ROS二维码识别以及OKR使用

最新推荐文章于 2024-07-11 20:43:10 发布
最新推荐文章于 2024-07-11 20:43:10 发布
阅读量7.3k 收藏 59
点赞数 4
分类专栏： Robot
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kuizhao8951/article/details/104527897
版权

二维码识别(ar_track_alvar)
安装
sudo apt-get install ros-kinetic-ar-track-alvar
生成二维码
rosrun ar_track_alvar createMarker AR_ID
eg:
rosrun ar_track_alvar createMarker 0
查看帮助
rosrun ar_track_alvar createMarker
创建一系列二维码标签
roscd robot_vision/config
rosrun ar_track_alvar createMarker -s 5 0
rosrun ar_track_alvar createMarker -s 5 1
rosrun ar_track_alvar createMarker -s 5 2

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

摄像头识别二维码
ar_track_alvar功能包支持USB和RGB-D摄像头作为识别二维码的视觉传感器，分别对应于individualMarkersNoKinect和invidualMarkers两个不同的识别节点。

asber@asber-X550VX:~$ rosrun ar_track_alvar 
createMarker               individualMarkers
findMarkerBundles          individualMarkersNoKinect
findMarkerBundlesNoKinect  trainMarkerBundle

因为不论是二维码还是物品都要坐标变换到全局
我们按照这篇文章教我们的来实践一下。

    <launch>
        <node pkg="tf" type="static_transform_publisher" name="world_to_cam" args="0 0 0 0 0 0 map usb_cam 10" />
        //map usb_cam 都是 frame_id. 这里切记 args 里边的结果 x,y,z 以及rpy会累加计算到

        <arg name="marker_size" default="12.0" />
        <arg name="max_new_marker_error" default="0.05" />
        <arg name="max_track_error" default="0.05" />
        <arg name="cam_image_topic" default="/usb_cam/image_raw" />
        <arg name="cam_info_topic" default="/usb_cam/camera_info" />
        <arg name="output_frame" default="/map" />
        <node name="ar_track_alvar" pkg="ar_track_alvar" type="individualMarkersNoKinect" respawn="false" output="screen">
            <param name="marker_size" type="double" value="$(arg marker_size)" />
            <param name="max_new_marker_error" type="double" value="$(arg max_new_marker_error)" />
            <param name="max_track_error" type="double" value="$(arg max_track_error)" />
            <param name="output_frame" type="string" value="$(arg output_frame)" />
            <remap from="camera_image" to="$(arg cam_image_topic)" />
            <remap from="camera_info" to="$(arg cam_info_topic)" />
        </node>
    </launch>

修改为

<launch>
	<arg name="marker_size" default="50" />  <!--定义marker最外框的尺寸，注意单位是厘米-->
	<arg name="max_new_marker_error" default="0.09" /> 
	<arg name="max_track_error" default="0.2" />
	<arg name="cam_image_topic" default="/camera/rgb/image_raw" /> <!--修改为自己发布的图像话题-->
	<arg name="cam_info_topic" default="/camera/rgb/camera_info" /> <!--修改为自己发布的标定参数话题-->
	<arg name="output_frame" default="/camera_link" /> <!--修改为图片所在的坐标系，关系到后续的坐标系自动转换-->

	<node name="ar_track_alvar" pkg="ar_track_alvar" type="individualMarkersNoKinect" respawn="false" output="screen"
	 args="$(arg marker_size) $(arg max_new_marker_error) $(arg max_track_error) $(arg cam_image_topic) $(arg cam_info_topic) $(arg output_frame)" />
</launch>

rosrun ar_track_alvar createMarker -1 toilet
rosrun ar_track_alvar createMarker -1 office_of_ye
rosrun ar_track_alvar createMarker -1 my_workspace

在这里插入图片描述
启动你的摄像头，启动标签检测节点，就可以看到有话题发布出来了，观察标签话题
在gazebo里面我们弄出一个带标签的box
https://zhuanlan.zhihu.com/p/92453712

<static>true</static>

把这句话插入link节点的上方，就可以使模型不能移动——https://blog.csdn.net/xk_t9_98568/article/details/21116575
下面是最后的sdf文件 可以看到我把牌子设定为0.496m的宽度

<?xml version='1.0'?>
<sdf version='1.4'>
  <model name="mark_label">
    <static>true</static>
    <link name='link'>
      <pose>0 0 0.115 0 0 0</pose>
      <inertial>
        <mass>0.390</mass>
        <inertia>
          <ixx>0.00058</ixx>
          <ixy>0</ixy>
          <ixz>0</ixz>
          <iyy>0.00058</iyy>
          <iyz>0</iyz>
          <izz>0.00019</izz>
        </inertia>
      </inertial>
      <collision name='collision'>
        <geometry>
                <box>
                  <size>.496 .496 .01</size>
                </box>
        </geometry>
      </collision>

      <visual name='visual'>
        <geometry>
                <box>
                  <size>.496 .496 .01</size>
                </box>
        </geometry>

        <material>
          <script>
            <uri>model://mark_label/materials/scripts</uri>
            <uri>model://mark_label/materials/textures</uri>
            <name>Mark/Diffuse</name>
          </script>
        </material>
      </visual>
    </link>     
  </model>
</sdf>

在这里插入图片描述虽然在gazebo中发现并不是很好的识别，但是在真实环境下使用电脑摄像头进行标定之后，识别效果很不错
/ar_pose_marker 这个topic列出了

---
header: 
  seq: 1046
  stamp: 
    secs: 0
    nsecs:         0
  frame_id: ''
markers: 
  - 
    header: 
      seq: 0
      stamp: 
        secs: 1583043220
        nsecs: 292708382
      frame_id: "/usb_cam"
    id: 0
    confidence: 0
    pose: 
      header: 
        seq: 0
        stamp: 
          secs: 0
          nsecs:         0
        frame_id: ''
      pose: 
        position: 
          x: 0.0454303788343
          y: 0.0435731577591
          z: 0.713923954759
        orientation: 
          x: 0.0652061198575
          y: 0.984560100669
          z: -0.137542302708
          w: 0.0864389094638
---

如果检测到多个会出现

header: 
  seq: 175
  stamp: 
    secs: 0
    nsecs:         0
  frame_id: ''
markers: 
  - 
    header: 
      seq: 0
      stamp: 
        secs: 1583043843
        nsecs: 832021582
      frame_id: "/usb_cam"
    id: 13
    confidence: 0
    pose: 
      header: 
        seq: 0
        stamp: 
          secs: 0
          nsecs:         0
        frame_id: ''
      pose: 
        position: 
          x: -0.225492470716
          y: -0.0751703811534
          z: 2.33414874325
        orientation: 
          x: 0.968313888783
          y: 0.185389896448
          z: -0.0393726493893
          w: 0.162630235703
  - 
    header: 
      seq: 0
      stamp: 
        secs: 1583043843
        nsecs: 832021582
      frame_id: "/usb_cam"
    id: 16
    confidence: 0
    pose: 
      header: 
        seq: 0
        stamp: 
          secs: 0
          nsecs:         0
        frame_id: ''
      pose: 
        position: 
          x: -0.326423448551
          y: 0.167249999227
          z: 2.2873627328
        orientation: 
          x: 0.96040035328
          y: 0.190934984989
          z: 0.168130902833
          w: -0.113608945244

这样的情况（2个为例）
这里的frame_id都是/usb_cam
id: 16代表检测到16这个数字的arcode
之后测试如果是toilet这样的arcode id是什么
总之我们可以检测到了。下面我们

<launch>

    <node pkg="tf" type="static_transform_publisher" name="world_to_cam" 
          args="0 0 0.5 0 1.57 0 world usb_cam 10" />
        
    <arg name="marker_size" default="20" />
    <arg name="max_new_marker_error" default="0.08" />
    <arg name="max_track_error" default="0.2" />
    <arg name="cam_image_topic" default="/usb_cam/image_raw" />
    <arg name="cam_info_topic" default="/usb_cam/camera_info" />
    <arg name="output_frame" default="/usb_cam" />
        
    <node name="ar_track_alvar" pkg="ar_track_alvar" type="individualMarkersNoKinect" respawn="false" output="screen">
        <param name="marker_size"           type="double" value="$(arg marker_size)" />
        <param name="max_new_marker_error"  type="double" value="$(arg max_new_marker_error)" />
        <param name="max_track_error"       type="double" value="$(arg max_track_error)" />
        <param name="output_frame"          type="string" value="$(arg output_frame)" />

        <remap from="camera_image"  to="$(arg cam_image_topic)" />
        <remap from="camera_info"   to="$(arg cam_info_topic)" />
    </node>

    <!-- rviz view /-->
    <node pkg="rviz" type="rviz" name="rviz" args="-d $(find robot_vision)/config/ar_track_camera.rviz"/>

</launch>

接下去花另一csdn的章节来记录tf变换获取二维码的world pose。
https://zhuanlan.zhihu.com/p/59291168

参考：
https://blog.csdn.net/qq_23670601/article/details/91612289
http://chinaunix.net/uid-27875-id-5823988.html
http://wiki.ros.org/ar_track_alvar/
https://blog.csdn.net/zzu_seu/article/details/89289556

物体识别框架(OKR, Object Recognition Kitchen)
包含了多种三维物体识别的方法。
sudo apt-get install ros-indigo-object-recognition-kitchen-* 备注：没有安装成功(ubuntu16.04)
kinetic版本下的安装：
１)安装依赖库
sudo apt-get install meshlab
sudo apt-get install libosmesa6-dev
sudo apt-get install python-pyside.qtcore
sudo apt-get install python-pyside.qtgui
２）下载源码安装
mkdir ork_ws && cd ork_ws (我是在另一个文件夹 不是catkin_ws）
wstool init src https://raw.github.com/wg-perception/object_recognition_core/master/doc/source/ork.rosinstall.kinetic.plus
cd src && wstool update -j8
cd … && rosdep install --from-paths src -i -y
cd src && git clone https://github.com/jbohren/xdot.git
cd … && catkin_make
echo “source ~/ork_ws/devel/setup.bash” >> ~/.bashrc
source ~/.bashrc

该命令会安装OKR中以下功能包：
1)object-recognition-core: 核心功能包，提供多种物体识别的算法，以及模型训练和模型数据库配置的工具
2)object-recognition-linemod:基于OpenCV中linemod方法的物体识别，擅长刚性物体的识别
3)object-recognition-tabletop:用于同一平面上pick-and-place操作中的物体识别方法
4)object-recognition-tod: Textured Object Recognition,基于物体外部文理的识别方法
5)object-recognition-reconstruction: 使用RGB-D摄像头构建物体3D模型
6)object-recognition-renderer: 渲染物体模型的可视化显示
7)object-recognition-msgs:定义object-recognition-core功能包中所需要的message和action
8)object-recognition-capture: 从3D视图中获取物体信息
9)object-recognition-transparent-objects:识别和估计物体的位姿
10)object-recognition-ros-visualization: 物体识别可视化显示的rviz插件

建立物体模型库
安装
sudo apt-get install couchdb
测试是否安装完成
curl -X GET http://localhost:5984

{“couchdb”:“Welcome”,“uuid”:“81d25f44640bec653fe2487894749418”,“version”:“1.6.0”,“vendor”:{“name”:“Ubuntu”,“version”:“15.10”}}

创建一条可乐罐模型
rosrun object_recognition_core object_add.py -n "coke " -d “A universal can of coke” --commit
浏览器中打开网址http://localhost:5984/_utils/database.html?object_recognition/_design/objects/_view/by_object_name可以看到
在这里插入图片描述 复制ID“be4814630fa4e7a722eecd7f1c000ae3”
下载可乐罐模型(注意下载的路径，把该文件包下载到ork_ws/src/下)
git clone https://github.com/wg-perception/ork_tutorials
rosrun object_recognition_core mesh_add.py be4814630fa4e7a722eecd7f1c000ae3 ~/ork_ws/src/ork_tutorials/data/coke.stl --commit
安装couchapp工具，在浏览器中查看具体模型
sudo pip install git+https://github.com/couchapp/couchapp.git
若执行上个命令，提示如下信息，则需要安装pip

 sudo apt-get update
 sudo apt-get upgrade
sudo apt-get install python-pip

rosrun object_recognition_core push.sh
在浏览器中查看： http://localhost:5984/or_web_ui/_design/viewer/index.html
在这里插入图片描述
点击object_listing,查看数据列表
点击mesh,查看模型，点击后，如下图：
(本应该如下图 但是我没看到）
在这里插入图片描述

rosrun object_recognition_core training -c `rospack find object_recognition_linemod`/conf/training.ork
Training 1 objects.
computing object_id: be4814630fa4e7a722eecd7f1c000ae3
Skipping object id "be4814630fa4e7a722eecd7f1c000ae3" : no mesh in the DB
Deleting the previous model be4814630fa4e7a722eecd7f1c001c0e of object be4814630fa4e7a722eecd7f1c000ae3
这样提示的话就是不对 没有载入，检查上面的步骤再实行一遍
正确提示：
Training 1 objects.
computing object_id: be4814630fa4e7a722eecd7f1c000ae3
Info,  T0: Load /tmp/fileCZwTVI.stl
Info,  T0: Found a matching importer for this file format
Info,  T0: Import root directory is '/tmp/'
Info,  T0: Entering post processing pipeline
Info,  T0: Points: 0, Lines: 0, Triangles: 1, Polygons: 0 (Meshes, X = removed)
Error, T0: FindInvalidDataProcess fails on mesh normals: Found zero-length vector
Info,  T0: FindInvalidDataProcess finished. Found issues ...
Info,  T0: GenVertexNormalsProcess finished. Vertex normals have been calculated
Error, T0: Failed to compute tangents; need UV data in channel0
Info,  T0: JoinVerticesProcess finished | Verts in: 1536 out: 258 | ~83.2%
Info,  T0: Cache relevant are 1 meshes (512 faces). Average output ACMR is 0.669922
Info,  T0: Leaving post processing pipeline
Deleting the previous model be4814630fa4e7a722eecd7f1c002927 of object be4814630fa4e7a722eecd7f1c000ae3

开启仿真或者Kinect
这里以我仿真为例，roslaunch turtlebot_gazebo turtlebot_world.launch发出的topic有

/camera/depth/camera_info
/camera/depth/image_raw
/camera/rgb/camera_info
/camera/rgb/image_raw

修改一下 detection.ros.ork 订阅的话题名

gedit `rospack find object_recognition_linemod`/conf/detection.ros.ork
原来是
source1:
  type: RosKinect
  module: 'object_recognition_ros.io'
  parameters:
    rgb_frame_id: 'camera_rgb_optical_frame'
    rgb_image_topic: '/camera/rgb/image_rect_color'
    rgb_camera_info: '/camera/rgb/camera_info'
    depth_frame_id: 'camera_depth_optical_frame'
    depth_image_topic: '/camera/depth_registered/image_raw'
    depth_camera_info: '/camera/depth_registered/camera_info'
改为
source1:
  type: RosKinect
  module: 'object_recognition_ros.io'
  parameters:
    rgb_frame_id: 'camera_rgb_optical_frame'
    rgb_image_topic: '/camera/rgb/image_raw'
    rgb_camera_info: '/camera/rgb/camera_info'
    depth_frame_id: 'camera_depth_optical_frame'
    depth_image_topic: '/camera/depth/image_raw'
    depth_camera_info: '/camera/depth/camera_info'

然后运行

rosrun object_recognition_core detection -c  `rospack find object_recognition_linemod`/conf/detection.ros.ork

rviz
添加 Pointcloud2，选择话题 /camera/depth/color/points
添加 OrkObject，选择话题 /recognized_object_array （若能够成功识别，则会发布此话题）
查看 /recognized_object_array 话题的实时内容
rostopic echo /recognized_object_array

在这里插入图片描述
就会得到pose 那么经过tf变换就可以将可乐的位置提出来。

---
header: 
  seq: 1809
  stamp: 
    secs: 2491
    nsecs: 330000000
  frame_id: "camera_depth_optical_frame"
objects: 
  - 
    header: 
      seq: 0
      stamp: 
        secs: 2491
        nsecs: 330000000
      frame_id: "camera_depth_optical_frame"
    type: 
      key: "be4814630fa4e7a722eecd7f1c000ae3"
      db: "{\"collection\":\"object_recognition\",\"root\":\"http://localhost:5984\",\"type\"\
  :\"CouchDB\"}"
    confidence: 93.6507949829
    point_clouds: []
    bounding_mesh: 
      triangles: []
      vertices: []
    bounding_contours: []
    pose: 
      header: 
        seq: 0
        stamp: 
          secs: 2491
          nsecs: 330000000
        frame_id: "camera_depth_optical_frame"
      pose: 
        pose: 
          position: 
            x: 0.180100440979
            y: 0.13609431684
            z: 1.55801010132
          orientation: 
            x: 0.556165874004
            y: -0.402824014425
            z: 0.429271042347
            w: 0.586633265018
        covariance: [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]
cooccurrence: []
---

在这里插入图片描述

此处有使用教程：ROS kinetic + Realsens D435i + ORK + LINEMOD 物体识别
官方http://wg-perception.github.io/object_recognition_core/

感谢：
Ubuntu16.04+ ROS kinetic 使用kinect2 ORK功能包 linemod算法实现可乐罐识别
ROS IntelRealSenseZR300 PCL+ORK+Linemod 柱状物体检测 机械臂抓取 系列第二篇
KinectV2测试物体识别linemod算法 Ubuntu16 ROS-kinetic
通过ROS控制真实机械臂(17) — 视觉抓取之ORK实现三维物体识别
ORK包的安装与linemod算法识别测试 （使用kinect v2 出现很奇怪的问题和解决）
D435、linemod实现三维物体检测与识别

那么哪里可以下到更多的STL库 来做点云识别呢？

kuizhao8951
关注
专栏目录
二维码识别 -- 基于ros平台下的仿真
愿万事胜意
04-13 6559
生活中的二维码 二维码是用某种特定的几何图形按一定规律在平面（二维方向上）分布的黑白相间的图形记录数据符号信息的；在代码编制上巧妙地利用构成计算机内部逻辑基础的“0”、“1”比特流的概念，使用若干个与二进制相对应的几何形体来表示文字数值信息，通过图象输入设备或光电扫描设备自动识读以实现信息自动处理：它具有条码技术的一些共性：每种码制有其特定的字符集；每个字符占有一定的宽度；具有一定的校验功能等。...
基于ROS下的二维码识别功能包qr-code-reader，直接发布返回值话题
05-27
基于ROS下的二维码识别功能包qr_code_reader，直接发布返回值话题，返回值话题为字符串类型，可以通过回调函数对字符串进行解析，提取出字符串中的单个单词等数据
【ROS+OpenCV实践】二维码识别
欢迎时常光顾我的干货超市，热衷于AIoT！！
08-19 5966
安装二维码识别的功能包 sudo apt-get install ros-melodic-ar-track-alvar 知识点：通过 sudo apt-get install ros-版本-XXX 的形式所安装的功能包都存放在opt/ros/版本/share的路径下。
PX4软件在环仿真(SITL)通信问题
最新发布
Chasing__MrIiu的博客
07-11 403
MAVROS与SITL通信问题
ROS高效进阶第四章 -- 机器视觉处理之ros集成zbar实现二维码检测
cy1641395022的博客
09-11 1907
ROS高效进阶第四章 -- 机器视觉处理之ros集成zbar实现二维码检测
ROS中二维码定位
「小白学移动机器人」一个专注分享移动机器人相关知识的公众号！
01-09 7156
ROS中二维码定位 一、环境相关 系统： ROS-Kinetic + ubuntu16.04 相关功能包： 摄像头：usb-cam 摄像头标定：camera-calibration 二维码：ar-teack-alvar 二、方法一 （1）usb_cam摄像头的标定 安装usb-cam功能包 sudo apt-get install ros-kinetic-usb-cam 安装camera-calibration功能包 sudo apt-get install ros-kinetic-cam
基于ROS的二维码识别与降落程序
01-09
该功能包包含了一键启动launch文件，也包含了USB摄像头驱动功能包、AR_track二维码标签识别功能包，最后就是识别二维码后的运动控制功能包。这个功能包是针对基础入门级的V1版本，没有添加PID控制以及相关滤波算法，...
APM固件下使用ROS控制巡航以及二维码识别降落程序
03-07
在本主题中，我们将深入探讨如何在使用APM（ArduPilot Mission Planner）固件的无人机系统上，结合ROS（Robot Operating System）进行巡航控制和二维码识别降落程序的实现。ROS是一个开源操作系统，用于机器人系统的...
ros openmv 二维码识别
07-28
关于ROS和OpenMV的二维码识别，你可以使用OpenMV相机模块结合ROS来实现。下面是一个简单的步骤： 1. 首先，你需要在OpenMV上安装适当的库来支持二维码识别。你可以使用OpenMV IDE中的Package Manager来安装QRCode库...
ROS-机器视觉学习笔记（二）人脸识别和二维码识别
weixin_75067193的博客
08-31 806
开学啦，不想开学阿，烦死了，开学我就大三啦，啥也不会阿，咋办？在线等很急！按照网上的学习流程来往往枯燥乏味，所以在这篇文章里我会教大家如何使用Opencv来进行人脸识别、物体跟踪和二维码识别。
ROS kinetic实现二维码识别与物体跟踪
weixin_42591529
03-26 1911
这个包下载后的名称为robot_vision-master，（括号内步骤可省略，重命名为robot_vision。如果没有进行重命名，后续二维码识别的launch命令的功能包的名字就为robot_vision-master。将解压后的robot_vision包放到自己的工作空间下的代码空间下，如：catkin_ws/src。如果2（2）的重命名没有做，下面的功能包的名字就为robot_vision-master。（2）接下来在虚拟机的设备中就可以看到摄像头设备Camera，选择“连接”。
超精确二维码识别
06-06
本工具采用人工智能算法，可以精确地识别二维码，并对不完整的二维码进行修正，速度快，精度高，是人工智能专家和业余爱好者都不能错过的一款软件！
ROS语音交互图像识别包(python脚本)
04-06
ROS包,python代码,主要三个文件 1、ROS_baidu_voice.py:用百度语音云服务实现语音识别,并将识别结果简单分类发送到 话题/cmd_vel_mux/input/teleop或话题camera_op或话题camera_reply，分别用于控制小车速度、打卡摄像头进行图像识别和进行语音交互; 2、ROS_baidu_reply.py:用于进行语音交互，使用图灵机器人云服务和百度语音合成云服务实现与人交互的功能,订阅camera_reply话题(其内容是图像识别结果或语音识别结果)，并对其内容进行语音回复; 3、ROS_tf_camera.py:摄像头拍照并图像识别，使用tensorflow的SSD模型进行离线本地图像识别，订阅camera_op话题，发布camera_reply话题 注：文件夹aip是用于百度语音识别与合成的百度官方库,(data,protos,ssd_mobilenet_v1_coco_2017_11_17,test_images,utils)是进行图像识别的资源库. 百度和图灵机器人的ID和密码请自行注册获取,其云服务是免费的,语音交互部分也可参考:https://www.bilibili.com/video/av18979530?from=search&seid=9614670617590001248
Ros下跑opencv zbar 识别二维码Qr
柳~的博客
08-22 3062
环境 : ubuntu14.04+ros indigo 推荐大家使用robware这个软件，方便，不用做中间的一些复杂的操作~ 首先执行如下程序：$ cd ~/catkin_ws/src 02.$ git clone https://github.com/bosch-ros-pkg/usb_cam.git 03.$ cd ~/catkin_ws 04.$ catkin_make
超维空间M1无人机使用说明书——51、ROS无人机使用AR二维码识别与定位
qq_35598561的博客
01-07 1081
2、position则表示当前二维码相对于摄像头的位置。1、id：8则表示当前的二维码对应的序号是8。1、终端打开：rviz。2、查看TF坐标系即可。
ROS小车调用摄像头实时识别圆形限速牌上的数字
weixin_44173819的博客
04-19 863
这是一个实际项目程序，用于将ROS和opencv结合使用，通过模板匹配的方式实现对图像中限速牌数字的识别
细致入微的理解ROS中的入门级别之手写数字识别在ROS领域的研究
霜月红
01-24 1212
一种东西只要懂得他是如何工作的，原理是什么，那么与之类似的东西我们都可以一通百通，就比如手写数字识别被称为进入机器学习的hello world，那么我想如果我们要想学习其他的项目的话，我们只要深刻理解了其基本内涵，我想对于机器学习之路就会得心应手的。 下面来看一个完整的在ROS里边运用Tensorflow来实现手写数字的识别： #!/usr/bin/env python # -*- coding...
ROS使用ARUCO识别二维码获取位置信息做定位使用
wgqabc的博客
02-19 5920
使用ARUCO识别二维码获取位置信息 1、安装软件 cd ~/catkin_ws/src git clone -b kinetic-devel https://github.com/pal-robotics/aruco_ros cd … catkin_make 在编译时遇到一个错误 /home/wgq/catkin_wgq/src/aruco_ros/aruco_ros/src/simple_double.cpp: In function ‘void image_callback(const ImageCo
Zbar+ROS+opencv二维码识别与定位研究(一)
蒋成的博客
05-04 6722
1.本文利用二维码的边缘信息，对其进行定位，经检验在3-4m以内有良好的定位效果 2.主要步骤：原图像大小调整，提高运算效率；转化为灰度图；高斯平滑滤波； 求得水平和垂直方向灰度图像的梯度差,使用Sobel算子；开运算,消除亮度较高的细小区域,先腐蚀后膨胀； 均值滤波，消除高频噪声；二值化；膨胀，根据核的大小，有可能需要6次膨胀操作； 通过findContours找到条形码区域的矩形边界...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值