姿態估計演算法

『壹』 幫忙推薦一款國內比較好的動捕設備，感謝！

Nokov動作捕捉系統在無人機領域的應用就很好的，你可以根據不同的任務要求、安全要求、飛行時間和其他戰略戰術等綜合因素，實時捕捉無人機的空間位置、六自由度、四元數、歐拉角、位姿,姿態數據將數據進行實時分析處理，作為無人機動作軌跡估計參數,將數據實時發送給飛控（控制）系統，建立精確的反饋機制。產品，從外觀，到硬體、軟體和演算法的全部核心技術，均有自主知識產權為支撐，技術含量高，關注一下這款產品的公眾號上面介紹的很詳細哦~

『貳』 人體姿態估計研究相關問題

身體基本姿態一般來說是隊列動作的基礎。整個隊列的風貌及整齊度就是有個人的身體姿態來決定的。如果每個成員的身體姿態良好，那麼整支隊伍的風貌自然也是好的了。不過，好的身體姿態是可以練出來的。例如駝背。可以試著貼牆十至二十分鍾。這樣一段時間，身體的姿態自然會得到矯正。這個問題沒有對與錯。只是人體的自身條件而已。

『叄』 製作舞蹈機器人都需要學什麼.而機器人架構是什麼，又該如何製作機器

看你是要做仿人機器人還是輪式或者爬行式機器人。

輪式和爬行式機器人是非常簡單的，你只需要了解基本的機器人學知識和常用的動力元件就可以。架構簡單點說就是你的機器人整體器件布局以及動力元件的力學傳遞方式，在製作前最好可以使用一些模擬軟體做一些模擬。機器人學的知識可以讀一下蔡自興教授的《機器人技術》。這個有中學的底子我估計就能勝任。實際上這種舞蹈機器人就是一種稍復雜點的玩具，不用想的太高深，只需要一片簡單的例如AVR單片機這種運算器件加上一些舵機就完事了，和做四驅車沒有本質區別，只要規劃好關節自由度，並且學會可以用運算晶元控制舵機進行力學傳動就可以。

仿人機器人的話就麻煩大的多，其中最核心的技術就是平衡性問題。目前往往採用的是ZMP判據，難就難在你必須尋求一種演算法，使得機器人在作出某個動作的時候可以運算出其他關節的運動來滿足平衡條件。因為完成通過一個關節來調整姿態的演算法就可以完成一篇碩士論文，所以這個不是三言兩語能說清楚的，如果真要做仿人機器人的話你補充一下答案我再給你推薦一些資料。我恰好也是在做這個項目。

『肆』 天問一號火星環繞器揭開面紗，具體什麼樣子

天問一號探測器由環繞器和著陸巡視器組成。這其中，“太空多面手”環繞器“一器分飾多角”，具備三大功能：飛行器、通信器和探測器。天問一號環繞器首先作為飛行器，將著陸巡視器送至火星著陸軌道。待成功釋放著陸巡視器後，環繞器作為通信器，為著陸巡視器建立與地球之間的中繼通信鏈路。通信工作結束後，環繞器作為探測器對火星進行科學探測。

“光學導航敏感器就好比天問一號火星探測器自動駕駛過程中的‘眼睛’。”鄭循江說。據他介紹，在飛近火星的過程中，探測器靠這雙“眼睛”實時觀測火星的距離和方向，讓飛控團隊可以更直觀地確認飛行軌道和姿態，計算圖像中火星的幾何中心和視半徑，天問一號也就可以通過最優估計演算法，來自主獲取實時的位置和速度信息。

鄭循江說，7年來，在2500多個日日夜夜的攻關期間，研製團隊不是在做試驗，就是在去做試驗的路上。正是有了廣泛的試驗數據加持，團隊完成了設計方案的多輪優化，最終完成了最惡劣條件下的全部功能及性能的驗證。

“這是我國首次在行星際轉移飛行過程中應用光學自主導航技術。”鄭循江說，國內並無先前的工程經驗可參考，研製團隊一點點摸索，設計了大大小小百餘個試驗項目，最終使中國成為世界上第二個掌握並在軌驗證了火星光學自主導航技術的國家。

『伍』 新版本一甜相機生發屋再哪

在特效裡面。
一甜相機由快手官方在2018年8月推出,主打高甜日韓系濾鏡和元氣萌力貼紙,讓用戶通過自然輕量的美顏特效,輕松拍出日韓大片質感的照片、視頻和Vlog。 一甜的美顏拍攝技術使用了快手在業內領先的人臉關鍵點識別、3D人臉重建、AR相機姿態估計、視頻美學評估等核心技術,並且結合了AI智能分析匹配、演算法推動。一甜相機要傳遞的不是高級美,而是每一個人都很美的理念,讓美沒有距離感 。

『陸』 一甜相機怎麼去除馬賽克

摘要 一甜相機怎麼去馬賽克？

『柒』 機器人是如何走出迷宮的

首先，我們要了解，機器人領域的視覺（Machine Vision）跟計算機領域（Computer Vision）的視覺有一些不同：機器視覺的目的是給機器人提供操作物體的信息。所以，機器視覺的研究大概有這幾塊：

物體識別（Object Recognition）：在圖像中檢測到物體類型等，這跟 CV 的研究有很大一部分交叉；

位姿估計（Pose Estimation）：計算出物體在攝像機坐標系下的位置和姿態，對於機器人而言，需要抓取東西，不僅要知道這是什麼，也需要知道它具體在哪裡；

相機標定（Camera Calibration）：因為上面做的只是計算了物體在相機坐標系下的坐標，我們還需要確定相機跟機器人的相對位置和姿態，這樣才可以將物體位姿轉換到機器人位姿。

當然，我這里主要是講物體定位領域的機器視覺；SLAM 等其他領域的就先不講了。 演算法肯定也是有的。

由於視覺是機器人感知的一塊很重要內容，所以研究也非常多了，我就我了解的一些，按照由簡入繁的順序介紹吧：

1. 相機標定
這其實屬於比較成熟的領域。由於我們所有物體識別都只是計算物體在相機坐標系下的位姿，但是，機器人操作物體需要知道物體在機器人坐標系下的位姿。所以，我們先需要對相機的位姿進行標定。內參標定就不說了，參照張正友的論文，或者各種標定工具箱；外參標定的話，根據相機安裝位置，有兩種方式：

Eye to Hand：相機與機器人極坐標系固連，不隨機械臂運動而運動
Eye in Hand：相機固連在機械臂上，隨機械臂運動而運動 兩種方式的求解思路都類似，首先是眼在手外（Eye to Hand）

只需在機械臂末端固定一個棋盤格，在相機視野內運動幾個姿態。由於相機可以計算出棋盤格相對於相機坐標系的位姿 、機器人運動學正解可以計算出機器人底座到末端抓手之間的位姿變化 、而末端爪手與棋盤格的位姿相對固定不變。
而對於眼在手上（Eye in Hand）的情況，也類似，在地上隨便放一個棋盤格（與機器人基座固連），然後讓機械臂帶著相機走幾個位姿，然後也可以形成一個 的坐標環。

2 平面物體檢測
這是目前工業流水線上最常見的場景。目前來看，這一領域對視覺的要求是：快速、精確、穩定。所以，一般是採用最簡單的邊緣提取+邊緣匹配/形狀匹配的方法；而且，為了提高穩定性、一般會通過主要打光源、採用反差大的背景等手段，減少系統變數。
目前，很多智能相機（如 cognex）都直接內嵌了這些功能；而且，物體一般都是放置在一個平面上，相機只需計算物體的 三自由度位姿即可。另外，這種應用場景一般都是用於處理一種特定工件，相當於只有位姿估計，而沒有物體識別。 當然，工業上追求穩定性無可厚非，但是隨著生產自動化的要求越來越高，以及服務類機器人的興起。對更復雜物體的完整位姿 估計也就成了機器視覺的研究熱點。

3. 有紋理的物體
機器人視覺領域是最早開始研究有紋理的物體的，如飲料瓶、零食盒等表面帶有豐富紋理的都屬於這一類。當然，這些物體也還是可以用類似邊緣提取+模板匹配的方法。但是，實際機器人操作過程中，環境會更加復雜：光照條件不確定（光照）、物體距離相機距離不確定（尺度）、相機看物體的角度不確定（旋轉、仿射）、甚至是被其他物體遮擋（遮擋）。
幸好有一位叫做 Lowe 的大神，提出了一個叫做 SIFT （Scale-invariant feature transform）的超強局部特徵點：Lowe, David G. "Distinctive image features from scale-invariant keypoints."International journal of computer vision 60.2 (2004): 91-110.具體原理可以看上面這篇被引用 4萬+ 的論文或各種博客，簡單地說，這個方法提取的特徵點只跟物體表面的某部分紋理有關，與光照變化、尺度變化、仿射變換、整個物體無關。因此，利用 SIFT 特徵點，可以直接在相機圖像中尋找到與資料庫中相同的特徵點，這樣，就可以確定相機中的物體是什麼東西（物體識別）。
對於不會變形的物體，特徵點在物體坐標系下的位置是固定的。所以，我們在獲取若干點對之後，就可以直接求解出相機中物體與資料庫中物體之間的單應性矩陣。如果我們用深度相機（如Kinect）或者雙目視覺方法，確定出每個特徵點的 3D 位置。那麼，直接求解這個 PnP 問題，就可以計算出物體在當前相機坐標系下的位姿。

4. 無紋理的物體
好了，有問題的物體容易解決，那麼生活中或者工業里還有很多物體是沒有紋理的
我們最容易想到的就是：是否有一種特徵點，可以描述物體形狀，同時具有跟 SIFT 相似的不變性？不幸的是，據我了解，目前沒有這種特徵點。所以，之前一大類方法還是採用基於模板匹配的辦法，但是，對匹配的特徵進行了專門選擇（不只是邊緣等簡單特徵）。

這里，我介紹一個我們實驗室之前使用和重現過的演算法 LineMod：Hinterstoisser, Stefan, et al. "Multimodal templates for real-time detection of texture-less objects in heavily cluttered scenes." Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011.
簡單而言，這篇論文同時利用了彩色圖像的圖像梯度和深度圖像的表面法向作為特徵，與資料庫中的模板進行匹配。由於資料庫中的模板是從一個物體的多個視角拍攝後生成的，所以這樣匹配得到的物體位姿只能算是初步估計，並不精確。但是，只要有了這個初步估計的物體位姿，我們就可以直接採用 ICP 演算法（Iterative closest point）匹配物體模型與 3D 點雲，從而得到物體在相機坐標系下的精確位姿。
當然，這個演算法在具體實施過程中還是有很多細節的：如何建立模板、顏色梯度的表示等。另外，這種方法無法應對物體被遮擋的情況。（當然，通過降低匹配閾值，可以應對部分遮擋，但是會造成誤識別）。針對部分遮擋的情況，我們實驗室的張博士去年對 LineMod 進行了改進，但由於論文尚未發表，所以就先不過多涉及了。

5. 深度學習
由於深度學習在計算機視覺領域得到了非常好的效果，我們做機器人的自然也會嘗試把 DL 用到機器人的物體識別中。
首先，對於物體識別，這個就可以照搬 DL 的研究成果了，各種 CNN 拿過來用就好了。有沒有將深度學習融入機器人領域的嘗試？有哪些難點？ - 知乎 這個回答中，我提到 2016 年的『亞馬遜抓取大賽』中，很多隊伍都採用了 DL 作為物體識別演算法。 然而， 在這個比賽中，雖然很多人採用 DL 進行物體識別，但在物體位姿估計方面都還是使用比較簡單、或者傳統的演算法。似乎並未廣泛採用 DL。 如@周博磊所說，一般是採用 semantic segmentation network 在彩色圖像上進行物體分割，之後，將分割出的部分點雲與物體 3D 模型進行 ICP 匹配。
當然，直接用神經網路做位姿估計的工作也是有的，如這篇：Doumanoglou, Andreas, et al. "Recovering 6d object pose and predicting next-best-view in the crowd." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016.
它的方法大概是這樣：對於一個物體，取很多小塊 RGB-D 數據（只關心一個patch，用局部特徵可以應對遮擋）；每小塊有一個坐標（相對於物體坐標系）；然後，首先用一個自編碼器對數據進行降維；之後，用將降維後的特徵用於訓練Hough Forest。

6. 與任務/運動規劃結合
這部分也是比較有意思的研究內容，由於機器視覺的目的是給機器人操作物體提供信息，所以，並不限於相機中的物體識別與定位，往往需要跟機器人的其他模塊相結合。
我們讓機器人從冰箱中拿一瓶『雪碧』，但是這個 『雪碧』 被『美年達』擋住了。我們人類的做法是這樣的：先把 『美年達』 移開，再去取 『雪碧』 。所以，對於機器人來說，它需要先通過視覺確定雪碧在『美年達』後面，同時，還需要確定『美年達』這個東西是可以移開的，而不是冰箱門之類固定不可拿開的物體。 當然，將視覺跟機器人結合後，會引出其他很多好玩的新東西。由於不是我自己的研究方向，所以也就不再班門弄斧了。

更詳細的圖文解析可以到機器人家上去看，我這邊就不貼出來了，希望對你有用

『捌』 華為p40pro桌面圖標怎麼變小

設置圖標大小步驟如下：
打開設置>點擊顯示 > 顯示模式，根據需要，選擇大、中或者小模式，點擊應用，然後重啟提示，點擊確定。
顯示模式可以調整界面的圖標和文字的大小，大圖標更易查找，小圖標可以顯示更多內容。
可以按以下方法設置：兩根手指在桌面合攏或長按桌面空白處，點擊右下角設置>桌面布局，根據個人喜好調整桌面布局。第一個數字是橫向圖標個數，乘號後面那是是縱向圖標個數

『玖』 身體姿態檢測可以應用於健身行業嗎

身體姿態檢測當然可以應用於健身行業
可以帶來理想效果
人體姿態估計（Human Pose Estimation）是計算機視覺領域中的一個重要研究方向，被廣泛應用於人體活動分析、人機交互以及視頻監視等方面。人體姿態估計是指通過計算機演算法在圖像或視頻中定位人體關鍵點（如肩、肘、腕、髖膝、膝、踝等）。本文主要介紹近幾年深度學習興起後的人體姿態估計方法發展歷程。

二、人體姿態估計有什麼用？

（1）利用人體姿態進行摔倒檢測或用於增強安保和監控；

（2）用於健身、體育和舞蹈等教學；

（3）訓練機器人，讓機器人「學會」移動自己的關節；

（4）電影特效製作或交互游戲中追蹤人體的運動。通過追蹤人體姿態的變化，實現虛擬人物與現實人物動作的融合與同步。

三、人體姿態估計演算法評估指標

（1）OKS（Object Keypoint Similarity）

OKS是COCO姿態估計挑戰賽提出的評估指標，COCO Leaderboard 顯示Challenge18最高mAP最高為0.764。基於對象關鍵點相似度的mAP：

其中，di表示預測的關鍵點與ground truth之間的歐式距離；vi是ground truth的可見性標志；s是目標尺度，等於該人在ground truth中的面積的平方根；ki控制衰減的每個關鍵點常量。

（2）PCK（Probability of Correct Keypoint）

MPII數據集的評估指標採用的是[email protected]，目前MPII數據集PCKh最高為92.5。預測的關節點與其對應的真實關節點之間的歸一化距離小於設定閾值，則認為關節點被正確預測，PCK即通過這種方法正確預測的關節點比例。

[email protected]表示以軀干直徑作為參考，如果歸一化後的距離大於閾值0.2，則認為預測正確。

[email protected]表示以頭部長度作為參考，如果歸一化後的距離大於閾值0.5，則認為預測正確。

（3）PCP（Percentage of Correct Parts）

如果兩個關節點的位置和真實肢體關鍵的距離達到至多一半時的真實肢體長度，則認為關節點被正確預測，PCP即通過這種方法正確預測的關節點比例。

四、人體姿態估計演算法發展歷程

2013年，Toshev等人將DeepPose引入人體姿態估計領域，人體姿態估計的研究開始從傳統方法轉向深度學習，下面將按時間順序總結6篇個人認為具有標志性的工作。

（1）DeepPose（2014，Google）

Alexander Toshev和Christian Szegedy提出的DeepPose最早將CNN（卷積神經網路）應用於人體關節點檢測。DeepPose將人體姿態估計轉換為關節點回歸問題，並提出了將CNN應用於人體關節點回歸的方法：使用整幅圖像輸入到7層CNN來做關節點回歸，更進一步，使用級聯的CNN檢測器來增加關節點定位的精確度。