【OpenCV&OpenGL&Markerless AR】原理部分+代码

说在前面

• opencv版本：4.0.1
• opencv aruco版本：4.0.1
• opengl：使用glad、glfw
• ar实现：基于无标记(markerless)
• 基础：【OpenCV&OpenGL&Marker-based AR】原理部分
• 其他说明：在AR学习中的一些理解；

我理解的markerless ar

• 基于标记的ar是以标记为核心，模型相对于标记。
• 基于无标记的ar则是以现实世界中的各种物体为核心，模型相对于物体。我们可以决定模型摆放在哪一个物体上。

涉及的OpenCV中的知识

• 2D Features framework (feature2d module)
• 啥都没有

关键点

• 在基于标记ar的原理部分我们知道要实现ar有三个重要的matrix，model、view、projection；现在已知model、projection，那么最主要的就是view matrix，即获取相机姿态（位置和朝向）

流程

• 确定并记录已知物体的特征描述

  • feature detection & feature description
    这些特征是图像中难以被噪声、亮度、缩放所影响的点；可以使用特征点检测算法例如SURF得到。（SURF算法CSDN\博客园一大堆，就不提了）
    feature detection
    左：原图 右：使用SURF检测结果（辣鸡摄像头的盒子）

• 获取并记录相机捕获的每一帧的特征描述

  使用同样的算法。

• 使用特征匹配算法对已知物的特征与当前帧的特征进行匹配

  特征匹配算法：例如FLANN、BRUTEFORCE
  然后对这些特征点对进行精简
  （有关FLANN 匹配算法自行寻找，一大堆）
  

• 单应性估计

  使用上面计算好的特征点对来计算单应性矩阵，使用单应性矩阵将左图四个角点转换到右图中（右图使用绿线将四个角点连接起来了）；

  Mat cv::findHomography //返回单应性矩阵
  (
  InputArray srcPoints, //已知物体的特征点
  InputArray dstPoints, //捕获图像中的已经匹配到的特征点
  int method = 0, 
  double ransacReprojThreshold = 3, 
  OutputArray mask = noArray(), 
  const int maxIters = 2000, 
  const double confidence = 0.995 
  )
  

  （有关单应性估计请自行寻找，一大堆）
  

• 相机姿态估计

  现在，我们准备好了：

  1. 原图四个角点
  2. 相机捕捉的图像中对应的四个角点

  以此来估计相机姿态，使用solvePnP函数

  bool cv::solvePnP 
  (
  //输入三维坐标，我们使用四个角点+z坐标0代替
  InputArray objectPoints, 
  //输入图像中对应的二维坐标，也就是2.
  InputArray imagePoints, 
  //相机内参矩阵，见marker-based ar原理部分
  InputArray cameraMatrix, 
  //相机畸变系数，见marker-based ar原理部分
  InputArray distCoeffs, 
  //输出，旋转向量，相机朝向
  OutputArray rvec,
  //输出，平移向量，相机位置 
  OutputArray tvec, 
  //不管
  bool useExtrinsicGuess = false, 
  不管
  int flags = SOLVEPNP_ITERATIVE 
  )
  

  由此，我们就解决了markless ar中最麻烦的相机姿态估计问题，可以愉快的ar了

Result

部分遮挡影响不大。

Code

• github
  已知物体的图像可以自己拍一张；由于是个简单的demo，稳定性差强人意。

---

(　o=^•ェ•)o　┏━┓

---