ROS中阶笔记（五）：机器人感知—机器视觉

ROS中阶笔记（五）：机器人感知—机器视觉

目录

• 1 ROS中的图像数据
  • 1.1 二维图像
    • 1.1.1 安装安装usb_cam
    • 1.1.2 显示图像数据
  • 1.2 三维图像(kinect)
• 2 摄像头标定
  • 2.1 摄像头标定准备工作
  • 2.2 摄像头标定流程
    • 2.2.1 普通摄像头标定流程
    • 2.2.2 Kinect标定流程
  • 2.3 摄像头使用标定文件
    • 2.3.1 普通摄像头如何使用标定文件？
    • 2.3.2 Kinect如何使用标定文件？
    • 2.3.3 使用标定文件时可能产生的错误
• 3 ROS+OpenCV
  • 3.1 OpenCV简介
  • 3.2 OpenCV使用
  • 3.3 人脸识别
  • 3.4 物体跟踪
• 4 二维码识别
  • 4.1 二维码使用
  • 4.2 摄像头二维码识别
  • 4.3 Kinect二维码识别
• 5 扩展内容：物体识别与机器学习
• 6 参考资料

1 ROS中的图像数据

1.1 二维图像

1.1.1 安装安装usb_cam

步骤一，检测电脑是安装usb_cam还是应该安装uvc_cam

 $ lsusb                         #查看usb摄像头

打开网址：http://www.ideasonboard.org/uvc/，查看与自己摄像头匹配的ID号。
如果有，就说明你的笔记本摄像头比较好，有他的厂商提供的linux驱动，是uvc_cam
没有匹配的ID，说明是usb_cam。

Bus 001 Device 002: ID 04f2:b6d9 Chicony Electronics Co., Ltd #摄像头
Bus 001 Device 001: ID 1d6b:0002 Linux Foundation 2.0 root hub
Bus 002 Device 004: ID 0e0f:0008 VMware, Inc.
Bus 002 Device 003: ID 0e0f:0002 VMware, Inc. Virtual USB Hub
Bus 002 Device 002: ID 0e0f:0003 VMware, Inc. Virtual Mouse
Bus 002 Device 001: ID 1d6b:0001 Linux Foundation 1.1 root hub

步骤二，查看摄像头设备

$ ls /dev/video*                     #默认笔记本自带摄像头是video0

步骤三，测试您的网络摄像头；(虚拟机+ubuntu16.04)

$ sudo apt-get install cheese
$ cheese                                       # 启动cheese查看摄像头情况

步骤四，安装usb_cam

$ sudo apt-get install ros-kinetic-usb-cam    # 安装摄像头功能包
$ roslaunch usb_cam usb_cam-test.launch       # 启动功能包
$ rqt_image_view                              # 可视化工具

新版本的usb_cam包在launch文件夹下有自带的launch文件，名叫usb_cam-test.launch

1.1.2 显示图像数据

显示图像类型

$ roslaunch usb_cam usb_cam-test.launch 		
$ rostopic info /usb_cam/image_raw 

查看图像消息

$ rosmsg show sensor_msgs/Image 

• Header:消息头，包含消息序号，时间戳和绑定坐标系；
• height:图像的纵向分辨率；
• width:图像的横向分辨率；
• encoding:图像的编码格式，包含RGB、YUV等常用格式，不涉及图像压缩编码；
• is_bigendian:图像数据的大小端存储模式；
• step:一行图像数据的字节数量，作为数据的步长参数；
• data:存储图像数据的数组，大小为step*height个字节；

1080 * 720分辨率的摄像头产生一帧图像的数据大小是 3 * 1080 * 720=2764800字节，即2.7648MB

压缩图像消息

$ rosmsg show sensor_msgs/CompressedImage

• format:图像的压缩编码格式(jpeg，png，bmp)
• data:存储图像数据数组

1.2 三维图像(kinect)

红外摄像头采集三维点云数据，采集的位置信息从xyz三个方向上描述，每一个方向上的数据都是一个浮点数；

一个浮点数占据的空间大小为4个字节。

显示点云类型

$ roslaunch freenet_launch freenect.launch 	    #启动kinect 
$ rostopic info /camera/depth_registered/points 

查看点云消息

$ rosmsg show sensor_msgs/PointCloud2 

• height:点云图像的纵向分辨率；
• width:点云图像的横向分辨率；
• fields:每个点的数据类型；
• is_bigendian:数据的大小端存储模式；
• point_step:单点的数据字节步长；
• row_step:一列数据的字节步长；
• data:点云数据的存储数组，总字节大小为row_step*height；
• is_dense:是否有无效点；如果有无效点，考虑这一帧的图像数据是否保留或者舍弃。

点云单帧数据量也很大，如果使用分布式网络传输，需要考虑能否满足数据的传输要求，或者针对数据进行压缩。

2 摄像头标定

2.1 摄像头标定准备工作

图像数据采集之前，需要把摄像头进行一些标定，关于如何标定，我们需要外部工具：棋盘格标定靶

摄像头为什么要标定？

摄像头这种精密仪器对光学器件的要求较高，由于摄像头内部与外部的一些原因，生成的物体图像往往会发生畸变，为避免数据源造成的误差，需要针对摄像头的参数进行标定。

安装标定功能包

$ sudo apt-get install ros-kinetic-camera-calibration 

2.2 摄像头标定流程

2.2.1 普通摄像头标定流程

1.启动摄像头

$ roslaunch robot_vision usb_cam.launch      # 启动摄像头功能包  

$ roslaunch usb_cam usb_cam-test.launch       # 启动摄像头功能包

2.启动标定包

$ rosrun camera_calibration cameracalibrator.py --size 8x6 --square 0.024 image:=/usb_cam/image_raw camera:=/usb_cam 

# 8x6，中间是x，而不是乘号；
# 启动标定包之后，把棋盘格标定靶放在摄像头的可视范围内；
# square 0.024 实际打印出来纸张的正方形边长，自己拿尺子测量；0.024米

- 1.size:标定棋盘格的内部角点个数，这里使用的棋盘一共有六行，每行有8个内部角点；
- 2.square:这个参数对应每个棋盘格的边长，单位是米；
- 3.image和camera:设置摄像头发布的图像话题；

3.标定过程

• X:标定靶在摄像头视野中的左右移动，变为绿色说明已经满足标定需求；
• Y:标定靶在摄像头视野中的上下移动；
• Size:标定靶在摄像头视野中的前后（远近）移动；
• Skew:标定靶在摄像头视野中的倾斜转动；

CALIBRATE：标定之前是灰色；标定成功之后，变为深绿色，说明当前标定已经结束；点击它，界面好像未响应，这是因为它在后台进行数据运算，不要关闭；

后面两个灰色灰色按键SAVE、COMMIT变为深绿色，说明计算完成；

4.同时在终端中显示标定结果：

点击按键SAVE，在终端中显示标定的数据放在哪一个路径下面；

('Wrote calibration data to', '/tmp/calibrationdata.tar.gz')

5.解压缩——找到标定文件

('Wrote calibration data to', '/tmp/calibrationdata.tar.gz')

找到calibrationdata.tar.gz文件，解压，里面有很多图片（在做标定的时候，采样图片，这些图片已经没用），我们需要只有一个文件ost.yaml文件，把这个文件拷贝到功能包（自己建的任务的功能包）下面；

image_width: 640
image_height: 480
camera_name: narrow_stereo
camera_matrix:
  rows: 3
  cols: 3
  data: [672.219498, 0.000000, 322.913816, 0.000000, 676.060141, 220.617820, 0.000000, 0.000000, 1.000000]
distortion_model: plumb_bob
distortion_coefficients:
  rows: 1
  cols: 5
  data: [-0.146620, 0.187588, 0.001657, 0.000009, 0.000000]
rectification_matrix:
  rows: 3
  cols: 3
  data: [1.000000, 0.000000, 0.000000, 0.000000, 1.000000, 0.000000, 0.000000, 0.000000, 1.000000]
projection_matrix:
  rows: 3
  cols: 4
  data: [655.937012, 0.000000, 323.001754, 0.000000, 0.000000, 665.393311, 220.554221, 0.000000, 0.000000, 0.000000, 1.000000, 0.000000]

2.2.2 Kinect标定流程

Kinect包含彩色摄像头和红外摄像头，我们需要针对两个摄像头分别做标定。

1.启动Kinect

$ roslaunch robot_vision freenect.launch 

2.启动彩色摄像头

$ rosrun camera_calibration cameracalibrator.py image:=/camera/rgb/image_raw camera:=/camera/rgb --size 8x6 --square 0.024 
 

3.标定红外摄像头

$ rosrun camera_calibration cameracalibrator.py image:=/camera/ir/image_raw camera:=/camera/ir --size 8x6 --square 0.024 

2.3 摄像头使用标定文件

2.3.1 普通摄像头如何使用标定文件？

在launch文件中加载标定文件，通过camera_info_url参数来进行加载；

2.3.2 Kinect如何使用标定文件？

Kinect因为有两个标定文件，因此需要通过两个参数的加载来完成；把两个文件都加载在进来。

2.3.3 使用标定文件时可能产生的错误

原因：标定文件中camera_name参数与实际传感器名称不匹配

解决方法：按照警告提示的信息进行修改即可。

比如根据上图所示的警告，分别将两个标定文件.yaml中的camera_name参数修改为
“rgb_A70774707163327A”、“depth_A70774707163327A”即可。

3 ROS+OpenCV

3.1 OpenCV简介

Open Source Computer Vision Library；基于BSD许可发行的跨平台开源计算机视觉库（Linux、Windows和Mac OS等）；由一系列C函数和少量C++类构成，同时提供C++、Python、Ruby、MATLAB等语言的接口；实现了图像处理和计算机视觉方面的很多通用算法，而且对非商业应用和商业应用都是免费的；可以直接访问硬件摄像头，并且还提供了一个简单的GUl系统一highgui。

3.2 OpenCV使用

安装OpenCV

$ sudo apt-get install ros-kinetic-vision-opencv libopencv-dev python-opencv 

测试例程

$ roslaunch robot_vision usb_cam.launch        # 启动摄像头
$ rosrun robot_vision cv_bridge_test.py        # 打开opencv图像，自己的api接口
$ rqt_image_view                   # ROS中的图像

imgmsg_to_cv2()：将ROS图像消息转换成OpenCV图像数据

cv2_to_imgmsg()：将OpenCV格式的图像数据转换成ROS图像消息

输入参数：

1.图像消息流

2.转换的图像数据格式

3.3 人脸识别

启动人脸识别实例

$ roslaunch robot_vision usb_cam.launch            # 启动摄像头
$ roslaunch robot_vision face_detector.launch      # 启动人脸识别功能节点
$ rqt_image_view

初始化部分：完成ROS节点、图像、识别参数的设置。

ROS图像回调函数：将图像转化成OpenCV的数据格式，然后预处理之后开始调用人脸识别的功能函数，最后把识别的结果发布。

人脸识别：调用OpenCV提供的人脸识别接口，与数据库中的人脸特征进行匹配。

3.4 物体跟踪

启动物体跟踪实例

$ roslaunch robot_vision usb_cam.launch                  # 启动摄像头
$ roslaunch robot_vision motion_detector.launch          # 启动物体跟踪功能节点
$ rqt_image_view

初始化部分：完成ROS节点、图像、识别参数的设置

图像处理：将图像转换成OpenCV格式；完成图像预处理之后开始针对两帧图像进行比较，基于图像差异识别到运动的物体，最后标识识别结果并发布

4 二维码识别

4.1 二维码使用

安装二维码识别功能包

$ sudo apt-get install ros-kinect-ar-track-alvar

创建二维码

$ rosrun ar_track_alvar createMarker
$ rosrun ar_track_alvar createMarker 0
	
$ roscd robot_vision/config
$ rosrun ar_track_alvar createMarker -s 5 0         #边长5厘米，数字为0的二维码
$ rosrun ar_track_alvar createMarker -s 5 1
$ rosrun ar_track_alvar createMarker -s 5 2

4.2 摄像头二维码识别

1.启动摄像头二维码识别示例

$ roslaunch robot_vision usb_cam_with_calibration.launch
$ roslaunch robot_vision ar_track_camera.launch

启动摄像头时，需要加载标定文件，否则可能无法识别二维码。

2.查看识别到的二维码位姿

$ rostopic echo /ar_pose_marker

4.3 Kinect二维码识别

启动Kinect二维码识别示例

$ roslaunch robot_vision freenect.launch
$ roslaunch robot_vision ar_track_kinect.launch

5 扩展内容：物体识别与机器学习

Object Recognition Kitchen(ORK) 物体识别框架

TensorFlow Object Detection API 识别API

6 参考资料

ROS cV_bridge wiki： http://wiki.ros.org/cv_bridge
ROS opencv_apps： http://wiki.ros.org/opencv_apps