V831

文章目录

V831
前言
一、AprilTag 标记追踪测距
二、 AprilTag 获取角度信息以及三维坐标的显示
三、AprilTag多个三维坐标的显示
总结

前言

AprilTag 标记追踪是视觉很常用的一个标签，V831也具备这个功能。

一、AprilTag 标记追踪测距

先看代码

#!/usr/bin/python3
from maix import display, camera f_x = (6 / 5.76) * 240 # 镜头的焦距是6MM，感光cmos的长是5.76mm，240像素是屏幕的长
f_y = (6 / 3.24) * 240 # 镜头的焦距是6MM，感光cmos的宽是3.24mm，240像素是屏幕的宽c_x = 240 * 0.5  # 屏幕分辨率的一半
c_y = 240 * 0.5  # 屏幕分辨率的一半while True:t = camera.capture()mks = t.find_apriltags(families = 16,fx = f_x,fy = f_y,cx = c_x,cy = c_y)for mk in mks:x_tran = mk['x_translation']y_tran = mk['y_translation']z_tran = mk['z_translation']#家族信息fam = mk['family']#外框数据x, y, w, h, id  =  mk['x'], mk['y'], mk['w'], mk['h'], mk['id']#内框数据x1,y1 = mk['corners'][0]   #访问字典的列表x2,y2 = mk['corners'][1]x3,y3 = mk['corners'][2]x4,y4 = mk['corners'][3]z1,z2 = mk['centroid']#虚拟距离length = (x_tran*x_tran + y_tran*y_tran + z_tran*z_tran)**0.5#画外框t.draw_rectangle(x, y, x + w, y + h, color=(0, 0, 255), thickness = 2) #打印IDt.draw_string(int(x + w*0.15) , int(y + h*0.15) , str(id), scale = 4.0, color = (255, 0, 0), thickness = 3)  #画内框t.draw_line(x1, y1, x2, y2, color = (0, 255, 0), thickness = 3)  t.draw_line(x2, y2, x3, y3, color = (0, 255, 0), thickness = 3)  t.draw_line(x3, y3, x4, y4, color = (0, 255, 0), thickness = 3)  t.draw_line(x4, y4, x1, y1, color = (0, 255, 0), thickness = 3)  if(fam == 16):t.draw_string(x, y-20, "TAG36H11", scale = 1.0, color = (255, 0, 0), thickness = 2)t.draw_string(x, y+h+15, str(int(length * 3.0649 - 2))+" cm", scale = 1.0, color = (255, 0, 0), thickness = 2)  display.show(t)

如果想要获取标签四个点的坐标只需要获取字典中键值为 corners 的列表中的值即可，而想获得外框(蓝色框)的坐标只需要获取字典中键值为 x , y , w , h 的的值，最后像代码中所操作的一样即可。

字典的键值如下所示： ‘x’ , ‘y’ , ‘w’ , ‘h’ , ‘id’ , ‘family’ , ‘centroid’ , ‘corners’ , ‘x_translation’ , ‘y_translation’ , ‘z_translation’ , ‘decision_margin’ , ‘hamming’ , ‘goodness’ , ‘x_rotation’ , ‘y_rotation’ , ‘z_rotation’。

介绍简单几个键值的含义。‘x’ , ‘y’ , ‘w’ , ‘h’ 键值返回的值分别是外框左上角 x 坐标和 y 坐标以及外框的长和宽。特别注意的是键值 ‘corners’ 返回的是一个列表，列表中的值代表着内框的四个顶点的坐标。

在这个代码里测距使用的原理同样类似于小孔成像，具体怎么用的可以去看之前的测距博客，我认识这个值并不是很准确（可能是追踪测距的缘故），后面我会将这个测距算法进行优化。

二、 AprilTag 获取角度信息以及三维坐标的显示

同样先看代码

#!/usr/bin/python3
from maix import display, camera
import mathf_x = (6 / 5.76) * 240 # 镜头的焦距是6MM，感光cmos的长是5.76mm，240像素是屏幕的长
f_y = (6 / 3.24) * 240 # 镜头的焦距是6MM，感光cmos的宽是3.24mm，240像素是屏幕的宽c_x = 240 * 0.5 # 屏幕分辨率的一半
c_y = 240 * 0.5 # 屏幕分辨率的一半while True:t = camera.capture()mks = t.find_apriltags(families = 16,fx = f_x,fy = f_y,cx = c_x,cy = c_y)for mk in mks:#内框数据x1,y1 = mk['corners'][0]   #访问字典的列表x2,y2 = mk['corners'][1]x3,y3 = mk['corners'][2]x4,y4 = mk['corners'][3]#获取角度信息x_rol = mk['x_rotation']y_rol = mk['y_rotation']z_rol = mk['z_rotation']#画内框t.draw_line(x1, y1, x2, y2, color = (0, 255, 0), thickness = 3)  t.draw_line(x2, y2, x3, y3, color = (0, 255, 0), thickness = 3)  t.draw_line(x3, y3, x4, y4, color = (0, 255, 0), thickness = 3)  t.draw_line(x4, y4, x1, y1, color = (0, 255, 0), thickness = 3)  #显示当前角度t.draw_string(2, 2, "X rotation is: "+str(int(180*x_rol/3.14))+" Angle", scale = 1.0, color = (0, 0, 255), thickness = 1)    #90° ~ 270°  正对着是180°。上下t.draw_string(2, 15, "Y rotation is: "+str(int(180*y_rol/3.14))+" Angle", scale = 1.0, color = (0, 0, 255), thickness = 1)   #0° ~ 90°，270° ~ 360°   正对着是0°。 左右t.draw_string(2, 30, "Z rotation is: "+str(int(180*z_rol/3.14))+" Angle", scale = 1.0, color = (0, 0, 255), thickness = 1)   #0° ~ 360°   正对着是0°。 顺时针旋转增加    #右下角画框t.draw_string(140, 120, "Space", scale = 1.0, color = (125, 0, 0), thickness = 2)  t.draw_rectangle(140, 140, 235, 235, color=(128, 128, 128), thickness=2) #画出三维坐标系t.draw_line(180, 200, int(180 - 40 * math.sin(z_rol)), int(240 - 40 * math.cos(z_rol) + 40 * math.cos(x_rol)), color = (255, 0, 0), thickness = 3)   t.draw_line(180, 200, int(140 + 40 * math.cos(z_rol) + 40 * math.cos(y_rol)), int(200 - 40 * math.sin(z_rol)), color = (0, 255, 0), thickness = 3) t.draw_line(180, 200, int(180 + 40 * math.sin(y_rol)),int(200 - 40 * math.sin(x_rol)), color = (0, 0, 255), thickness = 3) display.show(t)

如果想要获取标签的角度信息只需要获取字典中键值分别是 x_rotation，y_rotation，z_rotation 的的值即可，需要指出的是获取的值是弧度，需要转换成角度的话需要使用弧度转角度公式。将获取的弧度其乘上 180 再除以 3.14 即可（3.14选取了圆周率小数点后两位）。

x_rotation 转为角度后取值范围是 [90°,270°] 正对着标签时显示为 180° ，在标签前后移动时变化。 y_rotation 转为角度后取值范围是 [0°,90°]U[270°，360°] 正对着标签时显示为 0° ，在标签左右移动时变化。z_rotation 转为角度后取值范围是 [0°,360°] 正对着标签时显示为 0° ,在标签旋转时变化。

三、AprilTag多个三维坐标的显示

from maix import display, camera
import mathf_x = (6 / 5.76) * 240
f_y = (6 / 3.24) * 240 c_x = 240 * 0.5
c_y = 240 * 0.5 while True:t = camera.capture()mks = t.find_apriltags(families = 16,fx = f_x,fy = f_y,cx = c_x,cy = c_y)for mk in mks:#内框数据x1,y1 = mk['corners'][0]   #访问字典的列表x2,y2 = mk['corners'][1]x3,y3 = mk['corners'][2]x4,y4 = mk['corners'][3]x_rol = mk['x_rotation']y_rol = mk['y_rotation']z_rol = mk['z_rotation']#画内框t.draw_line(x1, y1, x2, y2, color = (0, 255, 0), thickness = 3)  t.draw_line(x2, y2, x3, y3, color = (0, 255, 0), thickness = 3)  t.draw_line(x3, y3, x4, y4, color = (0, 255, 0), thickness = 3)  t.draw_line(x4, y4, x1, y1, color = (0, 255, 0), thickness = 3)  t.draw_string(x4, y4, "xR: "+str(int(180*x_rol/3.14)), scale = 1.0, color = (255, 0, 0), thickness = 2)    #90° ~ 270°  正对着是180°。上下t.draw_string(x4, y4 + 15, "yR: "+str(int(180*y_rol/3.14)), scale = 1.0, color = (255, 0, 0), thickness = 2)   #0° ~ 90°，270° ~ 360°   正对着是0°。 左右t.draw_string(x4, y4 + 30, "zR: "+str(int(180*z_rol/3.14)), scale = 1.0, color = (255, 0, 0), thickness = 2)   #0° ~ 360°   正对着是0°。 顺时针旋转增加t.draw_line(x4, y4, int(x4 - 40 * math.sin(z_rol)), int(y4 + 40 - 40 * math.cos(z_rol) + 40 * math.cos(x_rol)), color = (255, 0, 0), thickness = 3)   t.draw_line(x4, y4, int(x4 - 40 + 40 * math.cos(z_rol) + 40 * math.cos(y_rol)), int(y4 - 40 * math.sin(z_rol)), color = (0, 0, 0), thickness = 3) t.draw_line(x4, y4, int(x4  + 40 * math.sin(y_rol)),int(y4 - 40 * math.sin(x_rol)), color = (0, 0, 255), thickness = 3) display.show(t)

总结

感觉加上一个jy-901陀螺仪，V831可以无限发挥他的功能。

V831——AprilTag标签识别相关推荐

产品经理也能动手实践的AI（四）- 多标签识别，图像分割
上一篇讲了产品经理也能动手实践的AI(三)- 深入图像识别,在线辨猫,形象的说明了SGD的原理,就是如何将一个线性函数你和到我们预设的散点图上.今天主要讲2个案例,1个核心模块,分别是卫星图像的多标签 ...
【2021 第五届“达观杯” 基于大规模预训练模型的风险事件标签识别】1 初赛Rank12的总结与分析
目录相关链接 1 赛题分析 2 引言 3 方案 3.1 传统DL方案 3.2 预训练方案 4 提分技巧 5 加快训练 6 总结和反思 7 参考资料相关链接 [2021 第五届"达观杯&q ...
2021 第五届“达观杯” 基于大规模预训练模型的风险事件标签识别】3 Bert和Nezha方案
目录相关链接 1 引言 2 NEZHA方案 2.1 预训练 2.2 微调 3 Bert 方案 3.1 预训练 3.2 微调 3 模型融合和TTA测试集数据增强 4 总结和反思 5 参考资料相关链接 ...
HTML img标签识别base64图片格式
img标签识别base64图片格式红色框框为需要带上的格式,有这个格式img标签才能对base64进行解码,后面白色框框为base64编码还有一些其他格式为: data:,文本数据 data:te ...
假如把二维码类似的标签识别技术做成语音片段，优势劣势有哪些？
假如把二维码类似的标签识别技术做成语音片段,优势劣势有哪些? 优势1:如果能把二维码信息转到人耳朵识别不到对人体无害的频率,那语音二维码的用户体验应该更高. 优势2:在o2o产业里以往的一个二维码只能 ...
阿里天池FashionAI服装属性标签识别Top1%方案分享
前言上周六刚刚结束FashionAI2018服装属性标签识别的复赛,比赛竞争十分激烈.比赛总共报名近3000支队伍,经过3个月的比拼,我们队伍最终获得了第11名的成绩.虽然离第十名只有一步之遥,但是 ...
阿里天池服装标签识别比赛新人赛练习经验心得 Tianchi FashionAI Attributes Recognition of Apparel
服装标签项目总结与心得先放项目代码仓库:https://github.com/JosephPai/FashionAI-Attributes 强烈欢迎Star/Follow 关于代码或者数据集如果有任 ...
FashionAI服装属性标签识别竞赛
初赛结束前一个月在Gluon论坛上看到了hetong007的帖子实战阿里天池竞赛--服饰属性标签识别,正好当时并无太多事情要忙,于是下载了代码和数据集,准备小试一下. 两个月后,比赛终于落下帷幕.尽管 ...
基于动物标签识别的基础知识以及FDX-B协议与结构介绍。
在此之前,要先了解一下动物识别标准. 1 国际动物识别标准介绍 ISO 11784:动物的射频识别--代码结构. ISO 11785:动物的射频识别--技术标准. ISO 11784和11785分别 ...
解决vscode开发小程序的标签识别问题
用vscode开发小程序,发现无法识别view标签,即使安装了小程序开发助手.wechat-snippet,问题依然存在. 在此记录一下解决方法:打开vscode的设置(ctrl+,)---- 选择编 ...

V831——AprilTag标签识别