描述

介紹

增強現(xiàn)實 (AR) 是真實世界環(huán)境的實時視圖，已通過計算機生成的圖形進行了增強。AR有兩種實現(xiàn)方式：

• 基于標記的增強現(xiàn)實
• 無標記 AR

Marker-less AR 更加復雜，并且依賴于真實環(huán)境來確定參考點。這通常涉及識別物體和/或背景線索，例如地板和墻壁。

基于標記的 AR 更易于實現(xiàn)，并且依賴于場景中的方形標記。

該項目將描述如何使用 OpenCV 在 Ultra96-V2 上實現(xiàn)基于標記的 AR。

讓我們開始吧 ！

靈感

在開始之前，我想分享一下這個項目的靈感和動力。

我受到以下創(chuàng)新產(chǎn)品/教程的啟發(fā)：

• 彩通，配色卡，
• Adrian Rosebrock，使用 OpenCV 和 Python 檢測 ArUco 標記，PyImageSearch，

動機

我實現(xiàn)類似功能的動機是能夠使用標記自動觸發(fā)某種校準，例如：

• 白平衡，使用白色參考圖表
• 立體校準，使用棋盤參考圖

為了實現(xiàn)這一點，我創(chuàng)建了以下三個圖表（使用 Microsoft Word）進行實驗。

在這項目中，我會檢測這些圖表的存在，并根據(jù)圖表進行額外的處理：

• 圖表 1 - 在棋盤圖案周圍畫一個綠色框
• 圖表 2 - 測量標記內(nèi)區(qū)域中 B、GR 像素的平均值，并在圖表上顯示帶有值的條形圖
• 圖表 2 - 測量標記內(nèi)區(qū)域的顏色直方圖，并在圖表上顯示直方圖

有關生成這些標記的更多信息，請參閱以下優(yōu)秀教程：

• Adrian Rosebrock，使用 OpenCV 和 Python 生成 ArUco 標記，PyImageSearch，

檢測場景中的標記

定義好目標并創(chuàng)建帶有標記的圖表后，我們就可以開始實施了。

我選擇用 C++ 實現(xiàn)這個項目，作為一個 gstreamer 插件。我需要感謝Tom Simpson為創(chuàng)建 gstreamer 插件奠定了基礎。

第一步是檢測場景中的標記。這是通過 OpenCV 完成的。

/* Aruco Markers */
#include 

...

//
// Detect ARUCO markers
//   ref : https://docs.opencv.org/master/d5/dae/tutorial_aruco_detection.html
//
std::vector markerIds;
std::vector<std::vector<cv::Point2f>> markerCorners, rejectedCandidates;
cv::Ptr<cv::aruco::DetectorParameters> parameters = cv::aruco::DetectorParameters::create();
cv::Ptr<cv::aruco::Dictionary> dictionary = cv::aruco::getPredefinedDictionary(cv::aruco::DICT_ARUCO_ORIGINAL);
cv::aruco::detectMarkers(img, dictionary, markerCorners, markerIds, parameters, rejectedCandidates);
if ( markerIds.size() > 0 )
{
  cv::aruco::drawDetectedMarkers(img, markerCorners, markerIds);
}

此時，您會注意到我正在使用 DICT_ARUCO_ORIGINAL 系列標記。標記包含一個由黑色邊框包圍的 5x5 方格。

?

?

?

?

1 / 6 ? DICT_ARUCO_ORIGINAL - ID = 923

?

對于每個檢測到的標記，OpenCV API 返回以下信息：

• markerIds : 每個標記的標識
• markerCorners : 每個標記的坐標，格式如下： [0] top-left [1] top-right [2] bottom-right [3] bottom-left

檢測到的標記信息

?

下表和圖像說明了我創(chuàng)建的圖表中使用了哪些標記。

ArUco 標記用法

?

我使用 switch case 狀態(tài)掃描檢測到的標記，并識別感興趣的標記。

...
  if (markerIds.size() >= 4 )
  {
    int tl_id = 0;
    int tr_id = 0;
    int bl_id = 0;
    int br_id = 0;
    cv::Point2f tl_xy, tr_xy, bl_xy, br_xy;
    for ( unsigned i = 0; i < markerIds.size(); i++ )
    {
      switch ( markerIds[i] )
      {
      case 923:
        tl_id = markerIds[i];
        tl_xy = markerCorners[i][3]; // bottom left corner of top left marker
        break;
      case 1001:
      case 1002:
      case 1003:
      case 1004:
      case 1005:
      case 1006:
        tr_id = markerIds[i];
        tr_xy = markerCorners[i][2]; // bottom right corner of top right marker
        break;
      case 1007:
        bl_id = markerIds[i];
        bl_xy = markerCorners[i][0]; // top left corner of bottom left marker
        break;
      case 241:
        br_id = markerIds[i];
        br_xy = markerCorners[i][1]; // top right corner of bottom right marker
        break;
      default:
        break;
      }
    }
    ...
  }
  ...

下圖說明了我保留哪些 ID 和 X/Y 坐標來定義感興趣區(qū)域 (ROI) 以進行附加處理。

感興趣區(qū)域 (ROI) 規(guī)范

?

檢測特定圖表是通過以下簡單的條件語句完成的。

// Chart 1 - Checkerboard (9x7)
if ( (tl_id==923) && (tr_id==1001) && (bl_id==1007) && (br_id==241) )
{
   ...
}
// Chart 2 - White Reference
if ( (tl_id==923) && (tr_id==1002) && (bl_id==1007) && (br_id==241) )
   ...
}
{
// Chart 3 - Histogram
if ( (tl_id==923) && (tr_id==1003) && (bl_id==1007) && (br_id==241) )
{
   ...
}

將計算機生成的圖形添加到場景中

對于“Chart 1 - CheckerBoard (9x7)”，繪制了一個綠色矩形來標識感興趣的區(qū)域。

// Extract ROI (area, ideally within 4 markers)
      std::vector<cv::Point> polygonPoints;
      polygonPoints.push_back(cv::Point(tl_xy.x,tl_xy.y));
      polygonPoints.push_back(cv::Point(tr_xy.x,tr_xy.y));
      polygonPoints.push_back(cv::Point(br_xy.x,br_xy.y));
      polygonPoints.push_back(cv::Point(bl_xy.x,bl_xy.y));
      // Draw border around "checkerboard"
      cv::polylines(img, polygonPoints, true, cv::Scalar (0, 255, 0), 2, 16);

對于“圖表 2 - 白色參考”，感興趣區(qū)域用于計算藍色 (B)、綠色 (G) 和紅色 (R) 分量中的每一個的平均值。下面的代碼使用了一個掩碼，它支持一個不是完美矩形的 ROI。

//
      // Calculate color gains
      //   ref : https://stackoverflow.com/questions/32466616/finding-the-average-color-within-a-polygon-bound-in-opencv
      //
      cv::Point pts[1][4];
      pts[0][0] = cv::Point(tl_xy.x,tl_xy.y);
      pts[0][1] = cv::Point(tr_xy.x,tr_xy.y);
      pts[0][2] = cv::Point(br_xy.x,br_xy.y);
      pts[0][3] = cv::Point(bl_xy.x,bl_xy.y);
      const cv::Point* points[1] = {pts[0]};
      int npoints = 4;
      // Create the mask with the polygon
      cv::Mat1b mask(img.rows, img.cols, uchar(0));
      cv::fillPoly(mask, points, &npoints, 1, cv::Scalar(255));
      // Calculate mean in masked area
      auto bgr_mean = cv::mean( img, mask );
      double b_mean = bgr_mean(0);
      double g_mean = bgr_mean(1);
      double r_mean = bgr_mean(2);

計算出平均值后，將創(chuàng)建一個 plotImage，其中包含一個帶有 B、G 和 R 像素平均值的條形圖圖像。

// Draw bars
int plot_w = 100, plot_h = 100;
cv::Mat plotImage( plot_h, plot_w, CV_8UC3, cv::Scalar(255,255,255) );
int b_bar = int((b_mean/256.0)*80.0);
int g_bar = int((g_mean/256.0)*80.0);
int r_bar = int((r_mean/256.0)*80.0);
// layout of bars : |<-10->|<---20-->|<-10->|<---20-->|<-10->|<---20-->|<-10->|
cv::rectangle(plotImage, cv::Rect(10,(80-b_bar),20,b_bar), cv::Scalar(255, 0, 0), cv::FILLED, cv::LINE_8);
cv::rectangle(plotImage, cv::Rect(40,(80-g_bar),20,g_bar), cv::Scalar(0, 255, 0), cv::FILLED, cv::LINE_8);
cv::rectangle(plotImage, cv::Rect(70,(80-r_bar),20,r_bar), cv::Scalar(0, 0, 255), cv::FILLED, cv::LINE_8);
std::stringstream b_str;
std::stringstream g_str;
std::stringstream r_str;
b_str << int(b_mean);
g_str << int(g_mean);
r_str << int(r_mean);
cv::putText(plotImage, b_str.str(), cv::Point(10,90), cv::FONT_HERSHEY_PLAIN, 0.75, cv::Scalar(255,0,0), 1, cv::LINE_AA);
cv::putText(plotImage, g_str.str(), cv::Point(40,90), cv::FONT_HERSHEY_PLAIN, 0.75, cv::Scalar(0,255,0), 1, cv::LINE_AA);
cv::putText(plotImage, r_str.str(), cv::Point(70,90), cv::FONT_HERSHEY_PLAIN, 0.75, cv::Scalar(0,0,255), 1, cv::LINE_AA);

顏色平均值的示例條形圖圖像

?

最后，使用以下 OpenCV 函數(shù)將此繪圖圖像扭曲到感興趣區(qū)域：

• findHomography ：計算源坐標和目標坐標之間的變換矩陣
• warpPerspective ：將源圖像扭曲到目標坐標

然后使用掩碼將扭曲的條形圖圖像與實時圖像組合。

// Calculate transformation matrix
std::vector<cv::Point2f> srcPoints;
std::vector<cv::Point2f> dstPoints;
srcPoints.push_back(cv::Point(       0,       0)); // top left
srcPoints.push_back(cv::Point(plot_w-1,       0)); // top right
srcPoints.push_back(cv::Point(plot_w-1,plot_h-1)); // bottom right
srcPoints.push_back(cv::Point(       0,plot_h-1)); // bottom left
dstPoints.push_back(tl_xy);
dstPoints.push_back(tr_xy);
dstPoints.push_back(br_xy);
dstPoints.push_back(bl_xy);
cv::Mat h = cv::findHomography(srcPoints,dstPoints);
// Warp plot image onto video frame
cv::Mat img_temp = img.clone();
cv::warpPerspective(plotImage, img_temp, h, img_temp.size());
cv::Point pts_dst[4];
for( int i = 0; i < 4; i++)
{
pts_dst[i] = dstPoints[i];
}
cv::fillConvexPoly(img, pts_dst, 4, cv::Scalar(0), cv::LINE_AA);
img = img + img_temp;

對于“圖表 3 - 直方圖”，使用了與“圖表 2”類似的技術(shù)。不是顯示顏色平均值的條形圖，而是顯示每個顏色分量的直方圖。

顏色分量的示例直方圖繪圖圖像

?

了解了所有理論之后，是時候在 Ultra96-V2 上進行嵌入式實現(xiàn)了。

第 0 步 - 打印圖表

為了運行此示例，您將需要三個圖表，這些圖表已在“原理圖”部分以 PDF 格式提供。

• 圖 1 - 棋盤 (9x7)
• 圖表 2 - 白色參考
• 圖表 2 - 直方圖

第 1 步 - 創(chuàng)建 SD 卡

為以下 Avnet 平臺提供了預構(gòu)建的 Vitis-AI 1.3 SD 卡映像：

• u96v2_sbc_base : Ultra96-V2 開發(fā)板
• uz7ev_evcc_base：UltraZed-EV SOM (7EV) + FMC 載卡
• uz3eg_iocc_base：UltraZed-EG SOM (3EG) + IO 載卡

可在此處找到預構(gòu)建 SD 卡映像的下載鏈接：

• 適用于 Avnet Vitis 平臺的 Vitis-AI 1.3 流程：https ://avnet.me/vitis-ai-1.3-project

下載并解壓后，.img 文件可以編程到 16GB 微型 SD 卡。

0.解壓壓縮包得到.img文件

1. 將開發(fā)板特定的 SD 卡映像編程到 16GB（或更大）的 micro SD 卡

一個。在 Windows 機器上，使用 Balena Etcher 或 Win32DiskImager（免費開源軟件）

灣。在 linux 機器上，使用 Balena Etcher 或使用 dd 實用程序

$ sudo dd bs=4M if=Avnet-{platform}-Vitis-AI-1-3-{date}.img of=/dev/sd{X} status=progress conv=fsync

其中 {X} 是一個小寫字母，用于指定 SD 卡的設備。您可以使用“df -h”來確定您的 SD 卡對應的設備。

第 2 步 - 克隆源代碼存儲庫

本項目中使用的源代碼可以從以下存儲庫中獲?。?/font>

如果您有活動的互聯(lián)網(wǎng)連接，您可以簡單地將存儲庫克隆到嵌入式平臺的根目錄：

$ cd ~
$ git clone 

第 3 步 - 編譯和安裝 gstreamer 插件

gstreamer 插件可以在 Ultra96-V2 嵌入式平臺上使用 make 命令構(gòu)建：

$ cd vitis_ai_gstreamer_plugins
$ cd markerdetect
$ make

編譯完成后，gstreamer 插件可以按如下方式安裝：

$ cp libgstmarkerdetect.so /usr/lib/gstreamer-1.0/.

可以使用 gst-inspect-1.0 實用程序驗證 gstreamer 插件的安裝：

$ gst-inspect-1.0 | grep markerdetect
markerdetect:  markerdetect: Marker detection using the OpenCV Library

$ gst-inspect-1.0 markerdetect
Factory Details:
  Rank                     none (0)
  Long-name                Marker detection using the OpenCV Library
  Klass                    Video Filter
  Description              Marker Detection
  Author                   FIXME 

Plugin Details:
  Name                     markerdetect
  Description              Marker detection using the OpenCV Library
  Filename                 /usr/lib/gstreamer-1.0/libgstmarkerdetect.so
  Version                  0.0.0
  License                  LGPL
  Source module            markerdetect
  Binary package           OpenCV Library
  Origin URL               http://avnet.com

GObject
 +----GInitiallyUnowned
       +----GstObject
             +----GstElement
                   +----GstBaseTransform
                         +----GstVideoFilter
                               +----GstMarkerDetect

Pad Templates:
  SRC template: 'src'
    Availability: Always
    Capabilities:
      video/x-raw
                 format: { (string)BGR }
                  width: [ 1, 1920 ]
                 height: [ 1, 1080 ]
              framerate: [ 0/1, 2147483647/1 ]

  SINK template: 'sink'
    Availability: Always
    Capabilities:
      video/x-raw
                 format: { (string)BGR }
                  width: [ 1, 1920 ]
                 height: [ 1, 1080 ]
              framerate: [ 0/1, 2147483647/1 ]

Element has no clocking capabilities.
Element has no URI handling capabilities.

Pads:e--
  SINK: 'sink'
    Pad Template: 'sink'
  SRC: 'src'
    Pad Template: 'src'

Element Properties:
  name                : The name of the object
                        flags: readable, writable
                        String. Default: "markerdetect0"
  parent              : The parent of the object
                        flags: readable, writable
                        Object of type "GstObject"
  qos                 : Handle Quality-of-Service events
                        flags: readable, writable
                        Boolean. Default: true

第 4 步 - 使用實時視頻源執(zhí)行示例

為了便于啟動示例，請在您的嵌入式平臺上創(chuàng)建以下啟動腳本 (launch_usb_markerdetect.sh)：

#!/bin/sh

gst-launch-1.0  \
  v4l2src device=/dev/video0 io-mode=4 ! \
  video/x-raw, width=640, height=480, format=YUY2, framerate=30/1 ! \
  videoconvert ! \
  video/x-raw, format=BGR ! \
  queue ! markerdetect ! queue ! \
  videoconvert ! \
  fpsdisplaysink sync=false text-overlay=false fullscreen-overlay=true \
  \
  -v

在啟動示例之前，我們要定義我們的 DISPLAY 環(huán)境變量，并配置我們的 DisplayPort 顯示器的分辨率。

$ export DISPLAY=:0.0
$ xrandr --output DP-1 --mode 800x600

該示例可以使用我們剛剛創(chuàng)建的腳本啟動：

$ ./launch_usb_markerdetect.sh

我第一次使用 USB 攝像頭執(zhí)行這個“markerdetect”gstreamer 插件讓我感到驚訝。我使用的 USB 相機是具有自動白平衡功能的羅技 C720，所以我希望看到藍色、綠色和紅色的平均值大致相同。

標記檢測 - 面向監(jiān)視器

?

事實證明，DisplayPort 監(jiān)視器正在生成一種藍色色調(diào)，該色調(diào)被圖表拾取，并略微扭曲了結(jié)果。

顏色平均值 - 面向顯示器

?

我跑了同樣的測試，這次遠離顯示器，結(jié)果更符合我的預期。

標記檢測 - 遠離顯示器

?

這一次，藍色、綠色和紅色的平均值大致相同。

顏色平均值 - 遠離顯示器

?

結(jié)論

我希望本教程能激發(fā)您在 Ultra96-V2 上嘗試增強現(xiàn)實 (AR)。

你能想到其他應用程序會使用這些類型的標記嗎？

如果您還想看到任何其他相關內(nèi)容，請在下面的評論中分享您的想法。

?