【计算机视觉】相机姿态估计之标记检测-ArUco标记检测1

源OpenCV 3.2.0-dev http://docs.opencv.org/master/d9/d6d/tutorial_table_of_content_aruco.html

开篇说明

aruco标记二进制基准标记可用于摄像机位姿估计。他们的主要好处是，他们的检测是强大的，快速和简单。

aruco模块包括这些类型的标记和检测工具使用姿势估计和相机校正。此外,ChArUco功能结合ArUco标记与传统棋方格,允许一个简单的和通用的角点检测。模块还包括功能检测ChArUco角点,用于估计和相机校准。

姿态估计在许多计算机视觉应用中非常重要：机器人导航，增强现实等等。该过程基于查找真实环境中的点与其2D图像投影之间的对应关系。这通常是一个困难的步骤，因此通常使用合成或基准标记使其更容易。

最流行的方法之一是使用二元方形基准标记。这些标记的主要好处是单个标记提供足够的对应（其四个角）以获得相机姿势。此外，内部二进制编码使它们特别健壮，允许应用错误检测和校正技术的可能性。

aruco模块基于ArUco库，这是一个用于检测由RafaelMuñoz和Sergio Garrido开发的方形基准标记的流行库：

S. Garrido-Jurado，R.Muñoz-Salinas，FJ Madrid-Cuevas和MJMarín-Jiménez。 2014年。“在闭塞下自动生成和检测高度可靠的基准标记”。模式识别。 47,6（2014年6月），2280-2292。 DOI = 10.1016 / j.patcog.2014.01.005

aruco功能包括在：#include <opencv2 / aruco.hpp>

标记和词典

ArUco标记是由宽黑色边框和内部二进制矩阵组成的合成方形标记，其确定其标识符（id）。黑色边界便于其在图像中的快速检测，并且二进制编码允许其识别和错误检测和校正技术的应用。标记大小决定了内部矩阵的大小。例如，标记大小为4×4由16位组成。

ArUco标记的一些例子：

标记图像的示例

必须注意的是，可以发现标记在环境中旋转，然而，检测过程需要能够确定其原始旋转，从而明确地识别每个角落。这也是基于二进制编码完成的。

标记词典是在特定应用程序中考虑的一组标记。它只是其每个标记的二进制编码列表。

字典的主要属性是字典大小和标记大小。

字典大小是组成字典的标记的数量。
标记大小是这些标记的大小（位数）。

aruco模块包括一些预定义的词典，涵盖一系列不同的词典大小和标记大小。

可以认为标记id是通过将二进制编码转换为十进制基数而获得的数字。然而，这是不可能的，因为对于高标记尺寸，位数太高并且管理如此大量的数字是不实际的。相反，标记id只是它所属的字典中的标记索引。例如，字典中的前5个标记具有id：0,1,2,3和4。

有关字典的更多信息，请参阅“选择字典”部分。

标记创作

在检测之前，需要打印标记以便放置在环境中。可以使用drawMarker()函数生成标记图像。

例如，让我们分析以下调用：

cv::Mat markerImage;
cv::Ptr<cv::aruco::Dictionary> dictionary = cv::aruco::getPredefinedDictionary(cv::aruco::DICT_6X6_250);
cv::aruco::drawMarker(dictionary, 23, 200, markerImage, 1);

首先，通过选择aruco模块中的一个预定义词典来创建Dictionary对象。具体地说，该字典由250个标记和6×6位的标记大小（ DICT_6X6_250 ）组成。

drawMarker的参数是：

第一个参数是先前创建的Dictionary对象。
第二个参数是标记id，在这种情况下是字典DICT_6X6_250的标记23。请注意，每个字典由不同数量的标记组成。在这种情况下，有效ID从0到249.任何超出有效范围的特定id都将产生异常。
第三个参数200是输出标记图像的大小。在这种情况下，输出图像的大小为200×200像素。请注意，此参数应足够大，以存储特定字典的位数。因此，例如，对于6×6位的标记大小，您无法生成5×5像素的图像（并且不考虑标记边界）。此外，为避免变形，此参数应与位数+边界大小成比例，或至少远高于标记大小（如示例中的200），因此变形无关紧要。
第四个参数是输出图像。
最后，最后一个参数是一个可选参数，用于指定标记黑色边框的宽度。大小与位数成比例。例如，值为2表示边框的宽度等于两个内部位的大小。默认值为1。

生成的图像是：

生成的标记

完整的工作示例包含在模块示例文件夹内的create_marker.cpp 。

注意：现在，样本通过命令行通过OpenCV Commandline Parser获取输入。对于此文件，示例参数将如下所示

"/Users/Sarthak/Dropbox/OpenCV_GSoC/marker.png" -d=10 -id=1

标记检测

给定一些ArUco标记可见的图像，检测过程必须返回检测到的标记列表。每个检测标记包括：

图像中四个角的位置（按原始顺序）。
标记的id。

标记检测过程包括两个主要步骤：

检测候选标记。在该步骤中，分析图像以找到作为标记的候选的正方形形状。它首先进行自适应阈值处理以对标记进行分割，然后从阈值图像中提取轮廓，并丢弃那些非凸起或不接近正方形的轮廓。还应用了一些额外的过滤（去除太小或太大的轮廓，去除彼此太近的轮廓等）。
在候选检测之后，有必要通过分析它们的内部编码来确定它们是否实际上是标记。此步骤首先提取每个标记的标记位。为此，首先，应用透视变换以获得其规范形式的标记。然后，使用Otsu对规范图像进行阈值处理以分离白色和黑色位。根据标记大小和边界大小将图像分成不同的单元格，并计算每个单元格上的黑色或白色像素的数量，以确定它是白色还是黑色位。最后，分析比特以确定标记是否属于特定字典，并且在必要时采用纠错技术。

请考虑以下图像：

带标记的原始图像

这些是检测到的标记（绿色）：

检测到标记的图像

这些是在识别步骤中被拒绝的标记候选者（粉红色）：

拒绝候选人的形象

在aruco模块中，检测在detectMarkers()函数中执行。此功能在模块中是最重要的，因为所有其余功能都基于detectMarkers()返回的先前检测到的标记。

标记检测的一个例子：

cv::Mat inputImage;
...
std::vector<int> markerIds;
std::vector<std::vector<cv::Point2f>> markerCorners, rejectedCandidates;
cv::Ptr<cv::aruco::DetectorParameters> parameters;
cv::Ptr<cv::aruco::Dictionary> dictionary = cv::aruco::getPredefinedDictionary(cv::aruco::DICT_6X6_250);
cv::aruco::detectMarkers(inputImage, dictionary, markerCorners, markerIds, parameters, rejectedCandidates);

detectMarkers的参数是：

第一个参数是将要检测标记的图像。
第二个参数是字典对象，在这种情况下是一个预定义的字典（ DICT_6X6_250 ）。
检测到的标记存储在markerCorners和markerIds结构中：
- markerCorners是检测到的标记的角点列表。对于每个标记，其四个角以其原始顺序返回（从左上角开始顺时针）。因此，第一个角是左上角，然后是右上角，右下角和左下角。
- markerIds是markerIds中每个检测到的标记的id列表。请注意，返回的markerCorners和markerIds向量具有相同的大小。
第四个参数是DetectionParameters类型的对象。此对象包括可在检测过程中自定义的所有参数。这些参数将在下一节中详细说明。
最终参数rejectedCandidates是一个返回的标记候选列表，即已找到的那些方格，但它们不提供有效的编码。每个候选者也由其四个角定义，其格式与markerCorners参数相同。此参数可以省略，仅用于调试目的和“refind”策略（请参阅refineDetectedMarkers() ）。

在detectMarkers()检查您的标记是否已被正确检测之后，您可能想要做的下一件事。幸运的是，aruco模块提供了一个在输入图像中绘制检测到的标记的功能，这个功能是drawDetectedMarkers() 。例如：

cv::Mat outputImage
cv::aruco::drawDetectedMarkers(image, markerCorners, markerIds);

image是输入/输出图像，其中将绘制标记（它通常与检测到标记的图像相同）。
markerCorners和markerIds是detectMarkers()函数提供的相同格式的检测到的标记的结构。

检测到标记的图像

请注意，此功能仅用于可视化，可以完全省略其使用。

通过这两个函数，我们可以创建一个基本的标记检测循环来检测来自我们相机的标记：

cv::VideoCapture inputVideo;
inputVideo.open(0);
cv::Ptr<cv::aruco::Dictionary> dictionary = cv::aruco::getPredefinedDictionary(cv::aruco::DICT_6X6_250);
while (inputVideo.grab()) {
    cv::Mat image, imageCopy;
    inputVideo.retrieve(image);
    image.copyTo(imageCopy);
    std::vector<int> ids;
    std::vector<std::vector<cv::Point2f> > corners;
    cv::aruco::detectMarkers(image, dictionary, corners, ids);
    // if at least one marker detected
    if (ids.size() > 0)
        cv::aruco::drawDetectedMarkers(imageCopy, corners, ids);
    cv::imshow("out", imageCopy);
    char key = (char) cv::waitKey(waitTime);
    if (key == 27)
        break;
}

请注意，某些可选参数已被省略，例如检测参数对象或被拒绝候选者的输出向量。

完整的工作示例包含在模块示例文件夹内的detect_markers.cpp 。

注意：现在，样本通过命令行通过OpenCV Commandline Parser获取输入。对于此文件，示例参数将如下所示

-c="_path_/calib.txt" -d=10

姿势估计

在检测到标记后，您可能想要做的下一件事是从它们获取相机姿势。

要执行相机姿态估计，您需要知道相机的校准参数。这是相机矩阵和失真系数。如果您不知道如何校准相机，可以查看calibrateCamera()函数和OpenCV的校准教程。您也可以使用aruco模块校准相机，如使用aruco校准教程中所述。请注意，除非修改相机光学系统（例如更改其焦点），否则只需执行一次。

最后，校准后得到的是相机矩阵：具有焦距和相机中心坐标（又称内部参数）的3×3元素矩阵，以及失真系数：5个元素或更多元素的矢量模型相机产生的失真。

使用ArUco标记估计姿势时，您可以单独估计每个标记的姿势。如果你想从一组标记估计一个姿势，你想要使用的是aruco Boards（参见ArUco Boards教程）。

相对于标记的相机姿势是从标记坐标系到相机坐标系的3d变换。它由旋转和平移向量solvePnP()有关更多信息，请参阅solvePnP()函数）。

aruco模块提供估计所有检测到的标记的姿势的功能：

cv::Mat cameraMatrix, distCoeffs;
...
std::vector<cv::Vec3d> rvecs, tvecs;
cv::aruco::estimatePoseSingleMarkers(corners, 0.05, cameraMatrix, distCoeffs, rvecs, tvecs);

detectMarkers()参数是detectMarkers()函数返回的标记角的矢量。
第二个参数是标记面的大小（以米为单位）或任何其他单位。注意，估计姿势的平移向量将在同一单元中
cameraMatrix和distCoeffs是需要先验知道的相机校准参数。
rvecs和tvecs分别是角落中每个标记的旋转和平移向量。

此功能假定的标记坐标系位于标记的中心，Z轴指向外，如下图所示。轴颜色对应关系为X：红色，Y：绿色，Z：蓝色。

轴绘制的图像

aruco模块提供绘制轴的功能，如上图所示，因此可以检查姿势估计：

cv::aruco::drawAxis(image, cameraMatrix, distCoeffs, rvec, tvec, 0.1);

image是输入/输出图像，其中将绘制轴（它通常与检测到标记的图像相同）。
cameraMatrix和distCoeffs是相机校准参数。
rvec和tvec是要绘制轴的姿势参数。
最后一个参数是轴的长度，与tvec（通常是米）相同的单位

单个标记的姿势估计的基本完整示例：

cv::VideoCapture inputVideo;
inputVideo.open(0);
cv::Mat cameraMatrix, distCoeffs;
// camera parameters are read from somewhere
readCameraParameters(cameraMatrix, distCoeffs);
cv::Ptr<cv::aruco::Dictionary> dictionary = cv::aruco::getPredefinedDictionary(cv::aruco::DICT_6X6_250);
while (inputVideo.grab()) {
    cv::Mat image, imageCopy;
    inputVideo.retrieve(image);
    image.copyTo(imageCopy);
    std::vector<int> ids;
    std::vector<std::vector<cv::Point2f>> corners;
    cv::aruco::detectMarkers(image, dictionary, corners, ids);
    // if at least one marker detected
    if (ids.size() > 0) {
        cv::aruco::drawDetectedMarkers(imageCopy, corners, ids);
        std::vector<cv::Mat> rvecs, tvecs;
        cv::aruco::estimatePoseSingleMarkers(corners, 0.05, cameraMatrix, distCoeffs, rvecs, tvecs);
        // draw axis for each marker
        for(int i=0; i<ids.size(); i++)
            cv::aruco::drawAxis(imageCopy, cameraMatrix, distCoeffs, rvecs[i], tvecs[i], 0.1);
    }
    cv::imshow("out", imageCopy);
    char key = (char) cv::waitKey(waitTime);
    if (key == 27)
        break;
}

视频示例：

https://www.youtube.com/watch?v=IsXWrcB_Hvs#action=share

完整的工作示例包含在模块示例文件夹内的detect_markers.cpp 。

注意：现在，样本通过命令行通过OpenCV Commandline Parser获取输入。对于此文件，示例参数将如下所示

-c="_path_/calib.txt" -d=10

选择字典

aruco模块提供Dictionary类来表示标记字典。

除了标记大小和字典中标记的数量之外，还有另一个重要的字典参数，即标记间距离。标记间距离是其标记之间的最小距离，并且它确定字典的错误检测和校正能力。

通常，较低的字典大小和较高的标记大小增加了标记间距离，反之亦然。然而，由于需要从图像中提取的比特量较大，因此检测具有较大尺寸的标记更复杂。

例如，如果您的应用程序中只需要10个标记，最好使用仅由这10个标记组成的字典，而不是使用由1000个标记组成的一个字典。原因是由10个标记组成的字典将具有更高的标记间距离，因此，它将更容易出错。

因此，aruco模块包括几种选择标记字典的方法，以便您可以提高系统的稳健性：

预定义词典：

这是选择字典的最简单方法。 aruco模块包括一组具有各种标记大小和标记数量的预定义字典。例如：


cv::Ptr<cv::aruco::Dictionary> dictionary = cv::aruco::getPredefinedDictionary(cv::aruco::DICT_6X6_250);

DICT_6X6_250是具有6×6位和总共250个标记的预定义标记字典的示例。

从所有提供的词典中，建议选择适合您应用的较小词典。例如，如果您需要200个6×6位标记，则最好使用DICT_6X6_250而不是DICT_6X6_1000。字典越小，标记间距离越高。

自动字典生成：

可以自动生成字典以调整所需的标记和位数，从而优化标记间距离：

cv :: Ptr <cv :: aruco :: Dictionary> dictionary = cv :: aruco :: generateCustomDictionary（36,5）;

这将生成由36个5×5位标记组成的自定义字典。该过程可能需要几秒钟，具体取决于参数（较大的字典和较高的位数较慢）。

手动字典生成：

最后，可以手动配置字典，以便可以使用任何编码。为此，需要手动分配Dictionary对象参数。必须注意的是，除非您有特殊原因要手动执行此操作，否则最好使用之前的备选方案之一。

class Dictionary {
    public:
    Mat bytesList;
    int markerSize;
    int maxCorrectionBits; // maximum number of bits that can be corrected
    ...
}

{bytesList```}
 of each marker dimension (for instance, 5 for markers with 5x5 bits). Finally, ```maxCorrectionBits``` is
the maximum number of erroneous bits that can be corrected during the marker detection. If this value is too
high, it can lead to a high amount of false positives.
Each row in ```bytesList``` represents one of the dictionary markers. However, the markers are not stored in its
binary form, instead they are stored in a special format to simplificate their detection.
Fortunately, a marker can be easily transformed to this form using the static method ```Dictionary::getByteListFromBits()```.
For example:
``` c++
    cv::aruco::Dictionary dictionary;
    // markers of 6x6 bits
    dictionary.markerSize = 6;
    // maximum number of bit corrections
    dictionary.maxCorrectionBits = 3;
    // lets create a dictionary of 100 markers
    for(int i=0; i<100; i++)
    {
        // assume generateMarkerBits() generate a new marker in binary format, so that
        // markerBits is a 6x6 matrix of CV_8UC1 type, only containing 0s and 1s
        cv::Mat markerBits = generateMarkerBits();
        cv::Mat markerCompressed = cv::aruco::Dictionary::getByteListFromBits(markerBits);
        // add the marker as a new row
        dictionary.bytesList.push_back(markerCompressed);
    }

探测器参数

detectMarkers()函数的一个参数是DetectorParameters对象。此对象包括可在标记检测过程中自定义的所有选项。

在本节中，所有这些参数都被注释掉了。参数可以根据它们涉及的过程进行分类：

阈值

标记检测过程的第一步骤之一是输入图像的自适应阈值处理。

例如，上面使用的样本图像的阈值图像是：

阈值图像

可以在以下参数中自定义此阈值：

int adaptiveThreshWinSizeMin ， int adaptiveThreshWinSizeMax ， int adaptiveThreshWinSizeStep

adaptiveThreshWinSizeMin和adaptiveThreshWinSizeMax参数表示为自适应阈值选择阈值窗口大小（以像素为单位）的间隔（请参阅OpenCV）

{阈值（）“`}

参数“`adaptiveThreshWinSizeStep“`表示窗口大小的增量

“`adaptiveThreshWinSizeMin“`到adaptiveThreshWinSizeMax“`。

例如，对于值“`adaptiveThreshWinSizeMin“` = 5和adaptiveThreshWinSizeMax“` = 21和

“`adaptiveThreshWinSizeStep“` = 4，将有5个阈值步骤，窗口大小为5,9,13,17和21。

在每个阈值图像上，将提取候选标记。

如果标记尺寸太大，窗口大小的低值可能会“破坏”标记边界

它不会被检测到，如下图所示：

！[破碎的标记图像]（images / singlemarkersbrokenthresh.png）

另一方面，如果标记太小，太高的值可以产生相同的效果，并且它也可以

降低性能。此外，该过程将倾向于全球阈值，失去适应性益处。

最简单的情况是对“`adaptiveThreshWinSizeMin“`使用相同的值

“`adaptiveThreshWinSizeMax“`，它产生一个阈值步骤。但是，通常使用a更好

窗口大小的值范围，尽管许多阈值处理步骤也会显着降低性能。

默认值：

“`adaptiveThreshWinSizeMin“`：3，“`adaptiveThreshWinSizeMax“`：23，“`adaptiveThreshWinSizeStep“`：10

– “`double adaptiveTConstan

此参数表示在阈值条件中添加的常量值（请参阅OpenCV

{阈值（）“`}

默认值：7

####轮廓过滤

阈值处理后，检测轮廓。但是，不是所有的轮廓

被认为是候选人。它们在不同的步骤中被过滤掉，以便形成轮廓

不太可能被标记丢弃。本节中的参数是自定义的

这个过滤过程。

必须指出的是，在大多数情况下，检测能力之间存在平衡问题

和表现。所有考虑的轮廓将在以下阶段处理，通常具有

更高的计算成本。因此，最好在此阶段丢弃错误的候选人，而不是在后期阶段。

另一方面，如果过滤条件太严格，可以丢弃真实的标记轮廓，

因此，没有检测到。

– “`double minMarkerPerimeterRate“`，“`double maxMarkerPerimeterRat

这些参数确定标记的最小和最大尺寸，具体地说是标记的最大和最小标记周长。它们未以绝对像素值指定，而是相对于输入图像的最大尺寸指定。

例如，尺寸为640×480且最小相对标记周长为0.05的图像将导致最小标记周长为640×0.05 = 32像素，因为640是图像的最大尺寸。这同样适用于maxMarkerPerimeterRate参数。

如果minMarkerPerimeterRate太低，则会严重影响检测性能，因为将来会考虑更多轮廓。对于maxMarkerPerimeterRate参数，这种惩罚并不明显，因为通常存在比大轮廓更多的小轮廓。 minMarkerPerimeterRate值为0且maxMarkerPerimeterRate值为4（或更多）将等效于考虑图像中的所有轮廓，但出于性能原因，不建议这样做。

默认值：

{} minMarkerPerimeterRate“`

– “`double polygonalApproxAccuracyRat

对每个候选者应用多边形近似，并且仅接受那些接近正方形的那些。此值确定多边形近似可以产生的最大误差approxPolyDP()有关详细信息，请参阅approxPolyDP()函数）。

此参数与候选长度（以像素为单位）相关。因此，如果候选者的周长为100像素且polygonApproxAccuracyRate的值为0.04，则最大误差为100×0.04 = 5.4像素。

在大多数情况下，默认值工作正常，但高失真图像可能需要更高的误差值。

默认值：0.05

double minCornerDistanceRate

同一标记中任意一对角之间的最小距离。它相对于标记周长表示。最小距离（以像素为单位）为Perimeter * minCornerDistanceRate。

默认值：0.05

double minMarkerDistanceRate

两个不同标记的任意一对角之间的最小距离。它相对于两个标记的最小标记周长表示。如果两个候选人太近，则忽略较小的候选人。

默认值：0.05

int minDistanceToBorder

到图像边框的任何标记角的最小距离（以像素为单位）。如果遮挡很小，则可以正确地检测到图像边界部分遮挡的标记。但是，如果其中一个角被遮挡，则返回的角通常被放置在图像边界附近的错误位置。

如果标记角的位置很重要，例如，如果要进行姿势估计，最好丢弃任何角落太靠近图像边界的标记。在其他地方，没有必要。

默认值：3

比特提取

在候选检测之后，分析每个候选的比特以确定它们是否是标记。

在分析二进制代码本身之前，需要提取这些位。为此，去除透视畸变并使用Otsu阈值对得到的图像进行阈值处理以分离黑色和白色像素。

这是删除标记的透视变形后获得的图像的示例：

透视删除

然后，将图像划分为具有与标记中的位数相同的单元格的网格。在每个单元格上，计算黑色和白色像素的数量以确定分配给单元格的位（来自多数值）：

标记细胞

有几个参数可以自定义此过程：

int markerBorderBits

此参数指示标记边框的宽度。它与每个钻头的大小有关。因此，值为2表示边框具有两个内部位的宽度。

此参数需要与您正在使用的标记的边框大小一致。可以在标记绘图功能（如drawMarker()配置边框大小。

默认值：1

double minOtsuStdDev

此值确定要执行Otsu阈值处理的像素值的最小标准偏差。如果偏差很小，则可能意味着所有方形都是黑色（或白色），并且应用Otsu没有意义。如果是这种情况，则所有位都设置为0（或1），具体取决于平均值是高于还是低于128。

默认值：5.0

int perpectiveRemovePixelPerCell

该参数确定在去除透视失真（包括边界）之后所获得的图像中的像素数（每个单元）。这是上图中红色方块的大小。

例如，假设我们正在处理5×5位和1位边框大小的标记（请参阅markerBorderBits ）。然后，每个维度的单元/比特的总数是5 + 2 * 1 = 7（边界必须被计数两次）。细胞总数为7×7。

如果perpectiveRemovePixelPerCell的值是10，则获得的图像的大小将是10 * 7 = 70-> 70×70像素。

此参数的较高值可以改善位提取过程（在某种程度上），但是它可能会影响性能。

默认值：4

double perspectiveRemoveIgnoredMarginPerCell

当提取每个单元的位时，计算黑色和白色像素的数量。通常，不建议考虑所有单元像素。相反，最好忽略单元格边缘的一些像素。

其原因在于，在去除透视畸变之后，细胞的颜色通常不是完全分离的，并且白色细胞可以侵入黑色细胞的一些像素（反之亦然）。因此，最好忽略一些像素，以避免计算错误的像素。

例如，在下图中：

标记细胞边缘

只考虑绿色方块内的像素。在右图中可以看出，得到的像素包含来自相邻单元的较低量的噪声。 perspectiveRemoveIgnoredMarginPerCell参数指示红色和绿色方块之间的差异。

此参数与单元格的总大小有关。例如，如果单元大小为40像素并且该参数的值为0.1，则在单元中忽略40 * 0.1 = 4像素的余量。这意味着在每个单元格上分析的像素总量实际上是32×32，而不是40×40。

默认值：0.13

标记识别

在提取了比特之后，下一步是检查提取的代码是否属于标记字典，并且如果需要，可以执行纠错。

double maxErroneousBitsInBorderRate

标记边框的位应为黑色。此参数指定边框中允许的错误位数，即边框中的最大白位数。它表示相对于标记中的总位数。

默认值：0.35

double errorCorrectionRate

每个标记字典具有可以校正的理论最大位数（ Dictionary.maxCorrectionBits ）。但是，可以通过errorCorrectionRate参数修改此值。

例如，如果可以校正的允许比特数（对于使用的字典）是6并且errorCorrectionRate的值是0.5，则可以校正的实际最大比特数是6 * 0.5 = 3比特。

此值有助于减少纠错功能，以避免误报。

默认值：0.6

角落细化

在检测并识别出标记之后，最后一步是在角落位置执行子像素细化（参见OpenCV cornerSubPix()和cv::aruco::CornerRefineMethod ）

请注意，此步骤是可选的，只有在标记角的位置必须准确时才有意义，例如用于姿势估计。这通常是一个耗时的步骤，默认情况下禁用。

int cornerRefinementMethod

此参数确定是否执行角落子像素处理。如果不需要精确的角，可以禁用它。

默认值： CORNER_REFINE_NONE 。

int cornerRefinementWinSize

此参数确定子像素细化过程的窗口大小。

高值可以产生窗口区域中包括闭合图像角落的效果，使得标记角落在处理期间移动到不同的错误位置。此外，它会影响性能。

默认值：5

int cornerRefinementMaxIterations ， double cornerRefinementMinAccuracy

这两个参数确定子像素细化过程的停止标准。它cornerRefinementMaxIterations表示cornerRefinementMinAccuracy停止进程前的最大迭代次数和最小错误值。

如果迭代次数太多，则会影响性能。另一方面，如果它太低，则会产生较差的子像素细化。

默认值：

cornerRefinementMaxIterations：30，cornerRefinementMinAccuracy：0.1

http://docs.opencv.org/master/d5/dae/tutorial_aruco_detection.html

开篇 说明

标记和词典

标记创作

标记检测

姿势估计

选择字典

探测器参数

阈值

你可能也喜欢

开篇说明