掌控慧眼小MU系列教程六——宽高坐标参数 简单

上节课我们学习到了机器猫慧眼小MU交通卡片识别能力

要求大家制作一个无人驾驶小车进行闯关。

不知道大家完成得怎么样？我们来看看同学们的作品吧

不知道大家在小MU的库里有没有注意到下面这个东西

不论是球体检测，还是卡片检测，我们都可以显示物体在小MU视觉里的横向坐标，纵向坐标，以及高度和宽度和标签

这里的横向坐标，纵向坐标跟我们平时的X轴Y轴有点不同，左上角是0,0，右下角是100,100

显示的横向坐标，纵向坐标是物体的中心点所在的位置

这里的宽度和高度也不是物体的真实宽度和高度，而是在小MU成像里的宽度和高度

就好比我们平时拍照，相机离我们远，拍出的照片人像就小，相反，人像就大一个道理

以圆形卡片为例

代码如下

这里显示的就是圆形卡片在小MU中的视觉图片

x,y是指卡片的中心点所在小MU的坐标位置

宽度是指两边红色边框的宽度，不包括白色部分。

高度是指上面蓝色顶部到下面红色底部的高度，不包括白色部分

而且宽度和高度都是卡片成像的宽度和高度，不是实际宽度和高度

而最后的label是指固定的标签，每张卡片都有自己的固定标签

比如交通卡片，前进的标签是1，掉头的标签是4.

每张卡片下面都有标准该卡片的标签值

知道这些东西有什么用呢？

用处可大了，我们可以利用这些数据来标注物体

也就是我们常听说的图像识别技术

图像识别技术是以图像的主要特征为基础的。每个图像都有它的特征，如字母A有个尖，P有个圈、而Y的中心有个锐角等。对图像识别时眼动的研究表明，视线总是集中在图像的主要特征上，也就是集中在图像轮廓曲度最大或轮廓方向突然改变的地方，这些地方的信息量最大。而且眼睛的扫描路线也总是依次从一个特征转到另一个特征上。由此可见，在图像识别过程中，知觉机制必须排除输入的多余信息,抽出关键的信息。同时,在大脑里必定有一个负责整合信息的机制，它能把分阶段获得的信息整理成一个完整的知觉映象。

是不是很复杂？我们来简单说一下原理

我们看一个人，认识了，以后看到了一眼就认出来了，不需要思考，好像很简单

但是对于计算机就不同了，它认识一个人是把这个人数据化，比如身高多少，宽度多少，脸长多少，脸长宽比率多少，眼睛多宽，眼睛与眼睛之间距离多少……几百个是数据。只有这些数据99%以上符合，它就会认为这两个是一个人。

所以图像识别就是一种大数据的比对

我们利用小MU的这些数据可以来进行比对和校验

比如一开始给一个网球，后面给一个乒乓球，我们可以根据数据来比对是不是同一个球。

其实这就是简单的人工智能。

我们今天先来学习如何利用这些数据测定物体离小MU的距离。

我们先来看看相机成像原理

在固定焦距的情况下，物体离摄像头越近图像越大，反之越小。

我们来实验一下，看看在固定焦距的情况下，物体离摄像头的距离、物体实际大小，成像大小有什么关系

连接掌控板和小MU，编程代码如下

然后我们将几次测量结果记录如下

在焦距固定在等级1的情况下，我们得到几组测试数据，通过观测可以发现卡片成像宽度*距离得出的数据很接近

于是我们大胆猜测小MU成像宽度*距离，在定焦的情况下是定值

为了验证这个结果，我们可以反向验证。

我们随意拉开一个距离，然后得出成像宽度为26，我们推测 800/26=30.7

通过实际测量我们发现数值为30.4，

相差结果不大，说明我们的猜测大体是准确的。

这样我们就可以根据小MU成像数据来推测物体离小MU的距离了。

（特别说明：我是在一种比较粗糙的环境下进行的数据测量，如果采用非常准确的测量环境，这个结果应该会更加准确）

同学们自己动手进行数据测试，测试数据在10个以上，验证我们的结论是否正确。