AprilTag是一个视觉基准库，在AR，机器人，相机校准领域广泛使用。通过特定的标志（与二维码相似，但是降低了复杂度以满足实时性要求），可以快速地检测标志，并计算相对位置。 
示例图片
官网：https://april.eecs.umich.edu/software/apriltag.html
列出了如下三篇文章
1. AprilTag: A robust and flexible visual fiducial system（2011）
2. AprilCal: Assisted and repeatable camera calibration（2013）
3. AprilTag 2: Efficient and robust fiducial detection（2016）
对于如下示例图片，检测步骤分为以下几步： 
1 检测线段
计算每个像素的梯度方向和大小，通过聚类将梯度大小方向相似的聚集到一起，
聚类的方法与Felzenszwalb基于图的图像分割方法类似，首先创建一个图，每个节点代表一个像素。如果相邻两个节点梯度方向差和边的权重相等，那么就增加这条边。然后讲这些边挑选出来，对边的权重进行递增处理：对于每条边，我们测试像素点属于的连通分支是否应该加入合并。（个人感觉比较像LSD直线检测）
这部分最为耗时，超过总运行时间的一般。通过一个
2 检测正方形
找到直线段后，下一步就是检测正方形。整个任务转化为一个递归的、深度为4的深度优先搜索。第一层时，依次把每条线短作为起始线段。第二层至第四层，去找和这个起始线段终点（默认每条线短都是逆时针方向）足够近的线段。通过调整阈值来增加最闭合区域和分割误差的鲁棒性。
使用一个二维查找表来加速寻找距离某个点最近的线段。通过这种优化方式、以及之前拒绝逆时针旋转方向的方形、或者使用某条线段超过1次，方形检测部分仅占总运行时间的一小部分。
3 单应性及外估计（Homography and extrinsics estimation）
利用Direct Linear Transform（DLT）算法计算单应性矩阵。