利用棋盘格重新校正摄像头,求取Apriltag取向
简 介: 利用Apriltag提取过程中的单应矩阵(homography)可以获得单个Apriltag的角度。通过上述测试可以看到对于Apriltag的法向量基本与镜头夹角不大的情况下,测量角度比较准确。一旦当Apriltag的法向量与镜头夹角增大到一定程度,求出的法向量的夹角会出现较大的误差。
关键词
: Apriltag,单应矩阵
Contents
§00 背 景
在 旋转Apriltag角度检测 中测试Apriltag定位立方体使用的是 旋转的Apriltag码 制作贴有Apriltag的立方体。在测试过程中发现
- Apriltag张贴的时候应该是方向保持向上一致;
- 需要更加精确对于摄像头的内参和外参进行校正;
下面工作:
- 制作更大的立方体制作Apriltag的定位立方体;
- 使用更大的棋盘格进行视野校正。
§01 定位立方体
1.1 六面体盒子
今天(2022-01-01)收到了来自百度在 WAVE Summit 平行论坛 纪念品,其中有一个特色魔方的盒子,呈现正六边形,适合制作Apriltag定位立方体。
- 立方盒的边长为:73mm。
▲ 图1.1.1 特色魔方包装盒
1.2 打印Apriltag码
在 APRILTAG 标准图片:TAG25H9 下载TAG25H9 ID=1图标。
▲ 图1.2.1 TAG25H9 id=1 Apriltag 图标
根据 竞赛规则对于定位Apriltag尺寸参数 要求,Apriltag的边长应该为立方体的0.9倍。所以打印的Apriltag的边长应该为:73×0.9≈66mm73 \times 0.9 \approx 66mm73×0.9≈66mm。
根据A4纸的边长为210mm,可以得到对应的编辑图片尺寸。
▲ 图1.2.2 编辑打印出编程为66mm的Apriltag
▲ 图1.2.3 打印之后的Apriltag码
1.3 粘贴制作定位立方体
使用胶水棒将打印的Apriltag码粘接在立方体盒子上。旁边还有一个粘贴在圆柱体上的Apriltag码,用于测试识别问题。
▲ 图1.2.4 粘贴好的Apriltag的定位立方体
§02 摄像机校正
2.1 拍摄棋盘格
棋盘格是 棋盘格氧化铝标定板漫反射不反光12×9方格视觉光学校正板 。手边有两种棋盘格:
- GP100参数:
-
角点矩阵
:11×8
方格边长
:6mm
▲ 图2.1.1 GP100定标棋盘格
- GP070参数:
-
角点点阵
:11×8
方格边长
:5mm
▲ 图2.1.3 GP070定标棋盘格
2.2 矫正程序
from headm import * # =
import cv2cbfile1 = '/home/aistudio/work/GP100.jpg'
cbfile2 = '/home/aistudio/work/chessb1.jpg'CORNER_NUM = (11,8)def calcam(cbfile, gridsize=5):img = cv2.imread(cbfile)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, corners = cv2.findChessboardCorners(gray, CORNER_NUM, None)if ret:cv2.drawChessboardCorners(img, CORNER_NUM, corners, ret)plt.clf()plt.figure(figsize=(12,12))plt.axis("off")plt.imshow(img)obj_p = zeros((CORNER_NUM[0] * CORNER_NUM[1], 3), float32)obj_p[:,:2] = (mgrid[0:CORNER_NUM[0], 0:CORNER_NUM[1]].T.reshape(-1,2))*gridsizeobj_points = []obj_points.append(obj_p)img_points = []img_points.append(corners)ret,mtx,dist,rvecs,tvecs = cv2.calibrateCamera(obj_points, img_points, CORNER_NUM, None, None)return ret,mtx,dist,rvecs,tvecsret,mtx,dist,rvecs,tvecs = calcam(cbfile1,6)
printt(ret:,mtx\,dist:,rvecs\,tvecs)
2.3 摄像头
存在两个摄像头,分别拍摄了上述两个棋盘格校正图片。因此下面在进行校正的时候,所得到的校正参数可能不同。
2.3.1 摄像头1校正
▲ 图2.3.1 GP100角点提取
ret: 0.12002146401949448mtx:
[[5.94399097e+03 0.00000000e+00 6.82760115e+00][0.00000000e+00 6.36697742e+03 9.10752915e-01][0.00000000e+00 0.00000000e+00 1.00000000e+00]]
dist: [[ -1.13942937 11.40997843 0.0427266 0.06904507 -33.65814797]]rvecs:
[array([[-0.18694408],[ 0.7794577 ],[-3.03463076]])]
[array([[ 108.09875682],[ 78.08952974],[1372.04963641]])]
2.3.2 摄像头2校正
▲ 图2.3.2 GP070角点提取
ret: 0.16806419784453866mtx:
[[ 1.82831585e+04 0.00000000e+00 1.44044114e+02][ 0.00000000e+00 1.93289214e+04 -1.85425454e+01][ 0.00000000e+00 0.00000000e+00 1.00000000e+00]]
dist: [[-5.35721122e-01 4.45459910e+02 6.54421136e-04 -6.56847763e-031.52761970e+00]]rvecs:
[array([[ 0.44598183],[ 0.05775509],[-0.02442412]])]
[array([[ 19.31487417],[ 30.2872056 ],[2350.10439739]])]
§03 旋转Apriltag
根据 旋转Apriltag角度检测 中的测试方式,测量Apriltag的角度。
3.1 测量Apriltag的角度
3.1.1 摄像头1测量序列
下面是摄像头1测量得到的旋转Apriltag序列。
▲ 图3.1.1 摄像头1测量的旋转Apriltag序列
3.1.2 摄像头2测量序列
摄像头2拍摄的Apriltag序列:
▲ 图3.1.2 摄像头2拍摄的Apriltag序列
▲ 图3.1.3 动态提取Apriltag法向量
▲ 图3.1.4 Apriltag方向提取结果
※ 总 结 ※
利用Apriltag提取过程中的单应矩阵(homography)可以获得单个Apriltag的角度。通过上述测试可以看到对于Apriltag的法向量基本与镜头夹角不大的情况下,测量角度比较准确。一旦当Apriltag的法向量与镜头夹角增大到一定程度,求出的法向量的夹角会出现较大的误差。
■ 相关文献链接:
- 旋转Apriltag角度检测
- 旋转的Apriltag码
- WAVE SUMMIT平行论坛 :产教融合,人才共育
- APRILTAG 标准图片:TAG25H9
- 竞赛规则对于定位Apriltag尺寸参数
- 棋盘格氧化铝标定板漫反射不反光12*9方格视觉光学校正板
● 相关图表链接:
- 图1.1.1 特色魔方包装盒
- 图1.2.1 TAG25H9 id=1 Apriltag 图标
- 图1.2.2 编辑打印出编程为66mm的Apriltag
- 图1.2.3 打印之后的Apriltag码
- 图1.2.4 粘贴好的Apriltag的定位立方体
- 图2.1.1 GP100定标棋盘格
- 图2.1.3 GP070定标棋盘格
- 图2.3.1 GP100角点提取
- 图2.3.2 GP070角点提取
- 图3.1.1 摄像头1测量的旋转Apriltag序列
- 图3.1.2 摄像头2拍摄的Apriltag序列
- 图3.1.3 动态提取Apriltag法向量
- 图3.1.4 Apriltag方向提取结果
#!/usr/local/bin/python
# -*- coding: gbk -*-
#============================================================
# TEST1.PY -- by Dr. ZhuoQing 2021-12-31
#
# Note:
#============================================================from headm import * # =
import cv2
import apriltag
from tqdm import tqdm
import zipfile
from scipy.spatial.transform import Rotation as R#------------------------------------------------------------
'''
outdir = '/home/aistudio/data'
zzipfile = '/home/aistudio/data/data123271/rap1.zip'aprdir = os.path.join(outdir, os.path.basename(zzipfile).split('.')[0])
if not os.path.isdir(aprdir):printf('Open file {}'.format(aprdir))with zipfile.ZipFile(zzipfile) as f:f.extractall(outdir)printf('Extract all.')
'''
#------------------------------------------------------------
#aprdir = '/home/aistudio/data/220101155505'
aprdir = '/home/aistudio/data/data123271/220101160051'filedim = [s for s in sorted(os.listdir(aprdir)) if s.find('JPG') > 0]
#printt(filedim:)
#------------------------------------------------------------
'''
mtx = array(
[[5.94399097e+03,0.00000000e+00,6.82760115e+00],[0.00000000e+00,6.36697742e+03,9.10752915e-01],[0.00000000e+00,0.00000000e+00,1.00000000e+00]]
)'''mtx = array(
[[1.82831585e+04,0.00000000e+00,1.44044114e+02],[0.00000000e+00,1.93289214e+04,-1.85425454e+01],[0.00000000e+00,0.00000000e+00,1.00000000e+00]]
)#------------------------------------------------------------gifpath = '/home/aistudio/GIF'
gifdim = os.listdir(gifpath)
for f in gifdim:fn = os.path.join(gifpath, f)if os.path.isfile(fn):os.remove(fn)atd = apriltag.Detector(apriltag.DetectorOptions(families='tag25h9'))for id,imgfile in tqdm(enumerate(filedim)):procfile = os.path.join(aprdir, imgfile)img = cv2.imread(procfile)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)tags = atd.detect(gray)if len(tags) == 0: continuefor iidd,tag in enumerate(tags):homo = tag.homographynum,Rs,Ts,Ns = cv2.decomposeHomographyMat(homo, mtx)# if tag.tag_id == 0:
# r = R.from_dcm(Rs[0].T)
# euler = r.as_euler('xyz').T*180/pi
# angle = euler[2]
# else:
# r = R.from_dcm(Rs[0].T)
# euler = r.as_euler('yxz').T*180/pi
# angle = euler[0]r = R.from_dcm(Rs[0].T)euler = r.as_euler('xyz').T*180/piangle = euler[2]for c in tag.corners:cv2.circle(img, tuple(c.astype(int)), 4, (255, 0, 0), 2)cc = tag.centercv2.circle(img, tuple(cc.astype(int)), 6, (20, 200, 120), 2)ARROW_LENGTH = 250shiftx = sin(angle*pi/180) * ARROW_LENGTHshifty = ARROW_LENGTH * cos(euler[1]*pi/180) * cos(angle*pi/180) / 2newcenter = array([shiftx, shifty]) + cccv2.circle(img, tuple(newcenter.astype(int)), 16, (0, 0, 255), 8)cv2.line(img, tuple(newcenter.astype(int)), tuple(cc.astype(int)), (0, 0, 255), 4)# breakoutfile = os.path.join(gifpath, '%03d.JPG'%id)cv2.imwrite(outfile, img)plt.clf()
plt.figure(figsize=(12,12))
plt.axis("off")
plt.imshow(img)#------------------------------------------------------------
'''atd = apriltag.Detector(apriltag.DetectorOptions(families='tag25h9'))angledim =[[],[],[],[]]lastangle = 100000
tagnum = []for id,imgfile in tqdm(enumerate(filedim)):procfile = os.path.join(aprdir, imgfile)img = cv2.imread(procfile)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)tags = atd.detect(gray)if len(tags) == 0: continueangle1 = 0angle2 = 0tagnum.append(len(tags)*25)for iidd,tag in enumerate(tags):homo = tag.homographynum,Rs,Ts,Ns = cv2.decomposeHomographyMat(homo, mtx)if tag.tag_id == 0:r = R.from_dcm(Rs[0].T)euler = r.as_euler('xyz').T*180/piangle = euler[2]else:r = R.from_dcm(Rs[0].T)euler = r.as_euler('yxz').T*180/piangle = euler[0]if iidd == 0: angle1 = angleelse: angle2 = angleangleA = angle1if len(tags) > 1:if abs(angle1-lastangle) < abs(angle2-lastangle):angleA = angle1else: angleA = angle2lastangle = angleAangledim[0].append(angleA)angledim[1].append(angleA)angledim[2].append(angleA)angledim[3].append(angleA)# for i in range(4):
# r = R.from_dcm(Rs[i].T)
# euler = r.as_euler('xyz').T*180/pi
# angle = euler[2]
# angledim[i].append(angle)printt(shape(angledim):)
'''#------------------------------------------------------------
'''
plt.clf()
plt.figure(figsize=(10,6))plt.plot(angledim[0], label='L1')
plt.plot(tagnum, label='num')
#plt.plot(angledim[1][:200], label='L2')
#plt.plot(angledim[2], label='L3')
#plt.plot(angledim[3], label='L4')plt.xlabel("Step")
plt.ylabel("Angle")
plt.grid(True)
plt.legend(loc='upper right')
plt.tight_layout()
plt.show()
'''
#------------------------------------------------------------
# END OF FILE : TEST1.PY
#============================================================
利用棋盘格重新校正摄像头,求取Apriltag取向相关推荐
- 利用边缘灰度变化建模,来提高圆环直径求取精度
简 介: 利用对所获得的圆环边缘亮度平均变化曲线,利用Sigmoid函数进行建模逼近,可以对原来经由HoughCircle所获得的半径进行补偿.对于利用扫描仪所获得的图片进行实际处理,可以看到它可以获 ...
- 利用圆圈轮廓面积求取圆环半径:cv2.findContours, contourArea
简 介: 利用圆环的面积反向计算圆的半径,可以获得更加稳定的圆的半径.对于标准模板在扫描仪上的移动,可以看到对应的测量得到的结果变化规律.下面对于造成这样变化进行初步分析. 关键词: 抑菌圈测量仪,O ...
- 后缀数组以及利用后缀数组求取最长公共字串
后缀树组是一个字符串的所有后缀的排序数组.后缀是指从某个位置 i 开始到整个串末尾结束的一个子串.字符串 r 的从 第 i 个字符开始的后缀表示为 Suffix(i) ,也就是Suffix(i)=r[ ...
- c# 椭圆拟合库_利用C#版OpenCV实现圆心求取实例代码
前言 OpenCVSharp是OpenCV的.NET wrapper,是一名日本工程师开发的,项目地址为:https://github.com/shimat/opencvsharp. 该源码是 BSD ...
- 相机畸变校正、求出参数、具体应用
相机畸变校正.求出参数.具体应用 一.原理 二.具体步骤 三.参数获取程序代码 四.使用程序 后续版本: 畸变矫正应用封装后,耗时6ms 参数采集第二版,添加了一些异常判断和提示 参数获取程序源码 运 ...
- python中Scipy模块求取积分
python中Scipy模块求取积分的方法: SciPy下实现求函数的积分的函数的基本使用,积分,高等数学里有大量的讲述,基本意思就是求曲线下面积之和. 其中rn可认为是偏差,一般可以忽略不计,wi可 ...
- 算法学习:后缀数组 height的求取
[前置知识] 后缀数组 [定义] [LCP]全名最长公共前缀,两个后缀之间的最长前缀,以下我们定义 lcp ( i , j ) 的意义是后缀 i 和 j 的最长前缀 [z函数] 函数z [ i ] 表 ...
- vb初学回顾:最大公约数 最小公倍数 素数求取
求最大公约数和最小公倍数 Private Sub Command3_Click() Dim m1%, m%, n%, n1%, r%, b% m1 = Val(InputBox(&qu ...
- 由光声前向模型求取光声信号
在相关论文中,提到一种使用光声前向模型来求取输入信号,根据公式 ,其中A为论文<Acceleration of Optoacoustic Model-Based Reconstruction U ...
最新文章
- 实现电脑与NUC之间进行远程登录
- input text
- ROS学习(九):ROS URDF-link
- PHP 杂谈《重构-改善既有代码的设计》之二 对象之间搬移特性
- .net core 使用RSA获取私钥证书并签名
- 第1章 ssh命令和SSH服务详解
- UVAoj 348 - Optimal Array Multiplication Sequence
- Redis 有哪些数据类型?
- java流读写_java流概述以及文件读写示例
- Servlet异步处理性能优化的过程
- oracle快速创建可用用户
- oracled update_oracle中要谨慎使用update交叉更新!
- adb shell 出现 error :
- WPF 动态添加控件以及样式字典的引用(Style introduction)
- java实现签名和解签
- cad道路里程桩号标注_CAD道路桩号自动编号插件
- Mac用Homebrew安装libimobiledevice
- 数学四大思想八大方法_四种思想方法,让你轻松掌握高中数学
- LaTex技巧:用PPT画图,然后导入LaTeX
- Latex编辑器Texstudio的注释快捷键。
热门文章
- mongodb内存限制初探
- MySQL/ACCESS导出一句话拿WebShell后门命令
- 数据库报错: SQLCODE: -418, SQLSTATE: 42610, SQLERRMC: null
- [原创]Silverlight与PostgreSQL数据库的互操作(CURD完全解析)
- Spring Cloud构建微服务架构:服务消费(Ribbon)
- mysqlimport命令
- Tensorflow 变量的共享
- poj1730Pollard分解
- C++ ORM ODB 入门介绍(一)
- 增量加载(Incremental Loads)