当用户猛烈移动相机(手机)时，我正在努力使基于 OpenCV 的基准标记检测更加稳健。标记为 ArTag 样式，在黑色边框内嵌入了海明码。通过对图像进行阈值处理来检测边界，然后根据找到的轮廓寻找四边形，然后检查四边形的内部结构。
一般来说，如果黑色边框被识别，标记的解码是相当稳健的。我尝试了最明显的方法，即对图像进行两次下采样，并在这些级别上执行四重检测。这有助于相机在极端近地标记上散焦，也有助于非常小的图像模糊，但对相机运动模糊的一般情况没有太大帮助
是否有关于使检测更可靠的方法的可用研究？我想知道的想法包括:
- 你能做某种光流跟踪来“猜测”下一帧中标记的位置，然后在这些猜测的区域中进行某种角点检测，而不是将矩形搜索视为全帧阈值？
- 在 PC 上，是否可以推导出模糊系数(可能通过在最近检测到标记的视频帧上进行配准)并在处理之前对图像进行去模糊处理？
- 在智能手机上，是否可以使用陀螺仪和/或加速度计来获取去模糊系数并对图像进行预处理？ (我假设不会，因为如果是的话，市场上就会充斥着抖动校正相机应用程序。)
如果能节省我尝试它们的时间，也将不胜感激指向失败想法的链接。
最佳答案
- 是的，您可以使用光流来估计标记的位置并定位您的搜索，但这只是重新定位，您的跟踪将因模糊帧而中断。
- 我对去模糊知之甚少，只是说它的计算量很大，所以实时可能很困难
- 您可以使用传感器来猜测您所面临的模糊类型，但我认为去模糊对于实时移动设备而言计算量太大。
然后是其他一些方法:
这里有一些非常聪明的东西:http://www.robots.ox.ac.uk/~gk/publications/KleinDrummond2004IVC.pdf他们在哪里进行边缘检测(这可以用来找到你的标记边界，即使你现在正在寻找四边形)，对来自传感器的相机运动进行建模，并使用这些值来估计方向上的边缘模糊应该出现给定帧率，并搜索它。十分优雅。
同样在这里http://www.eecis.udel.edu/~jye/lab_research/11/BLUT_iccv_11.pdf他们只是预先模糊跟踪目标，并尝试匹配给定模糊方向的适当模糊目标。他们使用高斯滤波器对对称的模糊进行建模，因此您需要的预模糊目标数量是您最初预期的一半。
如果您确实尝试实现其中任何一个，我真的很想知道您的进展情况!
关于opencv - 存在相机抖动时的基准标记检测，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/9320479/