这一类方法是为离线标定目的设计的。它们通常在车辆静止时进行，使用已知尺寸的特定图案（也称为标定板或靶标）来实现高精度标定。大多数方法还需要精确测量车辆与图案之间的相对位置，这通常在标定之前完成。因此，通常需要专门的空间，并且需要耗费大量时间进行设置。此外，由于图案的物理尺寸限制，这些方法只能集中于车辆周围的近距离区域（通常为2-5米）。一个典型的基于图案的标定设置[7]如图3a所示。
在[22, 35]中，作者采用了一种基于分解的方法，通过在相邻摄像头之间放置图案来标定多摄像头系统。张等[32]使用类似棋盘的图案，将其放置在相邻摄像头的公共区域。在执行标定之前，他们首先应用鱼眼镜头畸变校正以获得透视图像，这可能导致信息丢失。为了应对传统基于图案的标定方法耗时的问题，J. Lee和D. Lee[12]通过随机放置四个图案，最小化方形误差和对准误差来估计标定。尽管他们的方法显著减少了设置时间和精力，但标定效果仍存在局限。
由于图案尺寸或BEV图像质量的限制，这两种标定方法都集中在车辆周围的近距离区域（< 5米）。
基于特征的方法通常设计用于在线标定场景，其中车辆处于运动状态，实时跟踪自然或人造特征以调整相机姿态。
Nedevschi等人在[19]中使用平行车道标线来估计消失点，以进行立体视觉标定，假设立体相机的相对外参已知。
在[4]中，Choi等人提出了一种两步法来标定SVS，通过对齐相邻相机图像中的车道标线。然而，他们的方法仍然假设车道标线是平行的，这限制了其适用性。
在[18]中，Natroshvili等人结合了基于图案和基于特征的方法。车辆绕地面上放置的图案行驶，通过检测这些图案上的特征，自动估计标定结果。受同步定位与建图（SLAM）启发，Carrera等人[2]首先在机器人做控制运动时建立单目特征图，然后使用不变描述符将这些图对齐到3D空间中，从而确定多个相机之间的相对姿态。在[8]中，Heng等人首先使用视觉里程计建立3D地图，然后通过优化相机与里程计之间的变换来求解SVS的外参。
尽管大多数基于特征的方法的标定范围不局限于车辆周围的近距离，但它们需要额外的信息，例如里程计数据[2,8]，并且只能应用于特定场景[4,19]（例如，当车辆在有清晰车道标线的直路上行驶时）。
1.光度误差
近年来关于SVS标定的研究使用光度误差（也称为光度损失）作为衡量标准。光度误差衡量的是两张BEV图像之间所有像素的强度差异。相邻相机𝐶𝑖 和 𝐶𝑗 的光度误差定义为：
𝜖photo = ∥ 𝐼𝐶𝑖 − 𝐼𝐶𝑗 ∥ 2
其中，𝐼𝐶𝑖 和 𝐼𝐶𝑗 分别是由相机 𝐶𝑖 和 𝐶𝑗 生成的BEV图像。
然而，光度误差有两个主要的局限性。
首先，SVS图像是由不同的相机拍摄的，这些相机的照明和曝光可能存在差异。
这些差异即使在图像对齐良好的情况下，也会导致较高的光度误差值。
其次，IPM生成的大范围BEV图像通常包含地面上的物体，例如汽车和墙壁，这些物体在不同相机视角下无法很好地对齐。这种错位也会导致显著的光度误差。
2.均值距离误差(MDE)