无论是aruco还是apriltag二维码标定板检测的思路是提取一块四边形的区域，这个区域具有比周围亮度更低的特点。这个思路的主要优点是尽可能多的检测出所有可能的二维码，但是根据采集数据的环境极有可能出现异常线段，然后再根据二维码的编码值可以对野值进行剔除实现识别与定位。

ArUco

ArUco是一个开源的小型的AR虚拟现实增强库，已经集成在OpenCV3.0以上的版本，它除了用于现实增强，还很用于实现一些机器视觉方面的应用。

ArUco下载地址：https://sourceforge.net/projects/aruco/files/

ArUco开源库的几个特点如下：

1.基于C++；

2.仅依赖于OpenCV（≥2.4.9）和Eigen3；

3.BDS开源。

一个ArUco标记外围都有一组黑色边框，同时内部有着确定该标记ID的二维矩阵组合而成。黑色的边框能加速标记在图像中的检测速度，内部的二维编码能唯一识别该标记，同时进行错误检测和错误修复。标记的大小确定了内部矩阵的大小，例如4x4大小的标记有16个bit

aruco标志在环境中通常存在旋转，然而，检测的过程需要确定旋转的初始方向，因此，每一个角点在二维编码的过程中就会被唯一确定。

标记字典是一组被用来进行特殊应用的标记，它大大简化了每个marker二维码列表。字典的主要属性就是字典的大小和标志的大小：

字典大小：合成字典的marker的数量 (50 100 250 1000)

标志大小：marker的大小(bits 16 25 49 ...)

aruco模块中包含了一些已经预先定义好不同大小和数量的字典集

Aruco标记物生成

在检测之前，往往我们需要打印一些marker放到我们的环境中。Marker图案我们能通过drawMarker函数产生：

Aruco标记物检测

在包含ArUco标志的图片中，检测过程通常能返回被检测到的marker序列。每一个检测的Marker结果包括：

• marker四个角点在图片中的位置

• marker的id

Marker检测过程主要有两个步骤：

• 检测Marker的候选区域。

• 通过分析二维码确定marker

在opencv的ArUco模块中，主要通过detectMarkers()函数来完成，这个函数是整个模块中最重要的函数了，因为后续的函数处理几乎都依赖于该函数的检测结果。

位姿估计

当获取得到Marker的识别结果之后，就是确定相机姿态了。为了确定相机姿态，首先得知道相机的标定参数，内参和畸变。在估计每个ArUco标记的时候，我们能单独估计每个marker。如果你希望能从一系列的marker中估计一个pose，此时就需要ArUco Boards.

相机相对于marker的姿态是一个3d的旋转，从marker坐标系到camera坐标系。这个通过一个旋转和一个平移向量和描述。

标记坐标系统是假设z轴是朝外的，x是朝右边，y朝前进方向。标志角点在左上角点。

该库主要的类主要有：

aruco::Marker----视觉标志类；

aruco::MarkerDetector----视觉标志检测类；

aruco::MarkerPoseTracker----视觉标志姿态预估类；

aruco::MarkerMap-----视觉标志地图类；

aruco::MarkerMapPoseTracker----视觉标志地图姿态预估类；

aruco::CvDrawingUtils----绘图类；

注意：

aruco中的字典比如DICT_4X4_50是什么意思？

每个字典式表示位数和包含的标记数 标准的标记5×5位，0最小距离，4*4位表示marker标记要被划分的位数，边界为1比特位，所以4×4的marker识别时候会被分割为6×6的格子，最后面的数字表示字典里包含marker的个数，比如50个。

AprilTag

AprilTag是一个视觉基准系统，可用于各种任务，包括增强现实、机器人和摄像机校准。AprilTag检测可以计算标定板相对于相机的精确三维位置、方向和id。AprilTag库是用C实现的，没有外部依赖关系。该库可以很容易地包含在其他应用程序中，也可以移植到嵌入式设备上。即使在手机级处理器上也可以实现实时性能。

AprilTag的地址：

https://github.com/AprilRobotics/apriltag

AprilTag开源库的几个特点如下：

1.基于C；

2.不依赖其他第三方库；

3.BDS开源。

AprilTags在概念上类似于QR码，因为它们是一种二维条形码。然而，它们被设计成编码更小的数据有效载荷（4到12位之间），允许它们更可靠地被检测到，并且可以从更长的范围内被检测到。此外，他们是为高定位精度设计的，用户可以计算精确的AprilTag相对于相机三维位置。

所以一般AprilTag用于机器人领域比较多。

AprilTag的种类

AprilTag的种类叫家族（family）,有下面的几种：

TAG16H5 → 0 to 29

TAG25H7 → 0 to 241

TAG25H9 → 0 to 34

TAG36H10 → 0 to 2319

TAG36H11 → 0 to 586

ARTOOLKIT → 0 to 511

也就是说TAG16H5的家族（family）有30个，每一个都有对应的id，从0~29。

相关的论文

AprilTag: A robust and flexible visual fiducial system, ICRA 2011;

AprilTag 2: Efficient and robust fiducial detection, IROS 2016;

One useful application of AprilTags is camera calibration (AprilCal: Assisted and repeatable camera calibration, IROS 2013).

两者优劣比较

Aruco（在OpenCV中实现）

优点

• 易于设置（使用现成的aruco标记生成器、opencv和ros实现等）

• 更少的错误检测（使用默认参数）

缺点

• 较新版本的aruco是GPL许可的，因此opencv在aruco还是BSD的时候仍然停留在旧的实现上。

• 更容易在中长距离旋转模糊

• 更多适配参数

• 计算量更大

AprilTag（在AprilTag  ros中实现）

优点

• 更少的适配参数

• 即使在远距离也能很好地工作

• 美国宇航局使用

• 更灵活的标记设计（例如，标记可以不一定是正方形）

• 计算量较少

缺点

• 不太直接地进行配置和设置（没有opencv实现AFAIK，只有ros实现，获得标记的步骤稍微多一些）

• 更多错误检测（使用默认参数）

接下来本公众号将从opencv的中aruco模块中给的教程从理论到实践进行讲解。敬请期待ing...

资源

三维点云论文及相关应用分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

3D目标检测：MV3D-Net

三维点云分割综述（上）

3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）

win下使用QT添加VTK插件实现点云可视化GUI

JSNet：3D点云的联合实例和语义分割

大场景三维点云的语义分割综述

PCL中outofcore模块---基于核外八叉树的大规模点云的显示

基于局部凹凸性进行目标分割

基于三维卷积神经网络的点云标记

点云的超体素(SuperVoxel)

基于超点图的大规模点云分割

更多文章可查看：点云学习历史文章大汇总

SLAM及AR相关分享

【开源方案共享】ORB-SLAM3开源啦！

【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM

【点云论文速读】StructSLAM:结构化线特征SLAM

SLAM和AR综述

常用的3D深度相机

AR设备单目视觉惯导SLAM算法综述与评价

SLAM综述(4)激光与视觉融合SLAM

Kimera实时重建的语义SLAM系统

SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM

易扩展的SLAM框架-OpenVSLAM

高翔：非结构化道路激光SLAM中的挑战

SLAM综述之Lidar SLAM

基于鱼眼相机的SLAM方法介绍

往期线上分享录播汇总

第一期B站录播之三维模型检索技术

第二期B站录播之深度学习在3D场景中的应用

第三期B站录播之CMake进阶学习

第四期B站录播之点云物体及六自由度姿态估计

第五期B站录播之点云深度学习语义分割拓展

第六期B站录播之Pointnetlk解读

[线上分享录播]点云配准概述及其在激光SLAM中的应用

[线上分享录播]cloudcompare插件开发

[线上分享录播]基于点云数据的 Mesh重建与处理

[线上分享录播]机器人力反馈遥操作技术及机器人视觉分享

[线上分享录播]地面点云配准与机载点云航带平差

如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！

以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除

扫描二维码

关注我们

让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。

分享及合作：群主微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。

点一下“在看”你会更好看耶