第330章 小孔成像和PNP问题 (第1/1页)

    要想利用“人工神经网络”处理图像识别问题，需要事先收集到大量的数据。

    可是仓促之间，上哪去弄数据？

    倒是可以给“战神一号”拍一些“写真”，来充当训练集，反正所有的参赛机器人，外形都差不多。

    这样做倒也不是不行，但时间太仓促了，数据的量级达不到要求，训练效果应该不会太好。

    而且，就算拼着一夜不睡，东拼西凑出一点训练数据，也很可能来不及训练了。

    训练“人工神经网络”，毕竟是一件比较消耗时间的事。

    而现在最大的问题，就是缺少时间，明天就要正式上场了的说……

    何况，“人工神经网络”的优势在于通用和准确率，在特定问题上的识别速度，还真不见得能比得上精心优化过的“笨办法”。

    所以江寒仔细思考了一番之后，还是决定采用“几何形状匹配”的思路来做图像识别。

    这种办法的优点是识别速度比较快，更容易获得高帧率。

    编程的复杂度可能稍微高了一点，但这对江寒来说，并不是什么太大的问题。

    他先新建一个.CPP文件，以及对应的.h头文件，然后创建一个新的类，用于容纳自己的图像识别算法。

    接下来就可以正式编码了。

    江寒一边思考，一边编写代码，靳雪雯在一边安静地看着。

    两人偶尔也交流一两句，讨论一下编程思路、函数的功能之类的问题。

    “江寒哥哥，这几个语句是做什么用的啊？”

    “这个是图像预处理，按照自定义的阈值，将每个像素二值化……”

    “那江寒哥哥，这个函数呢？我有点看不懂……”

    “哦，这个叫膨胀处理，可以让图像的轮廓更加明显……”

    ……

    二十多分钟后，江寒搞定了图像预处理的相关代码。

    这部分要做的事很简单，就是将摄像头拍到的图像，先处理成灰度图，然后二值化，只留下LED灯部分。

    接下来，要在图像中遍历像素、寻找LED灯的轮廓。

    这是整个算法中计算量最大的部分。

    好在江寒对图片的预处理，做得相当到位，将这一步所消耗的时间，基本上压缩到了极限。

    找到LED灯后，下面的事就简单了，遍历轮廓、提取LED灯，再匹配筛选、找到机体轮廓，然后就可以锁定目标攻击了。

    在做机体轮廓分析时，江寒考虑了一下，使用了模板匹配技术。

    这样一来，就进一步减少了运算量，节省了时间。

    到了这里，目标识别就基本完成了。

    接下来，就可以测算目标的方位和距离了。

    这一步涉及到图片坐标系与大地坐标系之间的换算，算法复杂度相当高。

    但江寒岂是欺软怕硬的人呢？

    只要舍得脑力全开，肯定是搞得定的。

    然而，这样又有一个新问题，可别不等完成编码，大脑的能量就消耗殆尽了。

    那种空虚乏味的感觉，可是相当难受的……

    所以江寒想了想，就笑眯眯地说：“小蚊子，可以拜托你一件事吗？”

    靳雪雯精神一振，摩拳擦掌地说：“江寒哥哥，快说、快说，是什么事？”

    自己闲了这么久，总算可以派上点儿用场了……

    江寒微微一笑，说：“帮我打个电话给前台，要点宵夜。”

    “没问题！”靳雪雯脆生生地答应了一声。

    然后拿出手机，喜滋滋地问：“江寒哥哥，你想吃什么呀？”

    “冰岛红极参，问问哪里有，然后让前台帮忙订做两盘，送到大厅来。”

    “好的。”靳雪雯立即拨号。

    江寒想了想，又补充说：“口味随便，红烧、清蒸无所谓……哦，对了，让他们把点餐的钱加到我账单里。”

    靳雪雯一摆手：“不用，你教我改程序，我还不知道怎么感谢呢！

    再说咱们战队刚刚成立，本队长请吃个宵夜，也是应该的吧？”

    江寒呵呵一笑：“小蚊子啊，你可能不太清楚，这种地方，一条红极参只怕得7、8百块。”

    靳雪雯嘻嘻一笑：“没事，让爸爸买单就行了，他赚钱就是给我和mama花的嘛。”

    江寒：“……”

    有点无言以对的感觉。

    眼前这一只，莫非就是传说中的富萝莉？

    毕竟有句话说得好，十个萝莉九个富，还有一个……

    靳雪雯很快安排完宵夜，然后继续看江寒编程。

    江寒接下来就开始编写目标测算模块。

    靳雪雯原本使用的办法，是直接用像素坐标来计算旋转角度。

    这样做倒也不是一定不行，但比较麻烦，而且效果也不会太好。

    这是因为像素坐标差与角度之间，并不是线关系，必须根据像素的坐标，随时矫正换算比例，才能得到一个不很精确的近似值。

    江寒思考了一下，根据“小孔成像”的原理，设计了一个简单而又巧妙的算法，通过像素坐标算出了正确的转角。

    想要从图像数据中得到物理世界的坐标，需要先标定摄像头，从而得到摄像头的内参。

    这一步可以使用OpenCV中的标定工具来做。

    标定完摄像头后，就能得到摄像头的内参矩阵和畸变参数。

    根据这两组参数，对像素值的坐标进行矫正，然后就可以通过反三角函数，来计算出需要的角度了。

    写完算法之后，江寒又设计了一个小实验，对其进行了验证。

    实验结果表明，这个算法完全OK，准确率和速度都优于靳雪雯原来的算法。

    但这种算法也有一个相当明显的缺陷，由于缺失了深度信息，因此无法对坐标系进行变换cāo)作。

    这样一来，就只能得到相对于摄像头中心的转角……

    那么如何解决深度的问题，得到三维坐标呢？

    江寒又设计了一种算法，通过求解PNP问题，来得到敌我双方在真实空间中的坐标偏移。

    PNP问题，就是PerspectiveN-PointProblem。

    江寒对这个算法不是十分熟悉，只知道可以用来处理空间定位问题。

    所以，他先去网上找了几篇文献，仔细浏览，理解了原理之后，才开始编写自己的代码。

    首先标定摄像头，得到相机的内参矩阵和畸变参数，然后测量物体的尺寸，得到物体在世界坐标系中的坐标。

    接下来，从图像中得到机体的像素坐标，然后通过SolvePnP函数计算出平移向量，对坐标进行平移cāo)作。

    最后再修正一下y轴和z轴的坐标，就可以通过反三角函数，计算出所需要的角度值了。

    这种算法可以得到物体在三维空间中的坐标，缺点是需要计算四个点，而第一种算法，利用小孔成像的原理，只需要计算一个点就够了。

    两种办法各有优缺点，可以分况，灵活运用。

    当目标距离十分遥远时，就用“小孔成像法”计算角度；距离合适的时候，则不妨切换成PNP法……

    这样一来，就能兼顾效率与精准了。

    破费！

    最后还有一件事，那就是目标动作预测。

    这是一个相当困难的问题，但也是一个非常重要的问题。

    预测做得好不好，直接决定了子弹的命中率。

    如果不做预测，当敌方车辆不断移动时，瞄准点将总是滞后于敌机的实际位置。

    这当然是不可接受的。

    所以必须做，而且还要尽可能地做到完美！