双ArUco标记平面夹角测量方案及测试结果疑问

疑问解答 #

1. 90度场景下composedRvec结果的含义 #

旋转向量（rvec）的方向代表旋转轴，模长代表旋转角度（单位为弧度）。你测得的(0,1.78,0)结果，代表两个标记的相对旋转轴为y轴，旋转角度为1.78弧度，换算为角度约为102度，和你设置的90度夹角的差值属于位姿估计的正常误差范围。

2. 如何通过composedRvec判断平面夹角是否超过10度 #

如果仅需要判断平面倾斜偏差，不需要考虑标记在自身平面内的自转，更推荐提取两个标记的z轴法向量计算夹角，也就是你后续优化代码采用的方案。如果要基于composedRvec计算，直接求它的模长即可：

import numpy as np
# 计算相对旋转角度（弧度转角度）
relative_angle_deg = np.rad2deg(np.linalg.norm(composedRvec))
if relative_angle_deg > 10:
    print("平面角度偏差超过10度")

注意这个结果会包含标记平面内自转的角度，如果只需要平面倾斜偏差，法向量点积的方案更适配你的需求。

3. 当前使用composedRvec的方案是否正确 #

方案原理上没有错误，但不适配你的需求。composedRvec计算的是两个标记坐标系的完整3D相对旋转，包含了平面内的自转角度，而你只需要判断两个平面的倾斜夹角，不需要考虑自转，因此用法向量点积计算的方案更合理。 #

测量值大幅跳变的解决方法 #

这是ArUco单标记位姿估计的常见问题，对应解决方法如下：

• 放大标记尺寸：你代码中设置的标记边长为0.02m（2cm），过小的标记会放大角点检测误差，导致位姿结果波动大，建议换用边长5cm以上的标记。
• 优化相机标定结果：检查camera.yml的标定精度，标定需要采集至少20张不同距离、不同角度的棋盘格图像，重投影误差建议控制在0.5像素以内。
• 增加亚像素角点优化：检测到ArUco角点后添加亚像素优化步骤，提升角点定位精度：

# 亚像素角点优化代码，放在detectMarkers之后执行
winSize = (5,5)
zeroZone = (-1,-1)
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
for corner in corners:
    cv2.cornerSubPix(gray, corner, winSize, zeroZone, criteria)

• 添加滑动滤波：对连续多帧的测量结果做平均，过滤随机波动：

# 初始化全局历史角度列表
angle_history = []
window_size = 5

# 每次计算得到angle_degrees后执行
angle_history.append(angle_degrees)
if len(angle_history) > window_size:
    angle_history.pop(0)
smooth_angle = np.mean(angle_history)

• 更换位姿估计算法：弃用estimatePoseSingleMarkers，改用针对平面标记优化的SOLVEPNP_IPPE算法求解位姿，精度提升明显：

# 替换原estimatePoseSingleMarkers的代码
marker_size = 0.02
obj_points = np.array([
    [-marker_size/2, marker_size/2, 0],
    [marker_size/2, marker_size/2, 0],
    [marker_size/2, -marker_size/2, 0],
    [-marker_size/2, -marker_size/2, 0]
], dtype=np.float32)
success, rvec, tvec = cv2.solvePnP(obj_points, corners[i], matrix_coefficients, distortion_coefficients, flags=cv2.SOLVEPNP_IPPE)

内容的提问来源于stack exchange，提问作者michltm