800	800

三个版本都解码出 813 帧，而且逐帧 BGR 像素哈希一致。因此，这次差异不是视频帧数变化或 H.265 解码差异，而是 AprilTag/ArUco 的候选解码逻辑变化。

完整结果见：

<opencv_version_comparison.csv>
<opencv_version_comparison.json>
<compare_opencv_versions.py>

主要源码变化

1. AprilTag 字典从不纠错变为允许纠错

OpenCV 4.13 中，DICT_APRILTAG_25h9 的字典初始化使用了：

cpp 复制代码

Dictionary(..., markerSize=5, maxCorrectionBits=0);

默认检测参数为：

text 复制代码

errorCorrectionRate = 0.6
有效纠错位数 = int(0 * 0.6) = 0

因此 4.13 基本要求候选 Tag 的内部 bit 全部严格匹配。

OpenCV 4.14 改成：

cpp 复制代码

Dictionary(..., markerSize=5, maxCorrectionBits=(9 - 1) / 2);

于是：

text 复制代码

maxCorrectionBits = 4
有效纠错位数 = int(4 * 0.6) = 2

4.14 默认允许候选中存在少量错误或不确定的 cell，这会提高召回率，也可能提高误检风险。

相关 OpenCV 修复提交：8c8b266b7，主题为 fix maxCorrectionBits in predefined dictionaries。

源码位置：

2. cell 从硬二值化变为保留白像素比例

DICT_APRILTAG_25h9 是 5 x 5 数据区域，外加一圈 marker border，因此透视校正后会按 7 x 7 网格采样。

这里的"白像素比例"是某一个采样 cell 内部，经过二值化后被判为白色的像素比例，不是 Tag 外部的白色背景，也不是专门指白框。

例如一个 4 x 4 的 cell：

text 复制代码

8 个白像素 + 8 个黑像素 -> 白色比例 50%
9 个白像素 + 7 个黑像素 -> 白色比例 56.25%

OpenCV 4.13 直接把 cell 压缩成 0/1：

cpp 复制代码

bit = white_pixel_count > total_pixels / 2;

所以：

text 复制代码

白色比例 <= 50% -> bit 0
白色比例 >  50% -> bit 1

OpenCV 4.14 新增：

cpp 复制代码

validBitIdThreshold = 0.49f;

它先保留 cellPixelRatio，再判断 cell 是否足够接近黑色或白色。接近 50/50 的 cell 会被视为不确定，再交给字典匹配和纠错逻辑处理。

相关提交：5e91b461b，主题为 Identify ArUco markers based on threshold to reduce false positives。

源码位置：

参数消融结果

在 OpenCV 4.14 中对 video_left.h265 关闭或恢复新逻辑：

4.14 参数	Tag 0	Tag 1
默认：`errorCorrectionRate=0.6`，`validBitIdThreshold=0.49`	650	813
关闭纠错：`errorCorrectionRate=0.0`，阈值 `0.49`	25	679
关闭纠错并恢复 50% 阈值：`errorCorrectionRate=0.0`，阈值 `0.50`	54	813
OpenCV 4.13 默认	54	813

对 video_right.h265，OpenCV 4.14 设置：

python 复制代码

params.errorCorrectionRate = 0.0
params.validBitIdThreshold = 0.50

得到的结果也是：

text 复制代码

Tag 0 = 781
Tag 1 = 741

与 OpenCV 4.13 默认结果完全一致。

这说明本项目中最大的数量变化来源是 4.14 修复后的 AprilTag 字典纠错能力；validBitIdThreshold 则改变了模糊 cell 的边界判断。

当前检测路径的含义

当前代码使用：

python 复制代码

dictionary = cv2.aruco.getPredefinedDictionary(
    cv2.aruco.DICT_APRILTAG_25h9
)
detector = cv2.aruco.ArucoDetector(dictionary)

这不是完整的 AprilTag 专用 quad detector，而是：

text 复制代码

OpenCV ArUco 候选轮廓检测
    + AprilTag 25h9 字典
    + OpenCV 的 cell 解码和错误纠正

除非显式设置 CORNER_REFINE_APRILTAG，否则 aprilTagQuadDecimate、aprilTagQuadSigma 等 AprilTag 参数不是这次数量差异的主要来源。

复现方式

完整比较：

powershell 复制代码

python compare_opencv_versions.py --jobs 3

当前隔离环境：

text 复制代码

当前环境：opencv-python 4.13.0.92
.venvs/opencv-4.14：opencv-python 4.14.0.94
.venvs/opencv-5.0：opencv-python 5.0.0.93

使用建议

需要结果可复现时

固定 OpenCV 版本，并把版本号写入检测结果：

python 复制代码

print(cv2.__version__)

不要只保存 Tag 数量而不保存 OpenCV 版本、检测参数和输入视频哈希。

需要尽量兼容 OpenCV 4.13 时

在 OpenCV 4.14/5.0 中可以尝试：

python 复制代码

params = cv2.aruco.DetectorParameters()
params.errorCorrectionRate = 0.0
params.validBitIdThreshold = 0.50

dictionary = cv2.aruco.getPredefinedDictionary(
    cv2.aruco.DICT_APRILTAG_25h9
)
detector = cv2.aruco.ArucoDetector(dictionary, params)

对本项目的两段视频，这组参数复现了 OpenCV 4.13 的计数。但它不是对所有图像都保证逐帧兼容，正式生产流程仍应固定 OpenCV wheel 版本。

需要提高召回率时

使用 4.14/5.0 默认行为可能更合适，但应使用人工标注或已知 Tag 轨迹检查新增检测是否为真实 Tag。检测数量增加不能单独证明检测质量提高。